Учить искусственного интеллекта и машины в медицинском воображении

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

Пожалуйста дайте обзор прошлого исследования в учить машины и искусственного интеллекта в медицинском воображении. Чего могл мы в настоящее время сделать с этим исследованием?

2 главных задачи в медицинском воображении которая кажется, что естественно predestined быть разрешенным с алгоритмами AI сегментация и классифицирование. Большой часть из методов используемых в медицинском воображении были обычной обработкой изображений, или более широко сформулированными алгоритмами зрения компьютера.

Можно найти много работ с искусственними нервными системами, костяк глубоко учить. Однако, большинств работы были сфокусированы на обычном зрении компьютера которое сфокусировало, и все еще делают, на «handcrafted» характеристиках, методы которые были результатами ручной конструкции, котор нужно извлечь полезно и дифференцирующ информацию от медицинских изображений.

Некоторый прогресс был видим в последнем 90s и предыдущем 2000s (на пример, методе ПРОСЕИВАТЬ в 1999, или визуально словарях в предыдущем 2000s) но были никакие прорывы. Однако, методы как связывать и классифицирование находились в пользе с вмеру успехом.

K-середины (старый связывая метод), машины вектора поддержки (SVM), вероятностные схемы, и дерева решений и их пущи выдвинутого ` версии случайные' находились среди успешных подходов.  Но искусственние нервные системы продолжались к падали ниже требуемог ожиданностей не как раз в медицинском воображении, но в зрении компьютера вообще.

Отмелые сети (состоя из немного слоев искусственних невронов) не смогли разрешить трудные проблемы и глубокие сети (состоя из много слоев искусственних невронов) не смогли быть натренированы потому что они были слишком большими. средний 2000s был теоретический прогресс в этом поле с первыми главными историями успеха в предыдущем 2010s на больших наборах данных как ImageNet.

Теперь внезапно, было возможно узнать котов и автомобилей в изображении, выполняет лицевое опознавание и автоматически обозначает изображения при титр описывая свое содержание. Исследования применений этих мощных методов AI в медицинском воображении начинали в прошлых 3-4 летах и в своем младенчестве но перспективнейшие результаты были сообщены здесь и там.  

Какие применения для учить и искусственного интеллекта машины в медицинском воображении?

Основано на недавних изданиях, оно кажется что фокус много исследователей на диагнозе, главным образом диагноз рака, где выход ПО AI часто «yes/no» решение для злокачественного/доброкачественного, соответственно.

Другой поток работает на делить на сегменты (маркировка) специфические части изображений, снова с главным вниманием много работ на диагнозе и анализе рака, но также для запланирования и контроля обработки.

Однако, очень больше которые AI может предложить к медицинскому воображению. Смотрящ свои потенциалы для radiogenomics, автоматическ-captioning медицинских изображений, опознавание сильно нелинейных картин в больших наборах данных, и квантификация и визуализирование весьма сложного содержания изображения, как раз некоторые примеры. Мы в самом начале exciting путя с много развилок.

Что настоящие ограничения в характеризации тканей и их атрибутах с искусственным интеллектом? Какие потребности быть сделанным для того чтобы отжать это?

AI большое поле с множеством методов основанных различных идей. Глубоко учить как раз одно из их, но оно одно с большинств успехом в узнавать содержание изображения в недавних летах. Однако, глубокий учить смотрит на множественные возможности в цифровой патологии.

На первом плане, оно требует большое количество маркированных (обозначенных) изображений (изображения в которых зона интереса вручную была определена патологоанатомом) но общий поток операций цифровой патологии не обеспечивает обозначенные изображения. Это водило исследование для работы на конкретных случаях, например, раке молочной железы, для которого немного обозначенных изображений можно обеспечить, что продемонстрировали осуществимость глубоко учить.

Другая главная возможность для глубоко учить в цифровой патологии размерность проблемы. Изображения патологии весьма большие, т.е., более в большинстве чем 50.000 50.000 пикселами. Глубокие сети, однако, могут только отрегулировать малые изображения входного сигнала, т.е., более в большинстве чем 300 300 пикселами. изображения Вниз-забора (делая их более малым) привели бы к в потере информации.

Более последующая препона в тренировке глубоких сетей что они вообще выполняют хорошо если они поданы с «сбалансированными» данными, то, т середины имея почти такое же число изображений для любой категории вам нужно узнать. Imbalanced данные препятствуют обобщение, которое значит что сеть может совершить тягчайшие ошибки после тренировки.

