医用画像処理の人工知能そして機械学習

insights from industryDr. Hamid R. TizhooshProfessor Faculty of EngineeringUniversity of WaterlooAn interview with Professor Hamid Tizhoosh, conducted by James Ives

機械学習に過去の研究および医用画像処理の人工知能の概要を与えて下さい。 私達は何を現在この研究とされますか。

自然に AI のアルゴリズムと解決するために運命づけられるようである医用画像処理の 2 つの主要タスクはセグメンテーションおよび分類です。 医用画像処理で使用された技術のほとんどは慣習的な画像処理か、またはより広く作り出された計算機視覚のアルゴリズムでした。

1 つは人工の神経ネットワークを多くの使用、深く学習のバックボーンを見つけることができます。 ただし、ほとんどの作業は集中した焦点を合わせ、まだ、 「手作りされた」機能で、だった技術慣習的な計算機視覚に医学の画像から有用、情報を区別します得るべき手動デザインの結果。

進歩は 90年代末目に見え早い 2000s (例えば、 1999 年にふるい分け方法、または早い 2000s の視覚辞書)、が、進歩がありませんでした。 ただし、群がることおよび分類のような技術は適当な成功と使用中でした。

K 平均 (古い群がる方法)、サポートベクトル機械 (SVM)、確率的なスキームおよび決定ツリーおよび拡張バージョン ` の任意森林は」正常なアプローチ間にありました。  しかし人工の神経ネットワークは医用画像処理の、計算機視覚の予想にちょうど一般に及び続けました。

浅いネットワークは (人工的なニューロンの少数の層から成っている) 余りに大きかったのでトレインできませんでした困難な問題および深いネットワークを (人工的なニューロンの多くの層から成っている) 解決できませんでした。 中間 2000s によって ImageNet のような大きいデータ・セットの早い 2010s の最初の主要なサクセス・ストーリーのこのフィールドに理論的な進歩がありました。

ここで突然、画像の猫そして車を認識することは可能で、顔の認識を行い、そして自動的に内容を記述するキャプションの画像を分類します。 医用画像処理のこれらの強力な AI 方法のアプリケーションの調査は過去の 3-4 年に開始し、が、幼年時代にあります有望な結果はあちこちで報告されました。  

どんなアプリケーション医用画像処理の機械学習および人工知能のためですか。

最近の出版物に基づいて、それは AI のソフトウェアの出力は頻繁に悪性/温和のための 「yes/no」決定であるかところで、多くの研究者の焦点が診断にあることに、主に癌の診断それぞれようです。

他のストリームは (マーキング) 癌の診断および分析に、また処置の計画およびモニタリングのためである多くの作業の主要な注意の画像の特定の部分の、再度セグメント化で動作しています。

ただし、 AI が医用画像処理に提供できる大いに多くがあります。 潜在性を、 radiogenomics を見て、大きいデータ・セットの非常に非線形パターンの認識医学の画像の自動キャプションを付けることは、および非常に複雑な画像の内容の定量化および視覚化、ちょうどある例です。 私達は多くの分岐点が付いているエキサイティングな経路のまさに始めにあります。

ティッシュの性格描写および人工知能を用いる属性の現在の限定は何ですか。 これを克服するためにされるどんな必要性か。

AI は異なった考えの基づいて多数の技術の大きいフィールドです。 深く学習はそれらのちょうど 1 つですが、画像の内容を近年認識することのほとんどの成功との 1 です。 ただし、深い学習はデジタル病理学の多重挑戦に直面します。

まず第一に、それは多数のマーク付きの (分類された) 画像を (必要とします興味の領域が病理学者によって手動で輪郭を描かれたが、画像) デジタル病理学の汎用作業の流れは分類された画像を提供しません。 これは特定のケース、深く学習の可能性を示すために少数の分類された画像が提供することができる例えば、乳癌で動作するために研究を導きました。

デジタル病理学の深く学習のためのもう一つの主要な挑戦は問題の次元の数です。 病理学の画像は 50,000 のピクセルによって膨大、すなわち、主としてより 50,000 です。 しかし深いネットワークは 300 のピクセルによってしか小さい入力画像、すなわち、 300 以下扱うことができません。 サンプリングの画像は (それらをより小さくさせる) 情報の損失で起因します。

