Konstgjord intelligens och bearbetar med maskin att lära i medicinskt avbilda

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

Please ger en överblick av den förgångna forskningen in i bearbetar med maskin att lära och konstgjord intelligens i medicinskt avbilda. Vad är vi för närvarande kompetent att göra med denna forskning?

Tvåna ha som huvudämne uppgifter i medicinskt avbilda det verkar naturligt att förutbestämmas för att lösas med AI-algoritmer är segmentation och klassifikationen. Mest av tekniker som användes, i att avbilda för läkarundersökning, var konventionella avbildar att bearbeta eller bredare formulerade datorvisionalgoritmer.

En kan finna många arbeten med konstgjort neural knyter kontakt, ryggraden av djupt att lära. Emellertid fokuserades mest arbeten på konventionell datorvision som fokuserade, och stilla, på ”handcrafted” särdrag, gör tekniker som var resultaten av den manuella designen till det användbara extraktet, och att göra åtskillnad mellan information från läkarundersökning avbildar.

Något framsteg var synligt i den sena 90-tal och tidig sort 2000s (för anföra som exempel, SIKTAmetoden i 1999 eller visuellt hjälpmedelordböcker i tidig sort 2000s), men det fanns inte några genombrott. Emellertid gillar tekniker att samla i en klunga, och klassifikationen var i bruk med dämpar framgång.

K-hjälpmedlet (en gammal samla i en klungametod), servicevektor bearbetar med maskin (SVM), probabilistic intriger, och beslutstrees och deras fördjupade version` som slumpmässiga skogar var bland lyckat, att närma sig.  Men konstgjort neural knyter kontakt fortsatt till nedgångkort stavelse av förväntningar inte precis i medicinskt avbilda, men i datorvision i allmänhet.

Grunt knyter kontakt (bestå av några lagrar av konstgjorda neurons) kunde inte lösa svåra problem och knyter kontakt djupt (bestå av många lagrar av konstgjorda neurons) kunde inte utbildas, därför att de var för stora. Vid den mitt- 2000sen fanns det teoretiskt framsteg i detta sätter in med första ha som huvudämne framgångssagor i tidig sort 2010s på stora datasets lika ImageNet.

Nu plötsligt, var utför märker det möjligheten som känner igen katter och bilar i en avbilda, ansikts- erkännande och automatiskt avbildar med en förse med text som beskriver dess nöjt. Utredningarna av applikationer av dessa kraftiga AI-metoder, i att avbilda för läkarundersökning, har startat i de förgångna 3-4 åren och är i dess spädbarnsålder, men lovas resultat har anmälts bitvis.  

Vilka applikationer finns det för bearbetar med maskin att lära och konstgjord intelligens i medicinskt avbilda?

Baserat på nya publikationer, verkar det, att fokusera av många forskare är på diagnos, främst cancerdiagnosen, var som tillverkas av AI-programvaran, är ofta ”ett yes/no” beslut för elakartat/godartat, respektive.

Annat strömmer är funktionsdugligt på att segmentera (markera) specifika delar av avbildar, igen med den huvudsakliga uppmärksamheten av många arbeten som är på cancerdiagnos och analys, men också för behandling som planerar och övervakar.

Emellertid finns det mycket mer som AI kan erbjuda till medicinskt avbilda. Se dess spänningar för radiogenomics, avbildar auto-att förse med text av läkarundersökningen, mönstrar erkännande av högt non-linjärt i stora datasets, och quantification och visualization av extremt komplext avbildar nöjt, är precis några exempel. Vi är på den very början av en spännande bana med många bifurcations.

Är vad strömbegränsningarna i karakteriseringen av silkespapper och deras attribut med konstgjord intelligens? Behöver vad att göras till betaget detta?

AI är ett stort sätter in med en multitude av tekniker som baseras av olika idéer. Djupt att lära är precis en av dem, men den är den med den mest framgången, i igenkännande, avbildar nöjt under senare år. Emellertid djupt vänder mot att lära multipelutmaningar i digital patologi.

Först och främst, kräver det markerat ett stort nummer av (märkt) avbildar (avbildar i vilket regionen av intresserar har manuellt skissats konturernaa av av en patolog) men den allmänna workflowen av digital patologi inte ger märkt avbildar. Detta har ledde forskningen för att fungera på specifika fall, e.g. kan bröstcancer, som märkta ett litet nummer av avbildar för, ges för att visa feasibilityen av djupt att lära.

Another ha som huvudämne utmaningen för djupt att lära i digital patologi är dimensionalityen av problemet. Patologi avbildar är extremt stor, dvs., större än 50.000 vid 50.000 PIXEL. Knyter kontakt djupt, emellertid endast behandla litet matar in avbildar, dvs., kan inte större än 300 vid 300 PIXEL. Besegra-provtagningen avbildar (danande dem som är mindre) skulle resultat i en förlust av information.