Окончательный упоминать стоимости проблемы так называемые «adversarial нападения» когда кто-то с знанием системы, или эксплуатировать присутсвие артефактов и шума, смогло окончательно околпачить глубокую сеть в неправильное решение, влияние которое внесметно важно в медицинском воображении; мы не можем позволить алгоритмам быть околпаченным когда мы общаемся с жизнями людей.

Интенсивнейшее исследование дирижируется на много фронтов для того чтобы найти разрешения для этих и другого возможности. Среди других, одно потенциальное разрешение будучи работанным дальше «переход учя», выучить в различном домене и возвратить знание в медицинский домен.

Можем мы научить AI с миллионами обозначенных естественных фото (например, автомобилей, сторон, животных, зданий) и после этого использовать приобретенному знанию на изображениях гистопатологии? Другие потенциальные выходы впрыснуть знание домена в глубокие сети, тренируя «генеративные» модели которые сразу не общаются с классифицированием, и совмещая глубокие разрешения с обычными алгоритмами и handcrafted характеристиками.  

Как польза взаимодействия медицинского воображения с другими патогистологическими испытаниями? Смогли они быть заменены с простым поиском изображения?

Определенно не. Поиски изображения был бы новым координатором который поможет патологоанатому и обеспечит новые проницательности. В настоящее время, мы не можем иметь точное вникание где поиск изображения приспосабливать само полезно, но мы знаем для конечно того патологоанатом должен остать в центре совсем обрабатывать.

Задачи которые мы задаем к AI и зрению компьютера широко будут специализированы и будут подгоняны; они естественно не могут представить другие существуя технологии (non-AI) и другие режимы испытаний никудышных. Он совсем о комплектовать существующие процедуры с новыми проницательностями, и не заменять их; хорошо, хотя бы это должно быть направляя ориентацией.    

Пожалуйста дайте обзор вашего недавнего исследования для того чтобы выдвинуть это поле и методы которое вы использовали.

На лаборатории Kimia, мы работали на множестве методов, от глубоких сетей для того чтобы поддержать машины вектора, от местных бинарных картин к радону преобразуйте, и от глубоких autoencoders к уменьшению размерности.

Наше общее соображение исследования безусловно патологоанатом-центрально; мы там конструировать методы AI которые служят община патологии. Мы убежены что это правый путь раскрывать AI, namely как умный ассистент к патологоанатому и не конкуренту.

Мы ввели основной перенос в наше исследование и воздержались от включать в yes/no классифицировании и вместо дирижируем много экспериментов для того чтобы понять polymorphic природу опознавания ткани прежде чем мы попытаем конструировать окончательную цепь для клинического потока операций.

В добавлении, мы не потеряли наш фокус на зрении компьютера non-AI для там много обычные методы которые показали бесталанную заднюю часть представления в дне, но можем теперь быть переоткрыты как соучастники к мощному AI путем полагаться на более быстрых вычислительных платформах доступных.  

Какие преимущества к радону преобразовывают что вы использовали в вашем исследовании?

Это один пример наших усилий не потерять визирование солидных технологий. Радон преобразовывает старый метод и позволял мы, среди других, сделать вычисленную томографию.

Проекции в малых и больших частях изображения могут обеспечить обжатую информацию о характеристиках ткани и где значительные изменения происходят. Они могут служить как входные сигналы к алгоритмам AI обеспечить дополнительную информацию в установке где множественные технологии работают совместно.

Радон преобразовывает не только математически ядровая технология но, в отличие от глубоких сетей, interpretable. Почему специфическое изображение выбрано можно относительно легко понять когда мы приобретаем проекции радона, тогда как миллионы умножений и добавлений внутри сети не предлагают никакой правдоподобный путь для понимать почему специфическое решение было сделано.

Однако, нам нужно глубокие зодчеств выучить. Следовательно, совмещать старую и новую что-то мы тяжело инвестируем внутри.    

Как могут искусственни толковейшие поиск и категоризация медицинских изображений ускорить ход исследования заболеванием и улучшить терпеливейшей внимательности?

Если мы покидаем классифицировани-ориентированный AI (делая yes/no решения), то который направляет на исключать диагностическую роль патологоанатома, тогда мы выйдены с минировани-ориентированным AI который определяет и извлекает подобные картины от больших архивохранилищ медицинских изображений.

