Inteligência artificial e aprendizagem de máquina na imagem lactente médica

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

Dê por favor uma vista geral da pesquisa passada na aprendizagem de máquina e na inteligência artificial na imagem lactente médica. Que podemos nós actualmente fazer com esta pesquisa?

As duas tarefas principais na imagem lactente médica que parecem ser predestinadas naturalmente para ser resolvido com algoritmos do AI são segmentação e classificação. A maioria das técnicas usadas na imagem lactente médica eram processamento de imagem convencional, ou algoritmos mais extensamente formulados da visão de computador.

Se pode encontrar muitos trabalhos com redes neurais artificiais, a espinha dorsal profundamente da aprendizagem. Contudo, a maioria de trabalhos foram centrados sobre a visão de computador convencional que focalizou, e ainda fazem, em características “handcrafted”, as técnicas que eram os resultados do projecto manual a extrair útil e diferenciando a informação das imagens médicas.

Algum progresso era visível no final de 90s e 2000s adiantado (por exemplo, o método PENEIRAR em 1999, ou os dicionários visuais ao princípio de 2000 s) mas não havia nenhuma descoberta. Contudo, as técnicas como a aglomeração e a classificação estavam no uso com sucesso moderado.

os K-meios (um método de aglomeração velho), as máquinas do vector do apoio (SVM), os esquemas probabilísticas, e as árvores de decisões e suas florestas aleatórias do ` prolongado da versão' estavam entre aproximações bem sucedidas.  Mas as redes neurais artificiais continuaram a ser insuficiente geralmente das expectativas não apenas na imagem lactente médica, mas na visão de computador.

As redes rasas (que consistem em algumas camadas de neurônios artificiais) não poderiam resolver problemas difíceis e as redes profundas (que consistem em muitas camadas de neurônios artificiais) não poderiam ser treinadas porque eram demasiado grandes. Em meados de 2000 s lá era progresso teórico neste campo com as primeiras histórias de sucesso principais ao princípio de 2010 s em grandes conjunto de dados como ImageNet.

Agora de repente, era possível reconhecer gatos e carros em uma imagem, executa o reconhecimento facial e etiqueta automaticamente imagens com um subtítulo que descreve seu índice. As investigações das aplicações destes métodos poderosos do AI na imagem lactente médica começaram nos 3-4 anos passados e estão em sua infância mas os resultados prometedores foram relatados aqui e ali.  

Que aplicações há para a aprendizagem de máquina e a inteligência artificial na imagem lactente médica?

Baseado em publicações recentes, parece que o foco de muitos pesquisadores está no diagnóstico, principalmente diagnóstico do cancro, onde a saída do software do AI é frequentemente uma decisão “sim/não” para maligno/benigno, respectivamente.

O outro córrego está trabalhando em segmentar (marcação) partes específicas das imagens, outra vez com a atenção principal de muitos trabalhos que são no diagnóstico e na análise do cancro, mas igualmente para o planeamento e a monitoração de tratamento.

Contudo, há muito mais que o AI pode oferecer à imagem lactente médica. Olhando seus potenciais para o radiogenomics, auto-subtitular de imagens médicas, reconhecimento de testes padrões altamente não-lineares em grandes conjunto de dados, e quantificação e visualização do índice extremamente complexo da imagem, é apenas alguns exemplos. Nós somos no princípio de um trajecto emocionante com muitas bifurcações.

Que são as limitações actuais na caracterização dos tecidos e em seus atributos com inteligência artificial? Que necessidades de ser feito para superar isto?

O AI é um grande campo com uma multidão de técnicas baseadas de ideias diferentes. Profundamente aprender é apenas uma delas, mas é essa com a maioria de sucesso em reconhecer o índice da imagem nos últimos anos. Contudo, a aprendizagem profunda enfrenta desafios múltiplos na patologia digital.

Principalmente, exige um grande número imagens (etiquetadas) marcadas (as imagens em que a região de interesse foi traçada manualmente por um patologista) mas os trabalhos gerais da patologia digital não fornecem imagens etiquetadas. Isto conduziu a pesquisa para trabalhar em casos específicos, por exemplo, o cancro da mama, para que um pequeno número de imagens etiquetadas podem ser fornecidas para demonstrar a possibilidade profundamente da aprendizagem.

Um outro desafio principal para profundamente aprender na patologia digital está a uma extensibilidade do problema. As imagens da patologia são extremamente grandes, isto é, maior de 50.000 por 50.000 pixéis. As redes profundas, contudo, podem somente segurar as imagens pequenas da entrada, isto é, não maior de 300 por 300 pixéis. as imagens da Para baixo-amostra (que fazem as menores) conduziriam a uma perda de informação.