Ett mer ytterligare hinder, i utbildning djupt, knyter kontakt är att de utför allmänt väl, om de matas med ”allsidiga” data, det hjälpmedel som nästan har samma numrerar av avbildar för någon kategori som du behöver att känna igen. Imbalanced data hindrar generalization, som hjälpmedlet knyta kontakt kan göra graven missförstår, når de har utbildat.

Ett nämnvärt finalproblem är dekallade ”adversarial attackerna” när någon med kunskap av systemet eller att exploatera närvaroen av artefacts och stojar, kunde slutligen bedra ett djupt knyter kontakt in i ett felt beslut, en verkställa som är utomordentligt viktig i medicinskt avbilda; vi kan inte låta algoritmer bedras, när vi handlar med folkets liv.

Intensiv forskning föras på många beklär för att finna lösningar för dessa och annat utmaningar. Bland andra är en potentiell lösning som fungeras på, ”överföringen som lärer”, att lära i ett olikt område och att överföra kunskapen in i det medicinska området.

Kan vi undervisa AIEN med miljoner av märkta naturliga foto (e.g., vänder mot bilar, djur, byggnader), och därefter att använda den fångna kunskapen på histopathology avbildar? Annat potentiellt botar är att injicera områdeskunskap in i djupt knyter kontakt, ”modellerar generativ” utbildning, som inte handlar direkt med klassifikation, och kombination av djupa lösningar med konventionella algoritmer och handcrafted särdrag.  

Hur skulle bruket av läkarundersökningen som avbildar samspel med annat histopathological, testar? Kunde de bytas ut med ett enkelt avbildar sökande?

Bestämt inte. Avbilda skulle sökanden är en ny facilitator som ska hjälp patologen och ger nya inblickar. Just nu kan vi inte ha en exakt överenskommelse av var avbildasökandet skulle passformen mest praktisk, men vi vet för sure det som patologen måste återstå i centrera allra som bearbetar.

Uppgifterna, som vi tilldelar till den ska AIEN och datorvisionen, brett specialiseras och skräddarsy; de naturligt kan inte framföra andra existerande teknologier (non-AI), och andra funktionslägen av testar onyttigt. Den är all om att komplettera existerande tillvägagångssätt med nya inblickar och att inte byta ut dem; välla fram åtminstone detta bör vara den vägleda inställningen.    

Please ger en överblick av din nya forskning till för- detta sätter in och teknikerna som du har använt.

På det Kimia labbet har vi varit funktionsdugliga på en multitude av tekniker, från djupt knyter kontakt för att stötta vektorn bearbetar med maskin, från den binära lokalen mönstrar till Radon omformar, och från djupa autoencoders till dimensionalityförminskning.

Vår forskningfilosofi är unconditionally patolog-central; vi är där att planlägga AI-tekniker den serve patologigemenskapen. Vi övertygas att denna är rätten långt av att utplacera AI, namely som en smart assistent till patologen och inte en konkurrent.

Vi introducerade en grundförskjutning i vår forskning och avstod från inkoppling i yes/no klassifikation och förar i stället många experiment för att förstå den polymorphic naturen av silkespappererkännande, för vi försök att planlägga en final kedjar för den kliniska workflowen.

I tillägg har vi inte borttappadt vårt att fokusera på vision för datoren non-AI för där är konventionella metoder för en radda, som ställde ut medelmåttig kapacitetsbaksida i dagen, men kan nu rediscovereds som partners till den kraftiga AIEN, vid relying på de tillgängliga snabbare computational plattformarna.  

Vilka fördelar finns det till radonen omformar att du använde i din forskning?

Detta är ett exempel av våra försök att inte förlora sikt av väletablerade teknologier. Radon omformar är en gammal teknik och har möjliggjort oss, bland andra, för att göra beräknad tomography.

Projektioner i lilla och stora delar av avbilda kan ge komprimerad information om silkespapperkännetecken och var viktiga ändringar uppstår. De kan serven som matar in till AI-algoritmer som ger extra information i en inställning var multipelteknologier fungerar tillsammans.

Radon omformar är inte endast en matematiskt solid teknologi men, i kontrast till djupt knyter kontakt, är interpretable. Därför en närmare detalj avbildar, är utvald kan förhållandevis lätt förstås, när vi får Radonprojektioner, eftersom miljoner av multiplikationer och tilläggsinsida en knyta kontakt inte erbjuder any sannolikt långt för överenskommelse därför ett specifikt beslut har gjorts.

Emellertid behöver vi djupa arkitekturer att lära. Hence är kombination det gammalt och det nytt något som vi investerar tungt in.    

Hur kan det konstgjort intelligent sökandet, och categorization av läkarundersökningen avbildar accelererar sjukdomforskning och förbättrar tålmodig omsorg?

Om vi överger denorienterade AIEN (yes/no beslut för danande), som syften på att avlägsna den diagnostiska rollen av patologen, då lämnas vi med bryta-orienterad AI som identifierar, och liknande extrakt mönstrar från stort arkiverar av läkarundersökning avbildar.

