人工智能和機器學習在成像

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

請请提供過去研究到機器學習和在成像的人工智能概覽。 什麼當前我們能執行與此研究?

看上去自然被預先判定解決與 AI 算法在成像的二項主要任務是分段和分類。 用於成像的大多技術是常規圖像處理或者廣泛被公式化的計算機視覺算法。

一個人可能找到許多與人工神經網絡一起使用,深深瞭解的中堅。 然而,多數工作在 「被手工造的」功能集中於集中的常規計算機視覺和仍然,是提取的手工設計的結果有用和區分信息從醫療圖像的技術。

例如若乾進展 90年代末是可視的和早 2000s (在 1999年過濾方法或者在早 2000s 的視覺詞典),但是沒有突破。 然而,像成群和分類的技術是在使用中的與相當成功。

K 平均值 (一個老使成群的方法),支持向量設備 (SVM)、機率模式和判定樹和他們延長的版本 ` 任意森林』是在成功的途徑中。  但是人工神經網絡繼續一般來說缺乏期望不僅僅在成像,但是在計算機視覺。

淺網絡 (包括人為神經元一些塊層) 不可能解決困難問題和深刻的網絡 (包括人為神經元許多層) 不可能被培訓,因為他們是太大的。 由這个中間 2000s 有在此域的理論上的進展與在早 2010s 的第一個主要成功案例在像 ImageNet 的大數據集。

現在突然,認可貓和汽車在圖像,執行面部識別和自動地標記圖像與描述其目錄的說明是可能的。 這些強大的 AI 方法的應用的調查在成像的在過去 3-4 年開始了并且在其初期,但是有為的結果各處報告了。  

什麼應用有沒有為機器學習和在成像的人工智能?

憑最近發行,分別看起來許多研究員焦點在診斷,主要癌症診斷,其中 AI 軟件的輸出經常是惡性/良性的 「是或不是」決策。

另一流在分割 (標號) 圖像的特定部分運作,再與許多工作的主要注意是在癌症診斷和分析,而且為治療計劃和監控。

然而,有 AI 可能為成像提供的更多。 查看其潛在為 radiogenomics,自動加說明醫療圖像,高度在大數據集的非線性模式的識別和非常複雜圖像目錄的量化和形象化,是有些示例。 我們是在一個扣人心弦的路徑的開始有許多叉路的。

什麼是在組織的描述特性和他們的屬性的當前限制與人工智能? 什麼需要執行解決此?

AI 是與一許多的一個大域技術根據不同的想法。 深深瞭解是他們中的一個,但是它是那個與在近年來認可圖像目錄的多數成功。 然而,深刻瞭解在數字式病理學方面面對多個挑戰。

首要,它要求很大數量的明顯 (被標記的) 圖像 (區域利益由病理學家手動地描述了) 的圖像,但是數字式病理學通用工作流不提供被標記的圖像。 這導致這個研究在特定案件,即,乳腺癌運作,很小數量的被標記的圖像可以提供展示深深瞭解的可行性。

深深瞭解的另一個專業挑戰在數字式病理學方面是這個問題的幅員。 病理學圖像由 50,000 像素是龐大的,即,大於 50,000。 深刻的網絡,然而,可能由 300 像素只處理小的輸入圖像,即,不大於 300。 下來抽樣圖像 (使他們更小) 導致信息喪失。

在培訓深刻的網絡的進一步阻礙是他們很好一般執行,如果他們提供與 「平衡」數據,該幾乎有的平均值圖像的同一數量您需要認可的任何類別的。 不平衡的數據妨礙概念化,意味這個網絡可能在培訓以後犯嚴重錯誤。

一個最終問題值得提及是所謂的 「adversarial 攻擊」,當某人有這個系統或者利用人工製品和噪聲出現的知識的,可能最終唬弄一個深刻的網絡到錯誤的決策,是非常重要的在成像的作用; 當我們處理人民的生活時,我們不可能允許算法被唬弄。

密集研究開展在許多前線查找這些和其他的解決方法挑戰。 除了別的以外,運作的一可能的解決辦法是 「瞭解的調用」,瞭解在一個不同的域和調用知識到這個醫療域。

我們教與百萬的 AI 被標記的自然照片 (即,汽車、表面、動物,大廈) 可以然後使用在病理組織學圖像的獲取的知識? 其他潛在的解決是注射域知識到深刻的網絡,培訓 「不直接地處理分類的生產」設計和結合深刻的解決方法與常規算法和被手工造的功能。  

如何會使用與其他組織病理學說的測試的成像互相作用? 他們能用簡單的圖像搜索替換?

明確地沒有。 圖像搜索是將協助解決這個病理學家并且提供新的答案的新的便利。 目前,我們不也許有圖像搜索最有用地將適合的準確瞭解對,但是我們肯定知道這個病理學家在所有處理的中心必須保持。

我們分配到 AI 和計算機視覺的任務廣泛將專門化并且自定義; 他們不可能自然回報其他現有的 (非 AI) 技術和無用的測試其他模式。 它是所有關於補充與新的答案的現有的程序和不替換他們; 那麼,至少這應該是引導的態度。    

請请提供您的最近研究概覽提前您使用了的此域和技術。

在 Kimia 實驗室,我們研究一許多技術,從深刻的網絡支持向量設備,從局部二進制模式到氡氣请從深 autoencoders 變換,和到幅員減少。

我們的研究哲學是绝對地病理學家中心; 我們在那裡設計為病理學社區服務的 AI 技術。 我們被說服這是部署 AI 正確的方式,即作為一個聰明的助手對這個病理學家而不是競爭對手。

在我們嘗試設計臨床工作流的前,一個最終鏈子我們在我們的研究中引入根本轉移并且避免參與是或不是分類和做許多試驗瞭解組織識別的多形本質。

另外,我們未失去我們的在非 AI 計算機視覺的焦點那裡的是在日陳列普通的性能返回的很多常規方法,但是可能現在被再發現作為強大的 AI 的合作夥伴通過取決於可用更加快速的計算的平臺。  

什麼好處有沒有對氡氣變換您在您的研究使用了?