Um obstáculo mais adicional em treinar redes profundas é que executam geralmente bem se são alimentadas com dados “equilibrados”, esse os meios que têm quase o mesmo número de imagens para qualquer categoria que você precisar de reconhecer. Os dados desequilibrado impedem a generalização, que significa que a rede pode fazer erros graves após a formação.

Uma menção final do valor do problema é “os ataques adversarial assim chamados” quando alguém com conhecimento do sistema, ou de explorar a presença de produtos manufacturados e de ruído, poderia eventualmente enganar uma rede profunda em uma decisão errada, um efeito que seja extraordinària importante na imagem lactente médica; nós não podemos permitir que os algoritmos sejam enganados quando nós estamos tratando as vidas do pessoa.

A pesquisa intensiva está sendo conduzida em muitas partes dianteiras para encontrar soluções para estes e outro desafios. Entre outros, uma solução potencial que está sendo trabalhada sobre é “transferência que aprende”, aprender em um domínio diferente e transferir o conhecimento no domínio médico.

Podemos nós ensinar o AI com milhões de fotos naturais etiquetadas (por exemplo, carros, faces, animais, construções) e então usar o conhecimento adquirido em imagens da histopatologia? Outros remédios potenciais são injectar o conhecimento do domínio nas redes profundas, treinando os modelos “generative” que não tratam directamente a classificação, e combinando soluções profundas com os algoritmos convencionais e as características handcrafted.  

Como o uso da interacção da imagem lactente médica com outros testes histopatológicos? Podiam ser substituídos com uma busca simples da imagem?

Definida não. As buscas da imagem seriam um facilitador novo que ajudasse ao patologista e fornecesse introspecções novas. Presentemente, nós não podemos ter uma compreensão exacta de onde a busca da imagem caiba o mais ùtil, mas nós sabemos certamente que o patologista deve permanecer no centro toda do processamento.

As tarefas que nós atribuímos ao AI e à visão de computador extensamente serão especializadas e personalizadas; naturalmente não podem render outras tecnologias (não-AI) existentes e outros modos de testes inúteis. É toda sobre a complementação de procedimentos existentes com introspecções novas, e a substituição delas; bem, pelo menos esta deve ser a atitude de guiamento.    

Dê por favor uma vista geral de sua pesquisa recente para avançar este campo e as técnicas que você usou.

No laboratório de Kimia, nós temos trabalhado em uma multidão de técnicas, das redes profundas para apoiar máquinas do vector, dos testes padrões binários locais ao rádon transforme, e dos autoencoders profundos à redução da extensibilidade.

Nossa filosofia da pesquisa é incondicionalmente patologista-céntrica; nós estamos lá projectar as técnicas de AI que servem a comunidade da patologia. Nós somos convencidos que esta é a maneira direita de distribuir o AI, a saber como um assistente esperto ao patologista e não a um concorrente.

Nós introduzimos uma SHIFT fundamental em nossa pesquisa e abstivemo-nos do contrato na classificação sim/não e pelo contrário estamos conduzindo muitas experiências para compreender a natureza polimorfo do reconhecimento do tecido antes que nós tentemos projectar uma corrente final para os trabalhos clínicos.

Além, nós não perdemos nosso foco na visão de computador não-AI para lá somos muitos métodos convencionais que exibiram a parte traseira medíocre do desempenho no dia, mas podemos agora ser redescobertos como sócios ao AI poderoso confiando nas plataformas computacionais mais rápidas disponíveis.  

Que vantagens há ao rádon transforma que você se usou em sua pesquisa?

Este é um exemplo de nossos esforços para não perder de vista tecnologias bem conhecidas. O rádon transforma é uma técnica velha e permitiu-nos, entre outros, de fazer o tomografia computorizada.

As projecções em partes pequenas e grandes da imagem podem fornecer informação comprimida sobre características do tecido e onde as mudanças significativas ocorrem. Podem servir como entradas aos algoritmos do AI para fornecer a informações adicionais em um ajuste onde as tecnologias múltiplas trabalhem junto.

O rádon transforma é não somente uma tecnologia matematicamente sadia mas, em contraste com redes profundas, é interpretable. Porque uma imagem específica está seleccionada pode ser relativamente de fácil compreensão quando nós adquirimos projecções do rádon, visto que milhões de multiplicações e de adições dentro de uma rede não oferecem nenhuma maneira plausível para compreender porque uma decisão específica foi feita.

Contudo, nós precisamos arquiteturas profundas de aprender. Daqui, combinar o velho e o novo é algo que nós estamos investindo pesadamente dentro.    

Como podem a busca e a categorização artificial inteligentes de imagens médicas acelerar a pesquisa da doença e melhorar o assistência ao paciente?

