Inteligencia artificial y aprendizaje de máquina en proyección de imagen médica

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

Dé por favor una reseña de la última investigación en el aprendizaje de máquina y la inteligencia artificial en proyección de imagen médica. ¿Cuál podemos actualmente hacer con esta investigación?

Las dos tareas mayores en proyección de imagen médica que aparecen ser predestinadas naturalmente para ser resuelto con algoritmos del AI son segmentación y clasificación. La mayor parte de las técnicas usadas en proyección de imagen médica eran tratamiento de la imagen convencional, o algoritmos más extensamente formulados de la visión de computador.

Uno puede encontrar muchos trabajos con las redes neuronales artificiales, la espina dorsal profundamente del aprendizaje. Sin embargo, la mayoría de los trabajos fueron centrados en la visión de computador convencional que enfocó, y todavía hacen, en características “handcrafted”, las técnicas que eran los resultados del diseño manual a extraer útil y distinguiendo la información de imágenes médicas.

Un cierto progreso era visible a finales de 90s y 2000s temprano (por ejemplo, el método del TAMIZAR en 1999, o los diccionarios visuales a principios de 2000 s) pero no había rupturas. Sin embargo, las técnicas como el agrupamiento y la clasificación eran funcionando con éxito moderado.

los K-medios (un viejo método de agrupamiento), las máquinas del vector del apoyo (SVM), los esquemas de probabilidad, y los árboles de decisiones y sus bosques al azar del ` extendido de la versión' estaban entre aproximaciones acertadas.  Pero las redes neuronales artificiales continuaron faltar expectativas no apenas en proyección de imagen médica, pero en la visión de computador en general.

Las redes bajas (que consisten en algunas capas de neuronas artificiales) no podrían resolver problemas difíciles y las redes profundas (que consisten en muchas capas de neuronas artificiales) no podrían ser entrenadas porque eran demasiado grandes. A mediados de 2000 s allí era progreso teórico en este campo con los primeros casos de éxito mayores a principios de 2010 s en grupos de datos grandes como ImageNet.

Ahora repentinamente, era posible reconocer gatos y los vehículos en una imagen, realiza el reconocimiento facial y etiqueta automáticamente imágenes con un encabezamiento que describía su contenido. Las investigaciones de usos de estos métodos potentes del AI en proyección de imagen médica han comenzado en los últimos 3-4 años y están en su infancia pero los resultados prometedores se han denunciado aquí y allá.  

¿Qué usos hay para el aprendizaje de máquina y la inteligencia artificial en proyección de imagen médica?

De acuerdo con publicaciones recientes, parece que el foco de muchos investigadores está en diagnosis, principal diagnosis del cáncer, donde está a menudo una decisión el rendimiento del software del AI “sí/no” para malo/benigno, respectivamente.

La otra corriente está trabajando en el segmento (marca) de las partes en segmentos específicas de las imágenes, otra vez con la atención principal de muchos trabajos que están en diagnosis y análisis del cáncer, pero también para la formulación de planes y la supervisión de tratamiento.

Sin embargo, hay mucho más que el AI puede ofrecer a la proyección de imagen médica. Observando sus potenciales para el radiogenomics, el auto-subtitular de imágenes médicas, reconocimiento de configuraciones altamente no lineales en grupos de datos grandes, y cuantificación y visualización del contenido extremadamente complejo de la imagen, es apenas algunos ejemplos. Estamos al principio de un camino emocionante con muchas bifurcaciones.

¿Cuáles son las limitaciones actuales en la caracterización de tejidos y sus atributos con inteligencia artificial? ¿Qué necesidades de ser hecho para vencer esto?

El AI es un campo grande con una multitud de técnicas basadas de diversas ideas. Profundamente el aprendizaje es apenas uno de ellas, pero es el que está con la mayoría del éxito en el reconocimiento del contenido de la imagen estos últimos años. Sin embargo, el aprendizaje profundo hace frente a retos múltiples en patología digital.

Sobre todo, requiere un gran número de imágenes (etiqueta) marcadas (las imágenes en las cuales la región de interés ha sido delineada manualmente por un patólogo) pero el flujo de trabajo general de la patología digital no ofrece imágenes etiqueta. Esto ha llevado la investigación para trabajar en los casos específicos, e.g., el cáncer de pecho, para el cual una pequeña cantidad de imágenes etiqueta se pueden ofrecer para demostrar la viabilidad profundamente del aprendizaje.

Otro reto importante para profundamente aprender en patología digital es la dimensionalidad del problema. Las imágenes de la patología son extremadamente grandes, es decir, más en gran parte de 50.000 por 50.000 pixeles. Las redes profundas, sin embargo, pueden manejar solamente las pequeñas imágenes de la entrada, es decir, no más en gran parte que 300 por 300 pixeles. las imágenes del Hacia abajo-muestreo (que las hacen más pequeñas) darían lugar a una baja de la información.

