DerinlikDr. Tian Jie, Çin Bilimler Akademisi: Radyomik ve tıbbi büyük veri ve yapay zeka teknolojisine dayalı uygulamasıCCF-GAIR 2017
9 Temmuz'da, Çin Bilgisayar Federasyonu'nun (CCF) ev sahipliğinde ve Lei Feng.com ve Hong Kong Çin Üniversitesi (Shenzhen) tarafından ortaklaşa düzenlenen CCF-GAIR Küresel Yapay Zeka ve Robotik Zirvesi'nin üçüncü gününde, Dr. Tian Gelecekteki tıp oturumunda yer alan Jie, "Tıbbi büyük veri ve yapay zekaya dayalı radyoomik ve uygulamaları" konulu bir açılış konuşması yaptı.
Dr. Tian Jie, Çin Bilimler Akademisi, Otomasyon Enstitüsü'nde araştırmacı, IEEE, SPIE, IAMBE, AIMBE, IAPR Üyesidir. Esas olarak tıbbi görüntü analizi ve biyometrik tanımlama araştırma ve uygulamalarıyla uğraşmaktadır. Dr. Tian Jie'nin akademik makalelerinin ve araştırma sonuçlarının çoğu, yurtiçinde ve yurtdışında çeşitli akademik dergilerde ve akademik konferanslarda görülebilir ve yüzlerce akademik makale vardır.
Aşağıda, orijinal niyeti değiştirmeden Lei Feng.com tarafından düzenlenen Dr. Tian Jie'nin o gün yaptığı konuşmanın tam metni bulunmaktadır:
Tian Jie: Bugünkü konuşmamın başlığı "Radyoomik ve tıbbi büyük veri ve yapay zekaya dayalı uygulaması". Temaya uygun olarak, bu konuşmanın odak noktası tıbbi büyük veri, büyük veri teknolojisi ve yapay zeka ve radyomik olacaktır. Bu teknolojileri klinikte uygulamayı umuyoruz, çünkü temel araştırmalar için değil, kliniğe yöneliktir, bu yüzden klinik örnekler veriyorum.
Ağırlıklı olarak yerli ve yabancı klinik uzmanları tarafından geliştirilen radyomik, yapay zeka ve büyük verinin risk sermayesi ve sektör için ilgi çekici olduğunu gösteriyor.Önemli olan hangi teknoloji ve algoritma ile değil, nasıl bir etki yarattığıdır. Aşağıda, uygulama açısından ilerlemesine, teknolojisine ve yöntemlerine ve uygulamalarına odaklanacağım.
Bugünkü konuşmam aşağıdaki dört ana noktaya odaklanacak:
· Radyomik araştırma geçmişi
· Radyomik araştırmalarındaki gelişmeler
· Radyomiklerin temel teknolojileri
· Radyomiklerin gelişim yönü
1. Radyomik araştırmaların geçmişi
1. Yapay zeka teknolojisi sıçramalar ve sınırlarla ilerliyor
Yapay zeka teknolojisi artık Go aracılığıyla sezgisel olarak çok popüler hale geldi, ancak Go'yu bir bilgisayarda oynamak, bir bilgisayarın doktoru görebileceği anlamına gelmiyor, bu nedenle tıbbi bakım bu alanda hala zorlu problemlerle dolu.
2. Yapay zeka teknolojisi tıp alanında uygulanmaktadır.
Bununla birlikte, bilgisayar yapay zeka teknolojisi, hastalıkların teşhisinde ve iyileştirilmesinde derin öğrenme gibi tıbbi bakımda da uygulanmıştır, bazı tipik uygulamalar vardır. Gibi:
· 2015 yılında, Kuzey Karolina Üniversitesi, derin öğrenmeyi kullanarak beyin MR görüntülerini bölümlere ayırmak için bir yöntem önerdi;
· 2016'da Google, yapay zeka diyabetinin teşhis doğruluğunun klinik uygulamada kullanılabileceğini söyleyen bir akademik rapor yayınladı;
2017 yılında Stanford Üniversitesi, Nature'da yapay zeka cilt kanseri teşhisinin doğruluğunun uzmanlar seviyesine ulaştığını gösteren bir araştırma raporu yayınladı.