深いネットワークのトレインのそれ以上の障害は 「釣り合った」データと入れられれば一般に、そのあなたが認識する必要があるあらゆるカテゴリのための画像の同じ番号をほとんど持っている平均よく行うことです。 不均衡なデータはネットワークはトレーニングことをの後で由々しい間違いをおかすかもしれないことを意味する汎用化を妨害します。

の価値を持つ最終的な問題は述べることシステム、または人工物および騒音の存在を開発することの知識との誰かが間違った決定に、結局深いネットワークをだますことができるときにいわゆる 「adversarial 攻撃」医用画像処理で非常に重要の効果です; 私達は私達が人々の生命を取扱っているときアルゴリズムがだまされるように許すできません。

集中的な研究は多くの前部でこれらおよび他のための解決を見つけるために挑戦行なわれています。 他の中で、働く 1 つの潜在的解決能力は 「別の領域で学び、医学の領域に知識を転送することを学ぶ」転送です。

私達は何百万の分類された自然な写真 (例えば、車、表面、動物、建物) の AI を教え、次に組織病理学の画像の得られた知識を使用してもいいですか。 他の潜在的な解決策は分類を直接トレインし取扱わない、慣習的なアルゴリズムおよび手作りされた機能と深い解決をです 「生成的な」モデルを結合する深いネットワークに領域の知識を注入すること。  

どのように他の病理組織学的なテストとの医用画像処理の相互作用の使用か。 それらは簡単な画像の検索と取り替えられるでしようか。

確定的にない。 画像の検索は病理学者を助け、新しい洞察力を提供する新しい世話役です。 現在、病理学者が完全に処理の中心に残らなければならないことをのある画像の検索が最も有効に合う、私達は確かに確認します正確な理解が。

私達が AI および計算機視覚に割り当てるタスクは広く専門にし、カスタマイズされます; それらは自然にテストの他のある (非 AI) 技術そして無用他のモードをすることができません。 それは新しい洞察力の既存のプロシージャを補足し、取り替えないことについて完全にあります; それで、少なくともこれは指導の態度べきです。    

あなたが使用した技術およびこのフィールドを進めるために最近の研究の概要を与えて下さい。

Kimia の実験室でベクトルずっと機械をサポートするために、私達は多数の深いネットワークからの技術に、取り組んでいますローカル二進パターンからラドンへの深い autoencoders から次元の数の減少に、変形させれば。

私達の研究の哲学は無条件で病理学者中枢的です; 私達はそこに病理学のコミュニティを機能する AI 技術を設計することいます。 私達はこれが病理学者およびない競争相手へスマートな助手として AI を配置する右の方法、即ちであること確信します。

私達は私達が臨床作業の流れのための最終的な鎖を設計するように試みる前に私達の研究の基本的なシフトをもたらし、 yes/no 分類の実行を控え、そしてティッシュの認識の多形性質を理解するために代りに多くの実験を行なっています。

さらに、私達はそこにのための非 AI 計算機視覚の私達の焦点をで日の平凡なパフォーマンス背部を表わした、強力な AI へのパートナーとして使用できるより速い計算のプラットホームに依存によって今再発見することができます失いませんでした多くの従来の方法。  

研究で使用したことラドンへどんな利点が変形しますありますか。

これは確立した技術を見失わないための私達の努力の 1 つの例です。 ラドンはで、古い技術コンピュータ断層撮影をすることを可能にしました私達を、他の中で、変形します。

画像の小さく、大きい部分の投射は重要な変更が発生するところでティッシュの特性についての圧縮された情報を提供。 それらは AI のアルゴリズムに入力として多重技術が協力する設定の追加情報を提供するのに役立ってもいいです。

ラドンは、深いネットワークと対照をなして、ただの数学的に健全な技術です interpretable 変形しますが。 特定の画像がなぜ選ばれるか何百万のネットワークの中の乗法そして付加が特定の決定がなぜなされたか理解するためのもっともらしい方法を提供しない一方私達がラドンの投射を得るとき比較的容易に理解することができます。

ただし、私達は深いアーキテクチャが学ぶことを必要とします。 それ故に、古くのおよび新しいの結合することは私達が重く投資している何かです。    

どのように医学の画像の人工的に情報処理機能をもった検索そして類別は病気の研究を加速し、患者管理を改善できますか。

病理学者の診断役割を除去することを目指す分類指向の AI を (yes/no 決定をする) 放棄すれば、私達は医学の画像の大きいアーカイブから同じようなパターンを識別し、得る鉱山指向の AI を残されます。

s/he 検査しているとき病理学者への同じような画像を示すことは新たな問題検索されたケースが過去からの明らかに診断された患者の情報と注釈されなければ異常な何かではないです。

