의학 화상 진찰에서 인공 지능 그리고 기계 배우기

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

의학 화상 진찰에 있는 기계 배우고기 및 인공 지능으로 과거 연구의 개관을 주십시오. 우리는 무엇을 지금 이 연구로 할 수 있습니까?

자연적으로 AI 산법으로 해결되기 위하여 운명지어 있는 것처럼 보이는 의학 화상 진찰에 있는 2개의 중요한 업무는 분할과 분류입니다. 의학 화상 진찰에서 사용된 기술의 대부분은 전통적인 화상 처리, 더 넓게 공식화한 컴퓨터 시가 산법이었습니다.

누구든개는 인공신경망으로 많은 작동, 깊은 곳에서 배우기의 백본을 찾아낼 수 있습니다. 그러나, 대부분의 일은 집중시킨 전통적인 컴퓨터 시가에 집중되고, "손으로 만들어진" 특징에, 아직도 인 기술 의학 심상에서 유용해던과 정보를 분화하 추출할 수동 디자인의 결과.

약간 진도는 90s 후반에 눈에 보였습니다 및 초기 2000s (예를 들면, 1999년에 체로 치 방법, 또는 초기 2000s에 있는 시각적인 사전) 그러나 아무 돌파구도 없었습니다. 그러나, 클러스터 및 분류 같이 기술은 적당한 성공에 사용 중 이었습니다.

K 평균 (오래된 클러스터 방법), 지원 선그림 기계 (SVM), 개연론 계획 및 결정 트리 및 그들의 확장되는 버전 ` 무작위 숲은' 성공적인 접근 중 이었습니다.  그러나 인공신경망 의학 화상 진찰에서, 그러나 컴퓨터 시가에서 기대가 다만 일반적으로 부족하는 것을 계속했습니다.

(인공적인 신경의 약간 층으로 이루어져 있는) 얕은 통신망은 너무 컸기 때문에 교육훈련될 수 없었습니다 (인공적인 신경의 많은 층으로 이루어져 있는) 어려운 문제 및 깊은 통신망을 해결할 수 없었습니다. 중앙 2000s에 의하여 ImageNet 같이 큰 데이타세트에 초기 2010s에 있는 첫번째 중요한 성공담을 가진 이 야전에 있는 이론적인 진도가 있었습니다.

지금 갑자기, 에 의하여 심상에 있는 고양이 그리고 차를 인식하는 것이 가능하, 얼굴 승인이 능력을 발휘하고 자동적으로 그것의 내용을 기술하는 자막을 가진 심상이 레테르를 붙입니다. 의학 화상 진찰에 있는 이 강력한 AI 방법의 응용의 수사는 과거 3-4 년에서 시작하고 그것의 유년기에 있습니다 그러나 유망한 결과는 여기 저기에 보고되었습니다.  

무슨 응용이 의학 화상 진찰에 있는 기계 배우고기 및 인공 지능을 위해 있습니까?

AI 소프트웨어의 산출은 수시로 악성/양성을 위한 "yes/no" 결정인지 곳에, 많은 연구원의 초점이 진단에 있다 최근 간행물에 바탕을 두어, 주로 암 진단 각각 보입니다.

그밖 스트림은 (표하기) 암 진단과 분석에, 또한 대우 계획과 감시를 위해 인 많은 일의 주요 주의를 가진 심상의 특정 부분, 다시 분단에 작동하고 있습니다.

그러나, AI가 의학 화상 진찰에 제안할 수 있는 매우 더 많은 것이 있습니다. 그것의 잠재력을, radiogenomics를 위해 봐서, 큰 데이타세트에 있는 높게 비선형 패턴의 승인 의학 심상의 자동 자막을 넣는 것은, 및 극단적으로 복잡한 심상 내용의 정량화 및 구상, 다만 몇몇 보기입니다. 우리는 많은 분기를 가진 활발한 경로의 바로 처음부터 입니다.

조직의 특성 및 인공 지능을 가진 그들의 속성에 있는 현재 제한은 무엇입니까? 이것을 극복하기 위하여 행해지는 무슨 필요?

AI는 다른 아이디어의 기지를 둔 기술의 군중을 가진 큰 야전입니다. 깊은 곳에서 배우는 것은 다만 그들중 하나입니다, 그러나 심상 내용 최근에는 인식에 있는 최대 성공에 것입니다. 그러나, 깊은 배우는 것은 계수식 병리에 있는 다각 난관에 직면합니다.