Ek olarak, büyük yabancı şirketler de AI tıbbi bakımına dahil olmuştur.
· 2014'te Microsoft, hasta ziyaretlerine ve beklenmedik acil servislere hazırlanmak için sağlık verilerini analiz etmek için Intelligence Engine'i kullandı.
· 2015 yılında IBM, hastalara yüksek kaliteli, kanıta dayalı kişiselleştirilmiş teşhis ve tedavi planları sağlamak için tıbbi literatürü ve hasta teşhis ve tedavi kayıtlarını analiz etti.
· 2016 yılında Google'ın bir yan kuruluşu olan DeepMind Health, sağlık riski uyarılarını göndermek ve doktorları zamanında bilgilendirmek için mobil terminalleri kullanarak bir sağlık riski uyarı sistemi kurdu.
3. Tıbbi veriler hızla büyüyor
Microsoft, IBM veya Google olsun, yapay zeka ve tıbbi bakıma derinlemesine katılımları herkes için başka bir kapı açtı - tam da bu büyük şirketlerin katılımı sayesinde yapay zeka ve tıbbi bakımın klinik uygulamaları atılımlar gerçekleştirdi ve terazi uygulaması.
Tıbbi büyük veriler söz konusu olduğunda, muhtemelen en bilineni görüntü verileridir, çünkü formatı standarttır ve elde edilmesi ve kullanılması kolaydır. Bununla birlikte, tıbbi büyük veriler görüntülerle sınırlı değildir, aynı zamanda patoloji, klinik tedavi bilgileri vb. İçerir. Yalnızca bu bilgileri entegre ederek AI tıbbi tedavisinin gerçek uygulama sorunlarını modelleyebilir ve çözebiliriz.
4. Radiomics, akıllı tıbbi bakıma yardımcı olur
Konu radyomik olduğu için önce radyomik kavramını açıklayayım.
Radyomik kavramı gerçekten 2012'de ortaya atıldı. İlk önerildiğinde sadece CT verileri içindi ve omik yöntemlerle analiz edildi. Daha sonra, veriler CT'den manyetik rezonans, ultrason vb.'ye genişletilecek ve birden fazla görüntü içerecektir.
Konsept 2012'de önerildiğinden, görüntüleme ataları kavramı 2014'te kliniğe daha da genişletildi. Radiomics, araştırmadan kliniğe taşındı, tipik bir temsilci 2014'teki bu makaledir.
Proses perspektifinden bakıldığında, radyomik, tıbbi büyük verilerden veri çıkarmak, tümör bilgisini çıkarmak için AI yöntemlerini kullanmak ve klinik yardımcı karar vermeyi gerçekleştirmektir. Bu süreç, günlük doktor okuma süreci ile tutarlıdır.Doktorlar önce görüntü verisine sahip olurlar ve daha sonra şekil özelliklerini çıkarmak için insan gözünü kullanırlar.Bu sürece tanı görüşü denir.
Bu, makine okumasının tipik bir örüntü tanıma ve görüntü işleme sürecidir.İlk olarak, görüntü verilerinden özellikler çıkarılır, analiz edilir ve modellenir ve sınıflandırma kararları verilir. Bu nedenle, tüm süreç görüntü tanıma için bilgisayar ve teşhis için insan tarafından tamamlanır. Bilgisayar yüksek boyutlu bilgileri okuyabiliyorsa ve insan kurumsal bilgileri okuyabiliyorsa, yapay zekanın doktorlara filmi okumasında yardımcı olabileceğine şüphe yoktur ve "1+1>2" etkisi elde edilebilir.
Özetlemek gerekirse, büyük veri ile yapay zeka ve radyomiklerin birleşimi temel olarak aşağıdaki üç uygulamaya sahiptir.