それから私達にずっと決して前に行われていない何かがあります: 私達は医者の衆知自身に計算の相談をそれらに与えるために叩いています。 困難なケースのための他の病理学者に相談することは一般的な方法です。

ただし、画像の検索は私達を与えますアクセスはへの 「デジタルレコードを通して計算的に」何百もの病理学者 (および地球に) 全国各地から相談します。 これはプロセスを促進しましたり、誤り率を減らしましたり、生命を保存しましたり、他のタスクの貴重な病理学者の時間を (例えば研究および教育) 解放し、最終的に費用を保存します。

どこで医用画像処理に関して機械学習の未来を見ますか。

多分私達の多数は何人かの研究者が大胆に想像するように、 radiogeomics が他の中でバイオプシーを余分にさせる病気の診断の革命的な変更であることを望んでいます。

ただし、近い未来の間、私達はむしろ 「合意形成」を見るべきです。 医学診断の難しさの明示ははっきりいわゆる 「相互観測者可変性」ので目に見えます; 医者は診断か測定に同じケースを与えられたとき同意できません。

胸および肺癌のようなあるケースのために不一致は敵意の厳密な位置が複雑なとき 50% に近づき、超過できます。 同じような異常および敵意を識別し、検索するための AI を使用して構築の一致のための地平線を開きます。

私達が現在の患者のデータと確信をもって一致させることができる過去の患者の数千の例を見つけてもいければ 「計算の一致」は遠くにありません。 それの美は AI が診断決定を作らないが、ちょうど既存の医学の知恵をアクセス可能にさせること、再度、現在デジタル塵の休閑中の下のテラバイトの知恵です。

技術が進むので、将来必要性の病理学者がありますか。

1 つの側面でする、保持する知識の幅そして深さは、反対側で最終的な認識のエンティティとして、それらに不可欠なものをしますことをの病理学者のタスクそして作業負荷は変形敏感な性質を通って確かに行きが。

それは高レベル視覚プログラミング言語を用いることによって病理学者が極めて特殊なタスクのための彼らの自身の AI のエージェントを設計し、教える近い将来想像がつきます。 ないエンジニアコンピューター科学者ではなく、 AI の機能の開発を担当する医学の知識があるのは病理学者です。

読取装置はどこでより多くの情報を見つけることができますか。

デジタル病理学で読まれるよいの Pantanowitz および Parwani によって本 「デジタル病理学」行います。 AI の基礎で読まれるよい技術はサイモン Haykin によって 「ニューラルネットワークおよび学習機械」行います。 読まれる別の技術は Goodfellow および他 「深く学んでいます

Litjens によって概要を、 「医学のイメージ分析の深く学習の調査得るためおよび他は最新の記事です。 デジタル病理学の自分自身および Pantanowitz (ピッツバーグの医療センターの大学) 先生のタイトルを付けられた 「人工知能による記事 - 挑戦および機会」は病理学の情報科学のジャーナルでやがて書かれています。

教授について Hamid Tizhoosh

Hamid R. Tizhoosh 先生は 2001 年以来のウォータールーの大学に彼が KIMIA の実験室 (医学のイメージ分析の知識の推論のための実験室) を導くところに工学の能力の教授です。

彼がウォータールーの大学を結合した前に、彼は彼が補強の学習のような AI 方法を使用してダイナミックな帯域幅の割り当てに取り組んだトロント大学に知識および知性システム実験室に研究教授でした。

1993 年以来、彼の研究活動は人工知能、計算機視覚および医用画像処理を取囲みます。 彼は医学の画像のフィルタに掛けること、セグメンテーションおよび検索のためのアルゴリズムを開発しました。 彼は 2 冊の本、 14 の本の章の著者、 140 枚以上のジャーナルおよび会議のペーパーであり。

彼はまた WatCo (ウォータールー商業化のオフィス) と共同して 5 つのパテントをファイルしました。 Tizhoosh 先生は広範な産業経験があり、多数の会社と働きました。 現在、彼はヒューロンデジタルの病理学の AI の顧問、 St. Jacobs、カナダです。