Показывать подобные изображения к патологоанатому когда он рассматривает новый случай нет что-то внесметного, если восстановленные случаи не аннотированы с информацией очевидно диагностированных пациентов от прошлого.

После этого мы имеем что-то которое никогда не было сделано раньше: мы выстукиваем в собирательную премудрость сами врачей для того чтобы обеспечить их с вычислительной консультацией. Советоватьть с другими патологоанатомами в трудные случаи обычная практика.

Однако, поиск изображения передаст мы доступ к «вычислительно» советует с сотниами патологоанатомов по всей стране (и глобуса) через цифровые показатели. Это ускорит процесс, уменьшает частоты повторения ошибок, сохраняет жизни, выпускает ценное время патологоанатома для других задач (например исследование и образование), и окончательно сохраняет цены.

Где вы видите будущее учить машины относительно медицинского воображения?

Возможно много из нас надеются что radiogeomics было революционным изменением в диагнозе заболеванием который среди других сделал бы биопсию излишним, по мере того как некоторые исследователя дерзки envision.

Однако, на обозримое будущее, мы должны довольно посмотреть «достижение согласия». Выраженность затруднения медицинского диагноза ясно видима в так называемой «изменчивости взаимо--наблюдателя»; доктора не могут приходить к согласию относительн диагноз или измерение дано такой же случай.

В некоторые случаи как грудь и рак легких рассогласование может причалить и даже превысить 50% когда точное положение злобности включено. Используя AI для определять и восстановлять подобные ненормальности и злобности раскроет горизонт для строя консенсуса.

Если мы можем найти нескольк тысяча случаев прошлых пациентов, то которым можно уверенно соответствовать с данными настоящего пациента, тогда «вычислительный консенсус» далеко не отсутствующий. Красотка ее, снова, что AI не будет делать никакое диагностическое решение а как раз будет делать существующую медицинскую премудрость доступным, премудрость которая в настоящее время залежные нижние терабайты цифровой пыли.

По мере того как технология выдвигается, будут патологоанатомы потребности в будущем?

Задачи и рабочая нагрузка патологоанатомов определенно пойдут через некоторое преобразование но чувствительную природу чего они делают на одной стороне, и ширина и глубина знания они держит, на другой стороне, делают ими indispensable как типичные реальности опознавания.

Оно воображаем в близком будующем которому, путем использовать высокопоставленные визуально языки программирования, патологоанатомы конструируют и учат их собственные агенты AI для очень специфических задач. Не инженеры, не программисты, это будет патологоанатомами которые имели бы медицинское знание, котор нужно быть на попечении эксплуатировать возможности AI.

Где могут читатели найти больше информации?

Хорошее прочитанное на цифровой патологии книга «патология цифров» Pantanowitz и Parwani. Хорошее техническое прочитанное на учредительствах AI «нервные системы и обучающаяся машина» Simon Haykin. Другое прочитанное техническое «глубоко учит» Goodfellow и другими.

Для того чтобы получить обзор, «обзор на глубоко учить в медицинском анализе изображения» Litjens и другие последняя статья. Статья собой и искусственным интеллектом Др. Pantanowitz (университета центра Питтсбурга медицинского) озаглавленным «в цифровой патологии - возможности и возможности» скоро появятся в журнал Informatics патологии.

О Prof Hamid Tizhoosh

Др. Hamid R. Tizhoosh профессор в факультете Инджиниринга на университете Ватерлоо с 2001 где он водит лабораторию KIMIA (лабораторию для подразумеваемого знания в медицинском анализе изображения).

Прежде чем он соединил университет Ватерлоо, он был научно-исследовательским сотрудником на лаборатории систем знания и сведении на университете Торонто где он работал на динамическом распределении ширины полосы частот используя методы AI как учить подкрепления.

С 1993, его научно-исследовательские работы включают искусственный интеллект, зрение компьютера и медицинское воображение. Он начал алгоритмы для медицинских фильтровать, сегментации и поиска изображения. Он автор 2 книг, 14 глав книги, и больше чем 140 журнал и бумаг конференции.

Он также хранил 5 патентов в сотрудничестве с WatCo (офисом коммерциализации Ватерлоо). Др. Tizhoosh имеет обширный промышленный опыт и работал с многочисленними компаниями. В настоящее время, он советник патологии Huron цифров, St. Jacobs AI, ДАЛЬШЕ, Канада.