· Yardımcı teşhis
· Etkinlik değerlendirmesi
· Prognoz tahmini
Şu anda kanser tedavisi için hangi yöntemin daha iyi olduğu, aslında büyük veri ve yapay zekaya dayalı olarak tahmin edilebilir ve değerlendirilebilir. Bu şekilde tıbbi tedavi kişiselleştirilebilir ve akıllı hale getirilebilir, böylece geçmişte bakmak, koklamak, sormak ve kesmek günümüzde akıllı tıbbi bakıma dönüştürülebilir. Bu aşamada, akıllı tıbbi bakım, yardımcı teşhis, etkinlik değerlendirmesi ve prognoz tahmininin etkisini elde etmek için temel olarak büyük veri, radyomik ve yapay zeka teknolojisine dayanmaktadır.
5. Örnek olarak tümör almak - kanser teşhisi ve tedavisi büyük zorluklarla karşı karşıya
Bugün tümörü örnek alarak, bunu tümörde AI, büyük veri ve radyomiklerin üç uygulamasını göstermek için alacağım.
Tümörlerin uygulama zorlukları, esas olarak Amerika Birleşik Devletleri'ndeki NIH tarafından özetlenen yukarıdaki resme atıfta bulunur. 1960'dan 2012'ye kadar, 52 yılda 2 milyondan fazla büyük veri örneği vardı. Farklı renkteki çizgiler farklı tümörleri temsil eder ve ordinat 5 yıldır.
Son 52 yılda, NIH her yıl araştırma ve geliştirmeye 30 milyar ABD doları yatırım yapmasına ve Amerikalılar bir doktora görünmek için yılda 4 trilyon dolar harcamasına rağmen, 5 yıllık tümör sağkalım oranı hala düz bir çizgi. Anlamı ne? Sadece boş insanlar ve para.
Bir karşılaştırma olarak, bu NIH verileri özellikle önemlidir. Kırmızı çizgi, AIDS'in 5 yıllık hayatta kalma oranını ifade eder. AIDS, başlangıçta yüksek bir erken ölüm oranına sahip kan kanseri olarak biliniyordu, ancak etkili önlemlerle, etkili hayatta kalma oranı fırladı.
Ancak tümörler için bazı yeni teknolojiler ve yöntemler hala eksik ve bu teknolojinin çığır açması muhtemel. Tabii bu şu an için sadece bir beklenti ve aşağıda bazı örnekler verilecektir.
6. Hassas kanser teşhisi ve tedavisi için yeni fırsatlar
Şimdi herkes AI ateşi ve AlphaGo ateşi hakkında konuşuyor.Aslında, hala radyomiklerin teşhis ve tedavi sürecinde AI büyük verisinin hangi sorunları çözdüğüne bağlı. Aslında, mevcut görüntüleme teknolojisi 5 mm'nin üzerindeki tümörleri görüyor Üretici 3 mm'yi görerek aldanabilir, ancak klinisyen sadece 5 mm'den fazlasını görebildiğini biliyor. Bunlar sadece tümörün orta ve geç evrelerinde ortaya çıkan belirtilerdir.
NIH'nin araştırma ve geliştirmeye on milyarlarca dolar harcamasının, Amerikalıların 4 trilyon harcamasının ve ilaç şirketlerinin etkisiz olduğu söylenemez ama etkisi açık olmayan bu kadar çok ilaç üretmesinin de nedeni budur. Dolayısıyla hassas tıp ve genetik test gibi kavramlar da konuşuluyor. 10 yıl önce insanlar genetik testlerden bahsetmeye başladılar ve katkısı sayesinde hastalıkları önleyemesek de hayat kurtarabiliriz. Bununla birlikte, önceki resimden, beş yıllık sağkalım oranı hala çok düşük.
Tanı ve tedavi sürecinde, genetik anormalliklerin mutlaka tümör oluşumuna yol açmayabileceğini ve 5-20 yıllık bir kuluçka dönemi olduğunu gördük. Tanı ve medikal tedavi sürecinde yeni teknolojiler ve yeni yöntemler uygulanabilirse tümör tanı ve tedavisinde anahtar rol oynayabilir.