맨먼저, 그것은 많은 표시되어 있는 (레테르를 붙인) 심상을 (요구합니다 관심사의 지구가 병리학자에 의해 수동으로 묘사된 심상) 그러나 계수식 병리의 일반적인 워크 플로우는 레테르를 붙인 심상을 제공하지 않습니다. 이것은 특정 케이스, 깊은 곳에서 배우기의 실행가능을 설명하기 위하여 소수 레테르를 붙인 심상이 제공될 수 있는 예를들면, 유방암에 작동하기 위하여 연구를 지도했습니다.

계수식 병리에서 깊은 곳에서 배우기를 위한 또 다른 중요한 도전은 문제의 dimensionality입니다. 병리 심상은 50,000의 화소에 의하여 매우 큽니다, i.e, 50,000 더 크게. 깊은 통신망은, 그러나, 300의 화소에 의하여서만 작은 입력 심상, i.e, 300 이상을 취급할 수 있습니다. (그(것)들을 더 작은 시키는) 아래로 표본 추출 심상은 정보의 손실 귀착될 것입니다.

깊은 통신망 교육훈련에 있는 추가 장애는 "공정한" 데이터로 공급되는 경우에 일반적으로, 그 당신이 인식할 필요가 있는 아무 종류나를 위한 심상의 동일 수가 거의 있는 방법 잘 능력을 발휘하다 입니다. 불균형 데이터는 통신망은 교육훈련 후에 중대한 과오를 만들 수 있다는 것을 의미하는 일반화를 방해합니다.

의 값이 있는 마지막 문제는 언급 시스템, 인공물과 소음의 존재를 이용할의 지식에 누군가가 틀린 결정으로, 결국 깊은 통신망을 바보짓을 할 수 있을 때 소위 "adversarial 공격", 의학 화상 진찰에서 특별하게 중요한 효력입니다; 우리는 우리가 사람들의 생활을 취급할 때 산법이 바보짓을 하는 것을 허용할 수 없습니다.

집중적인 연구는 많은 전선에 도전 이들과 나머지 사람을 위한 해결책을 찾아내기 위하여 하고 있습니다. 나머지 사람의 사이에서, 위에 작동되는 1개의 잠재 해결책은 "다른 도메인에서 배우고 의학 도메인으로 지식을 옮기는 것을 배우는" 이동, 입니다.

우리는 레테르를 붙인 자연적인 사진 (예를들면, 차, 마스크, 동물, 건물)의 수백만을 가진 AI를 가르치고 그 후에 histopathology 심상에 취득한 지식을 사용해서 좋습니까? 그밖 잠재적인 치료는 분류를 직접 취급하지 않는 "발생" 모형을 교육훈련하고, 전통적인 산법 및 손으로 만들어진 특징과 깊은 해결책을 결합하는 깊은 통신망으로 도메인 지식을 주사하기 위한 것입니다.  

어떻게 그밖 조직병리학적인 시험을 가진 의학 화상 진찰 상호 작용의 사용 하고자 했습니까? 그(것)들은 간단한 심상 수색으로 교환될 수 있었습니까?

확실히 아닙니다. 심상 수색은 병리학자를 지원하고 새로운 통찰력을 제공할 새로운 촉진제일 것입니다. 현재, 우리는 있을지도 심상 수색이 가장 유용하게 적합할 정확한 이해가 모르지만, 병리학자가 전부 가공의 센터에서 남아 있어야 한다는 것을 우리는 확실히 알고 있습니다.

우리가 AI 및 컴퓨터 시가에 할당하는 업무는 넓게 전문화되고 주문을 받아서 만들어질 것입니다; 그(것)들은 자연적으로 무용한 시험의 그밖 존재 (비 AI) 기술 그리고 그밖 최빈값을 만들 수 없습니다. 그것은 새로운 통찰력을 가진 기존 절차를 보충하고, 대체하지 않기에 관하여 전부 입니다; 그래서, 적어도 이것은 인도 태도이어야 합니다.    

당신이 이용한 기술 및 이 야전을 진행하기 위하여 최근 연구의 개관을 주십시오.

Kimia 실험실에, 우리는 깊은 통신망에서 기술의 군중에, 선그림 기계를 지원하기 위하여 종사하고 있습니다 현지 이원 패턴에서 라돈에 깊은 autoencoders에서 dimensionality 감소에, 변형시키거든.