Otro obstáculo en el entrenamiento de redes profundas es que se realizan generalmente bien si se introducen con datos “equilibrados”, ese los medios que tienen casi el mismo número de imágenes para cualquier categoría que usted necesite reconocer. Los datos Imbalanced impiden la generalización, que significa que la red puede incurrir en equivocaciones graves después de entrenar.

Un problema final digno de mencionar es los supuestos “ataques adversarial” cuando alguien con el conocimiento del sistema, o de explotar la presencia de artefactos y de ruido, podría engañar eventual una red profunda en una decisión incorrecta, un efecto que sea extraordinario importante en proyección de imagen médica; no podemos permitir que los algoritmos sean engañados cuando nos estamos ocupando de las vidas de la gente.

La investigación intensiva está conducto en muchos frentes para encontrar las soluciones para éstos y otro los retos. Entre otros, una solución potencial que es trabajada conectado es “transferencia que aprende”, aprender en un diverso dominio y transferir el conocimiento en el dominio médico.

¿Podemos enseñar al AI con millones de fotos naturales etiqueta (e.g., vehículos, caras, animales, edificios) y después utilizar el conocimiento detectado en imágenes de la histopatología? Otros remedios potenciales son inyectar conocimiento del dominio en las redes profundas, entrenando a los modelos “generativos” que no se ocupan directamente de la clasificación, y combinando soluciones profundas con algoritmos convencionales y características handcrafted.  

¿Cómo el uso de la interacción de la proyección de imagen médica con otras pruebas histopatológicas? ¿Podían ser reemplazadas por una búsqueda simple de la imagen?

Definitivamente no. Las búsquedas de la imagen serían un nuevo facilitador que ayudará al patólogo y ofrecerá nuevos discernimientos. Actualmente, no podemos tener una comprensión exacta de donde la búsqueda de la imagen ajustaría lo más provechosamente posible, pero sabemos con seguridad que el patólogo debe permanecer en el centro todo del tramitación.

Las tareas que destinamos al AI y a la visión de computador serán especializadas y modificadas para requisitos particulares extensamente; no pueden rendir naturalmente otras tecnologías existentes (no-AI) y otras maneras de las pruebas inútiles. Está todo sobre la complementación de procedimientos existentes con nuevos discernimientos, y no reemplazarlos; bien, por lo menos ésta debe ser la actitud que conduce.    

Dé por favor una reseña de su investigación reciente para avance este campo y las técnicas que usted ha utilizado.

En el laboratorio de Kimia, hemos estado trabajando en una multitud de técnicas, de redes profundas para soportar las máquinas del vector, de configuraciones binarias locales al radón transforme, y de autoencoders profundos a la reducción de la dimensionalidad.

Nuestra filosofía de la investigación es incondicional patólogo-céntrica; estamos allí diseñar las técnicas de AI que sirven a la comunidad de la patología. Nos convencen de que ésta es la manera correcta de desplegar el AI, a saber como ayudante elegante al patólogo y no a un competidor.

Introdujimos un movimiento fundamental en nuestra investigación y nos refrenamos de empeñar a la clasificación sí/no y en lugar de otro estamos conducto muchos experimentos para entender la naturaleza polimórfica del reconocimiento del tejido antes de que tentativa diseñar una cadena final para el flujo de trabajo clínico.

Además, no hemos perdido nuestro foco en la visión de computador no-AI para allí somos muchos métodos convencionales que exhibieron el dorso mediocre del funcionamiento en el día, pero podemos ahora ser redescubiertos como socios al AI potente confiando en las plataformas de cómputo más rápidas disponibles.  

¿Qué ventajas hay al radón transforma que usted utilizó en su investigación?

Éste es un ejemplo de nuestros esfuerzos de no perder de vista tecnologías establecidas. El radón transforma es una vieja técnica y nos ha permitido, entre otros, hacer la tomografía calculada.

Las proyecciones en las partes pequeñas y grandes de la imagen pueden ofrecer la información comprimida sobre características del tejido y donde ocurren los cambios importantes. Pueden servir como entradas a los algoritmos del AI ofrecer la información adicional en una fijación donde las tecnologías múltiples trabajan juntas.

El radón transforma es no sólo una tecnología matemáticamente sana pero, en contraste con redes profundas, es interpretable. Porqué se selecciona una imagen específica puede ser relativamente facilmente comprensible cuando detectamos proyecciones del radón, mientras que millones de multiplicaciones y de adiciones dentro de una red no ofrecen ninguna manera plausible para entender porqué se ha tomado una decisión específica.

Sin embargo, necesitamos configuraciones profundas aprender. Por lo tanto, combinar el viejo y el nuevo es algo que estamos invirtiendo pesado hacia adentro.    

¿Cómo pueden la búsqueda y la clasificación artificial inteligentes de imágenes médicas acelerar la investigación de la enfermedad y perfeccionar atención a los pacientes?

Si abandonamos el AI clasificación-orientado (que toma decisiones sí/no), que tiene como objetivo el eliminar del papel diagnóstico del patólogo, después nos dejan con el AI explotación-orientado que determina y extrae configuraciones similares de los archivos grandes de imágenes médicas.