這是我們的工作成績的一個示例不忽略源遠流長的技術。 氡氣變換是一個老技術和使我們,除了別的以外,執行計算機控制 X線斷層掃描術。

在這個圖像的小和大部分的投影可能關於組織特性的壓縮情報,并且重大的更改發生的地方。 他們可以擔當輸入到 AI 算法提供在多個技術共同努力的設置的附加信息。

與深刻的網絡對比,氡氣變換是不僅數學上合理的技術,但是,是可解釋的。 一個特定圖像為什麼被選擇可以相對地容易地瞭解,當我們獲取氡氣投影時,而百萬增殖和添加在網絡裡面不提供任何振振有詞的方式知道的特定決定為什麼做出了。

然而,我們需要深刻的結構瞭解。 因此,結合老和新是我們大量地投資的事。    

人工地醫療圖像的智能搜索和範疇加速疾病研究和如何改進病人護理?

如果我們放棄分類導向 AI (做出是或不是決策),瞄準消滅這個病理學家的診斷角色,則我們留給從醫療圖像大存檔識別并且提取相似的模式的開採導向 AI。

顯示對這個病理學家的相似的圖像,當她或他檢查時一個新的案件不是非常的事,除非被檢索的案件附註與從過去的明顯診斷的患者的信息。

然後我們有以前從未完成的事: 我們開發到醫師的集體智慧提供他們以計算咨詢。 咨詢困難案件的其他病理學家是普遍做法。

然而,圖像搜索將產生我們存取對通過數字式記錄全國各地 「計算上」咨詢數百病理學家 (和地球)。 這將加快這個進程,減少誤差率,拯救生命,發行其他任務的重要的病理學家時間 (即研究和教育) 和終於節省費用。

您在哪裡看到遠期機器學習關於成像?

或許我們大家希望 radiogeomics 是在除了別的以外將使這個切片檢查法過剩的疾病診斷上的一個革命變化,有些研究員大膽構想。

然而,在可預見的將來,我們應該相當查看 「建立共識」。 醫療診斷困難的顯示明顯地是可視的在所謂的 「中間觀測者可變性」; 醫生不可能對診斷或評定達成協議,當產生同一個案件。

对像乳房和肺癌的一些案件,當這份敵意的確切的地點是包含的時,分歧可能處理和甚而超過 50%。 使用識別和檢索的相似的反常性和敵意 AI 將開張編譯的共識的展望期。

如果我們可以找到可以與這名當前患者的數據確信地符合過去患者的數千個事例,則 「計算共識」很遠不。 秀麗它是,再, AI 不會做出任何診斷決策,然而使現有的醫療智慧可訪問,當前是數字式塵土休耕下面太字節的智慧。

因為技術提前,有沒有在將來需要病理學家?

病理學家的任務和工作量一定將審閱若乾轉換,但是什麼的敏感本質他們在一個端執行,并且他們暫掛知識的廣度和深度,在另一個端,做他們不可缺少作為最終識別實體。

它是能想像的在,通過使用高級視覺編程語言,病理學家请設計并且教他們非常詳細的任務的自己的 AI 作用者的不久的將來中。 不是工程師,不是計算機學家,它將是會有醫療知識是負責利用 AI 功能的病理學家。

閱讀程序在哪裡能找到更多信息?

在數字式病理學讀的好是這本書 「數字式病理學」由 Pantanowitz 和 Parwani。 在 AI 的基礎讀的一好技術是 「神經網絡和學習機」由西蒙 Haykin。 讀的另一技術 「深深由 Goodfellow 和其他瞭解」。

由 Litjens 要獲得概覽, 「在深深瞭解的一個調查在醫療圖像分析」和其他是一個最新的條款。 由我自己和 Pantanowitz (匹茲堡治療中心大學博士) 題為的 「人工智能的一個條款在數字式病理學方面 - 挑戰和機會」在病理學信息學日記帳上很快將出現。

關於阿米德 Tizhoosh 教授

阿米德 R. Tizhoosh 博士是工程系的教授在滑鐵盧大學自 2001年以來他導致 KIMIA 實驗室的地方 (知識推斷的實驗室在醫療圖像分析)。

在他連接了滑鐵盧前大學,他是研究員在知識和智能系統實驗室在使用 AI 方法例如增強瞭解,他在動態帶寬分配從事的多倫多大學。

自 1993年以來,他的研究活動包含人工智能、計算機視覺和成像。 他開發了醫療圖像過濾,分段和搜索的算法。 他是二本書, 14 個書章節的作者和超過 140 份日記帳和會議文件。

他也歸檔 5 個專利與 WatCo (滑鐵盧商品化辦公室) 合作。 tizhoosh 博士有廣泛的行業經驗和從事了與許多公司。 目前,他是休倫湖數字式病理學的 AI 顧問,聖 Jacobs,加拿大。