우리의 연구 철학은 무조건적으로 병리학자 중심 입니다; 우리는 거기 병리 지역 사회를 도움이 되어는 AI 기술을 디자인하는 있습니다. 우리는 이것이 병리학자 및 경쟁자 아닙니다에게 기민한 조수로 AI 배치의 적당한 방법, 즉이다는 것을 납득시켜습니다.

우리는 우리가 임상 워크 플로우를 위한 마지막 사슬을 디자인할 것을 시도하기 전에 우리의 연구에 있는 기본적인 교대를 소개하고 yes/no 분류에서 관여시키기를 참고 조직 승인의 다형태 본질을 이해하기 위하여 대신 많은 실험하고 있습니다.

추가적으로, 우리는 거기를 위한 비 AI 컴퓨터 시가에 우리의 초점을이고 일에 있는 평범한 성과 뒤를 전시한 많은 재래적방법, 그러나 지금 강력한 AI에 파트너로 유효했던 더 단단 컴퓨터 플래트홈을 의지해서 재발견될 수 있습니다 분실하지 않았습니다.  

연구에서 사용했다 무슨 이점이 라돈에 변형시킵니까 있습니까?

이것은 기초가 튼튼한 기술을 못 보고 놓치지 않는 우리의 노력의 1개의 보기 입니다. 라돈은이고 오래된 기술 계산한 단층 촬영을 하는 가능하게 했습니다 저희를, 나머지 사람의 사이에서, 변형시킵니다.

심상의 작고 큰 부분에 있는 투상은 중요한 변경이 생기는 곳에 조직 특성에 관하여 압축 정보를 제공하골. 그(것)들은 AI 산법에 입력으로 다각 기술이 함께 작동하는 조정에 있는 추가 정보를 제공하는 것을 봉사해서 좋습니다.

라돈은, 깊은 통신망과 달리, 이고 뿐만 아니라 수학상으로 건강한 기술 그러나 해석할 수 있습니다 변형시킵니다. 왜 특정 심상이 선정되는지 통신망 안쪽에 곱셈 그리고 추가의 수백만이 왜 특정 결정이 한지 이해를 위한 어떤 그럴듯한 쪽도 제안하지 않더라도 반면 우리가 라돈 투상을 취득할 때 상대적으로 쉽게 이해될 수 있습니다.

그러나, 우리는 깊은 아키텍쳐를 배우는 필요로 합니다. 그러므로, 오래되고 것 및 새로운 것 결합하는 것은 우리가 몹시 안으로 투자하고 있는 무언가입니다.    

어떻게 의학 심상의 인위적으로 지적인 수색 그리고 분류는 질병 연구를 가속하고 환자 치료를 향상할 수 있습니까?

우리가 (yes/no 결정을 내리는) 병리학자의 진단 역할을 삭제하는 겨냥하는 분류 동쪽으로 향하게 한 AI를 포기하는 경우에, 우리는 의학 심상의 큰 기록 보관소에서 유사한 패턴을 확인하고 추출하는 광업 동쪽으로 향하게 한 AI 가.

s/he 검토할 때 병리학자에게 유사한 심상을 보여주는 것은 새로운 사례 만회된 케이스가 과거에서 분명하게 진단한 환자의 정보로 주석이 달리면 않는 한, 특별한 무언가가 아닙니다.

다음 우리는 계속 결코 전에 행해지지 않는 무언가가 있습니다: 우리는 의사의 집합적인 지혜 그들자신으로 컴퓨터 의논을 그(것)들에게 제공하기 위하여 두드리고 있습니다. 어려운 케이스를 위한 그밖 병리학자를 상담하는 것은 관행입니다.

그러나, 심상 수색은 저희를 줄 것입니다 접근은에 "계수식 기록을 통해서 컴퓨터로" 병리학자 (와 지구)의 수백을 전국 각지에서 상담합니다. 이것은 프로세스를 급송하고, 오류율을 감소시키고, 생명을 구하고, 그밖 업무를 위한 귀중한 병리학자 시간을 (예를들면 연구와 교육) 풀어 놓고, 마지막으로 비용을 저장합니다.

어디에서 의학 화상 진찰에 관하여 기계 배우기의 미래를 봅니까?