Den liknande visningen avbildar till patologen, när hon undersöker ett nytt fall inte är något som är utöver det vanliga, om inte de hämtade fallen förses med förklarande noter med informationen av tydligen diagnostiserade tålmodig från förflutnan.

Därefter har vi något som aldrig har gjorts för: vi knackar lätt på in i den kollektiva visheten av läkarna sig själv för att ge dem med computational konsultation. Att konsultera andra patologer för svåra fall är en allmänning övar.

Emellertid ger det ska avbildasökandet oss tar fram ”computationally” konsulterar hundratals patologer över landet (och jordklotet) till och med digitala rekord. Ska detta påskyndar det processaa, förminskar fel klassar, räddningliv, tid för frigörarvärdesakpatologen för andra uppgifter (e.g forskning och utbildning), och slutligen kostar räddningen.

Var ser du framtiden av bearbeta med maskin att lära med hänseenden till medicinskt avbilda?

Kanske hoppas många av oss att radiogeomicsen skulle är en revolutionär ändring i sjukdomdiagnosen som bland skulle andra gör biopsin överflödig, som några forskare föreställa sig audaciously.

Emellertid för den förutsebara framtiden, bör vi ganska se ”konsensusbyggnad”. Manifestationen av den medicinska diagnossvårigheten är klart synlig i denkallade ”inter-observatören variabilityen”; manipulerar kan inte instämma på en diagnos eller en mätning, när du ges det samma fallet.

För något liknandebröst och lungcancer för några fall kan motsättningen att närma sig och även överskrida 50%, när avkrävaläget av malignancyen är involverat. Genom att använda AI för att identifiera och hämtande av liknande av ska abnormalities och malignancies öppna horisonten för byggande konsensus.

Om vi kan finna flera tusen fall av de förgångna tålmodina som kan säkert matchas med datan av den tålmodiga strömmen, då ”är en computational konsensus” inte långväga. Skönheten av den är, igen, att AIEN ska för att inte vara danande något diagnostiskt beslut men precis danande den tillgängliga existerande medicinska visheten, visheten som är för närvarande i träda under terabytes av digitalt dammar av.

Som teknologin flyttar fram, ska finns det patologer för ett behov i framtiden?

Uppgifterna och arbetsbördan av de ska patologerna går bestämt till och med någon omformning men den känsliga naturen av vad de gör på en sida, och bredden och djupet av kunskap som de rymmer, på andra sidan, gör dem oumbärligt ting som de ultimat erkännandeenheterna.

Den är tänkbar i near framtid som, genom att använda hög nivåvisuellt hjälpmedel som programmerar språk, patologer, planlägg och undervisa deras egna AI-medel för mycket specifika uppgifter. Inte iscensätter, inte datorforskare, det ska är patologerna som skulle har den medicinska kunskapen som är i laddning av att exploatera AI-kapaciteterna.

Var kan avläsare finna mer information?

En goda som läs på digital patologi, är boka ”Digital patologi” vid Pantanowitz och Parwani. Ett bra tekniskt som läs på fundament av AI, är ”Neural knyter kontakt, och lära bearbetar med maskin” vid Simon Haykin. Ett annat läst tekniskt ”lärer djupt” vid Goodfellow och andra.

Att få en överblick, ”avbildar en granskning på djupt att lära i läkarundersökning analys” vid Litjens, och andra är en aktuell artikel. En artikel mig själv och Dr. Pantanowitz (universitetar av den Pittsburgh medicinskt center) betitlade ”konstgjord intelligens i digital patologi - utmaningar och tillfällen” som snart ska, visas i föra journal över av patologiInformatics.

Om Prof Hamid Tizhoosh

Dr. Hamid R. Tizhoosh är en professor i fakulteten av att iscensätta på universitetar av Waterloo efter 2001 var han leder KIMIA-labbet (laboratoriumet för kunskapsslutsats i läkarundersökning avbildar analys).

För han sammanfogade universitetar av Waterloo, var han en forskningbundsförvant på kunskaps- och intelligenssystemlaboratoriumet på universitetar av Toronto var han fungerade på dynamisk bandbreddtilldelning genom att använda AI-metoder liksom att lära för förstärkning.

Efter 1993 encompass hans forskningaktiviteter konstgjord intelligens, datorvision och medicinskt avbilda. Han har framkallat algoritmer för läkarundersökning avbildar att filtrera, segmentation och sökande. Han är författare av två bokar, bokar 14 kapitel, och mer än 140 förar journal över, och konferensen skyler över brister.

Han har också sparat 5 patent i samarbete med WatCo (Waterloo Commercializationkontor). Dr. Tizhoosh har omfattande industriellt att erfara och har fungerat med talrika företag. Just nu är han AI-rådgivaren av Huron Digital patologi, St. Jacobs, PÅ, Kanada.