Mostrar imágenes similares al patólogo cuando él está examinando un nuevo caso no es algo extraordinario, a menos que los casos extraídos se anoten con la información de pacientes evidentemente diagnosticados a partir del pasado.

Entonces tenemos algo que nunca se ha hecho antes: estamos golpeando ligeramente en la sabiduría colectiva de los médicos ellos mismos para proveer de ellos la consulta de cómputo. La consulta de otros patólogos para los casos difíciles es una práctica común.

Sin embargo, la búsqueda de la imagen nos dará que el acceso a consulta “de cómputo” a centenares de patólogos en todo el país (y del globo) a través de archivos digitales. Esto acelerará el proceso, reduce tasas de error, salva vidas, libera el tiempo valioso del patólogo para otras tareas (e.g investigación y educación), y finalmente salva costos.

¿Dónde usted ve el futuro del aprendizaje de máquina en lo que respecta a proyección de imagen médica?

Quizás muchos de nosotros están esperando que el radiogeomics sería un cambio revolucionario en la diagnosis de la enfermedad que entre otros haría la biopsia superflua, como algunos investigadores preven audaz.

Sin embargo, para el futuro próximo, debemos observar bastante el “logro de un consenso”. La manifestación de la dificultad del diagnóstico médico es sin obstrucción visible en la supuesta “variabilidad del interobservador”; los doctores no pueden estar de acuerdo con una diagnosis o una medición cuando están dados el mismo caso.

Para algunos casos como cáncer del pecho y de pulmón el desacuerdo puede acercarse e incluso exceder del 50% cuando la situación exacta de la malignidad está implicada. Usando el AI para determinar y extraer anormalidades y malignidades similares abrirá el horizonte para el consenso constructivo.

Si podemos encontrar varios miles de casos de los últimos pacientes que pueden ser igualados con confianza con los datos del paciente actual, después un “consenso de cómputo” no está lejos. La belleza de ella es, otra vez, que el AI no tomará ninguna decisión diagnóstica sino apenas hará la sabiduría médica existente accesible, la sabiduría que es actualmente Terabyte inferiores en barbecho del polvo digital.

¿Pues la tecnología avance, habrá patólogos de una necesidad en el futuro?

Las tareas y la carga de trabajo de los patólogos pasarán ciertamente a través de una cierta transformación pero de la naturaleza sensible de lo que hacen en un lado, y la anchura y la profundidad del conocimiento que llevan a cabo, en el otro lado, le hace la indispensable como las entidades finales del reconocimiento.

Es imaginable en el futuro próximo que, empleando lenguajes de programación visuales de alto nivel, los patólogos diseñe y enseñe a sus propios agentes del AI para las tareas muy específicas. No los ingenieros, no informáticos, será los patólogos que tendrían el conocimiento médico a estar responsable de explotar las capacidades del AI.

¿Dónde pueden los programas de lectura encontrar más información?

Un bueno leído en la patología digital es el libro “patología de Digitaces” por Pantanowitz y Parwani. Un buen técnico leído en asientos del AI es “redes neuronales y máquinas de aprendizaje” por Simon Haykin. Otro técnico leído “profundamente está aprendiendo” por Goodfellow y otros.

Para conseguir una reseña, “un levantamiento topográfico en profundamente el aprendizaje en análisis de imagen médico” por Litjens y otros es un artículo actualizado. Un artículo por inteligencia artificial titulada me y del Dr. Pantanowitz (universidad del centro médico de Pittsburgh) “en patología digital - los retos y las oportunidades” pronto aparecerán en el gorrón de la informática de la patología.

Sobre profesor Hamid Tizhoosh

El Dr. Hamid R. Tizhoosh es profesor en la facultad de ingeniería en la universidad de Waterloo desde 2001 en donde él lleva el laboratorio de KIMIA (laboratorio para la inferencia del conocimiento en análisis de imagen médico).

Antes de que él ensamblara la universidad de Waterloo, él era un socio de investigación en el laboratorio de los sistemas del conocimiento y de la inteligencia en la universidad de Toronto en donde él trabajó en la dotación dinámica de la anchura de banda usando métodos del AI tales como aprendizaje del refuerzo.

Desde 1993, sus actividades de investigación abarcan la inteligencia artificial, la visión de computador y la proyección de imagen médica. Él ha desarrollado los algoritmos para la filtración, la segmentación y la búsqueda médicas de la imagen. Él es el autor de dos libros, 14 capítulos del libro, y más de 140 los gorrones y papeles de la conferencia.

Él también ha archivado 5 patentes en colaboración con WatCo (oficina de la comercialización de Waterloo). El Dr. Tizhoosh tiene experiencia industrial extensa y ha trabajado con las compañías numerosas. Actualmente, él es el consejero de la patología de Huron Digital, St. Jacobs del AI, CONECTADO, Canadá.