Se nós abandonamos o AI classificação-orientado (que faz decisões sim/não), que visa eliminar o papel diagnóstico do patologista, a seguir nós somos deixados com o AI mineração-orientado que identifica e extrai testes padrões similares dos grandes ficheiros de imagens médicas.

Mostrar imagens similares ao patologista quando está examinando um novo caso não é algo extraordinário, a menos que os casos recuperados forem anotados com a informação de pacientes evidente diagnosticados do passado.

Então nós temos algo que tem sido feito nunca antes: nós estamos batendo na sabedoria colectiva dos médicos ela mesma para fornecê-los a consulta computacional. Consultar outros patologistas para casos difíceis é uma prática comum.

Contudo, a busca da imagem dar-nos-á que o acesso a “computacionalmente” consulta centenas de patologistas em todo o país (e do globo) através dos registros digitais. Isto expedirá o processo, reduz taxas de erro, salvar vidas, libera o tempo valioso do patologista para outras tarefas (por exemplo pesquisa e educação), e salvar finalmente custos.

Onde você vê o futuro da aprendizagem de máquina a propósito da imagem lactente médica?

Talvez muitos de nós estão esperando que o radiogeomics seria uma mudança revolucionária no diagnóstico da doença que entre outros faria a biópsia supérflua, como alguns pesquisadores prevêem audaciosa.

Contudo, para o futuro próximo, nós devemos um pouco olhar de “a construção consenso”. A manifestação da dificuldade do diagnóstico médico é claramente visível do “na variabilidade assim chamada inter-observador”; os doutores não podem concordar com um diagnóstico ou uma medida quando dados o mesmo caso.

Para alguns casos como o peito e o câncer pulmonar o desacordo pode aproximar e mesmo exceder 50% quando o lugar exacto da malignidade é involvido. Usar o AI para identificar e recuperar anomalias e malignidades similares abrirá o horizonte para o consenso de construção.

Se nós podemos encontrar diverso mil exemplos dos pacientes passados que podem segura ser combinados com os dados do paciente actual, a seguir “um consenso computacional” não está longe. A beleza dela é, outra vez, que o AI não estará fazendo nenhuma decisão diagnóstica mas apenas estará fazendo a sabedoria médica existente acessível, a sabedoria que é actualmente Terabyte inferiores alqueivados da poeira digital.

Porque a tecnologia avança, haverá patologistas de uma necessidade no futuro?

As tarefas e a carga de trabalho dos patologistas atravessarão certamente alguma transformação mas a natureza sensível do que fazem em um lado, e a largura e a profundidade do conhecimento que guardara, no outro lado, fazem-lhe o indispensável como as entidades finais do reconhecimento.

É imaginável no futuro próximo que, empregando linguagens de programação visuais de nível elevado, os patologistas projectam e ensinam seus próprios agentes do AI para tarefas muito específicas. Não coordenadores, não cientistas de computador, será os patologistas que teriam o conhecimento médico a ser responsável de explorar as capacidades do AI.

Onde podem os leitores encontrar mais informação?

Um bom lido na patologia digital é o livro de “patologia Digitas” por Pantanowitz e por Parwani. Um bom técnico lido em fundações do AI é “redes neurais e máquinas de aprendizagem” por Simon Haykin. Um outro técnico lido “está aprendendo profundamente” por Goodfellow e por outro.

Para obter uma vista geral, “uma avaliação na aprendizagem profundamente na análise de imagem médica” por Litjens e outro são um artigo atualizado. Um artigo pela inteligência artificial intitulada mim mesmo e do Dr. Pantanowitz (universidade do centro médico de Pittsburgh) “na patologia digital - os desafios e as oportunidades” aparecerão logo no jornal da informática da patologia.

Sobre o prof. Hamid Tizhoosh

O Dr. Hamid R. Tizhoosh é um professor na faculdade da engenharia na universidade de Waterloo desde 2001 onde conduz o laboratório de KIMIA (laboratório para a inferência do conhecimento na análise de imagem médica).

Antes que se juntou à universidade de Waterloo, foi um investigador associado no laboratório dos sistemas do conhecimento e da inteligência na universidade de toronto onde trabalhou na atribuição dinâmica da largura de faixa usando métodos do AI tais como a aprendizagem do reforço.

Desde 1993, suas actividades de pesquisa abrangem a inteligência artificial, a visão de computador e a imagem lactente médica. Desenvolveu algoritmos para a filtração, a segmentação e a busca médicas da imagem. É o autor de dois livros, 14 capítulos do livro, e mais de 140 jornais e papéis da conferência.

Igualmente arquivou 5 patentes em colaboração com WatCo (escritório da comercialização de Waterloo). O Dr. Tizhoosh tem a experiência industrial extensiva e trabalhou com empresas numerosas. Presentemente, é o conselheiro da patologia de Huron Digital, St. Jacobs do AI, SOBRE, Canadá.