아마 저희의 많은 것은 몇몇 연구원이 대담하게 계획한 대로, radiogeomics가 나머지 사람의 사이에서 생검을 불필요할 시킬 질병 진단에 있는 혁명적인 변경일 것이라는 점을 희망하고 있습니다.

그러나, 가까운 장래 동안, 우리는 오히려 "합의 건물"를 봐야 합니다. 의료 진단 어려움의 표현은 명확하게 소위 "간 관찰자 가변성"에서 눈에 보입니다; 닥터는 진단 또는 측정에 동일 케이스를 줄 때 동의할 수 없습니다.

유방과 폐암 같이 어떤 케이스를 위해 불일치는 악성의 정확한 위치가 연루될 때 50%에 접근하고 초과할 조차 수 있습니다. 유사한 이상 및 악성 확인하고 만회하기를 위한 AI를 사용하여 건축 합의를 위한 수평선을 열 것입니다.

우리가 현재 환자의 데이터와 자신있게 일치할 수 있는 과거 환자의 수천 예를 찾아내서 좋은 경우에, "컴퓨터 합의"는 아주 저쪽에 없습니다. 그것의 아름다움은 AI가 어떤 진단 결정도 내리고지 않 아니라 다만 기존 의학 지혜를 이용할 수 있게 할, 다시, 지금 계수식 먼지의 유휴 아래 테라바이트인 지혜입니다.

기술이 진행하기 때문에, 앞으로는 필요 병리학자가 있을 것입니까?

1개의 측에 하는 무슨을의 병리학자의 업무 그리고 표준 노동량은 약간 전이 그러나 과민한 본질을 통해서 확실히 갈 것입니다, 궁극적인 승인 실재물로 불가결이 에 의하여 보전되는 지식의 폭에 의하여 그리고 깊이는, 상대방에, 그(것)들에게 합니다.

그것은, 병리학자 고도 시각적인 프로그램 언어를 채택해서 아주 특정 업무를 위한 그들의 자신의 AI 공작원을 디자인하고 가르치십시오 가까운 장래에서 상상할 수 있습니다. 엔지니어 아닙니다 컴퓨터 과학자 는 아니고, AI 능력 이용에게 맡겨져 있는 일 의학 지식이 있을 병리학자는일 것입니다.

독자는 어디에서 추가 정보를 찾아낼 수 있습니까?

계수식 병리에 읽힌 좋은 것 Pantanowitz와 Parwani에 의하여 책 "계수식 병리"입니다. AI의 기초에 읽힌 좋은 기술은 사이몬 Haykin에 의하여 "신경 통신망과 배우는 기계"입니다. 읽힌 다른 기술은 Goodfellow와 나머지 사람에 의하여 "깊은 곳에서" 배우고 있습니다.

Litjens에 의하여 개관을, "의학 심상 분석에서 깊은 곳에서" 배우기에 조사 얻기 위하여 및 나머지 사람은 최신 약품입니다. 계수식 병리에 있는 나 자신과 Pantanowitz (피츠버그 의료 센터의 대학) 박사 표제가 붙은 "인공 지능에 의하여 약품 - 도전과 기회"는 병리 정보 과학의 전표에서 곧 나타날 것입니다.

교수에 관하여 Hamid Tizhoosh

Hamid R. Tizhoosh 박사는 2001년부터 워털루의 대학에 그가 KIMIA 실험실 (의학 심상 분석에 있는 지식 추론을 위한 실험실)를 지도하는 곳에 기술설계의 능력에 있는 교수입니다.

그가 워털루의 대학을 결합하기 전에, 그는 그가 증강 배우기와 같은 AI 방법을 사용하여 동적인 대역폭 배부에 종사한 토론토 대학에 지식과 정보 시스템 실험실에 연구원이었습니다.

1993년부터, 그의 연구 활동은 인공 지능, 컴퓨터 시가 및 의학 화상 진찰을 포위합니다. 그는 의학 심상 필터, 분할 및 수색을 위한 산법을 개발했습니다. 그는 2권의 책, 14의 책 장의 저자, 140 전표와 회의 종이 이상입니다.

그는 또한 WatCo (워털루 상품화 사무실)와 협력하여 5개의 특허를 신청했습니다. Tizhoosh 박사는 광대한 산업 경험이 있고 수많은 회사와 일했습니다. 현재, 그는 Huron 계수식 병리의 AI 고문관, St. Jacobs, 위에, 캐나다입니다.