Bu aşamada aslında genetik anormallikleri tespit etmek için bir dizi yöntem vardır, ancak bu bir doktora görünebileceğiniz anlamına gelmez. Bu boşluk sırasında, AI büyük verileri ve radyomikleri incelemek, tanımlamak ve ölçmek için kullanılabilirse, beş yıllık hayatta kalma oranını büyük ölçüde iyileştirmesi çok muhtemeldir.
Bu nedenle, bu tam olarak radyomiklerin giriş noktasıdır - klinik genetik görüntüleme büyük veri bilgisini entegre etmek, görüntüyü ileri ve geni geriye taşımak, böylece hastalığın oluşumu ve gelişimi daha doğru bir şekilde gözlemlenebilir ve teşhis edilebilir. Bu sadece radyomiklerin giriş noktası değil, aynı zamanda AI'nın klinik uygulamada giriş noktasıdır.
Mevcut görüntüleme teknolojisi makroskopikten mikroskobik, önce yapısal görüntülemeden sonra fonksiyonel görüntüleme ve moleküler görüntülemeye kadar uzanır.Kesin standardı tam olarak genetik patolojidir. Temel araştırma perspektifinden, tam olarak mikro uçtan makro düzeye doğrudur.Genom, proteom ve metabolom belirsiz olduğunda, biyotıp alanına döner ve anatomik yapıları kullanırız. Bu nedenle biri mikroskobikten makroskopik, diğeri makroskopikten mikroskobiktir.İkisi bir arada olursa tümör tanı ve tedavisini yapmak mümkündür. Bu aynı zamanda tüm radyomiklerin giriş noktasıdır.
Aşağıdakiler, yurtiçinde ve yurtdışında etkinlik değerlendirmesi, yardımcı teşhis ve prognoz tahmininde radyomik, büyük veri ve yapay zekanın ilerlemesini göstermek için bazı örneklerdir. Bu bağlamda, Çin'de 30 yıllık reform ve dışa açılma sürecinden sonra, bilimsel araştırma fonlarına yapılan büyük miktarda yatırımın, doktorların çabalarının ve tıp ve sanayinin birleşiminin yabancı ülkelere ayak uydurduğunu söylemekten gurur duyuyorum. teknoloji, yöntemler ve etkiler açısından Bazı yöntemler yabancı ülkelerin biraz ilerisindedir. Bu açıdan VC'lere ve girişimcilere de fırsatlar getiriyor.
2. Radyomiklerin ilerlemesine genel bakış
Daha sonra, radyomiklerin yurtiçi ve yurtdışındaki spesifik uygulama durumlarından yardımcı teşhis, etkinlik değerlendirmesi ve prognoz tahmininde radyomiklerin etkilerinden bahsedeceğim.
Yardımcı tanı vakası
Vaka 1: Glioblastoma alt tiplerinin teşhisi
İlk örnek glioblastoma alt tiplerinin teşhisidir.
Genel olarak, hedefe yönelik tedavi uygulanacaksa, doktorların ponksiyon ve biyopsi gibi işlemlerle hastanın genotipini elde etmesi gerekir, ancak bu işlem beyin delinmesi nedeniyle yüksek risk içerir. Bu nedenle tıp alanındaki herkes delinmeden ve filme alınmadan çözülüp çözülemeyeceğini tartışıyor. Bazıları bunun bir fantezi olduğunu düşünebilir, ancak Stanford Üniversitesi yaptı.
Bunları AI teknolojisine göre yüksek riskli, orta riskli ve düşük riskli olarak sınıflandırdılar ve hayatta kalma süresiyle ilişkilendirdiler.Amerika Birleşik Devletleri'ndeki TCCI veritabanını araştırarak genotipin ne olduğunu bilebilirler ve ardından hangisi olduğuna karar verebilirler. buna dayalı olarak kullanmayı hedefliyoruz. ilaca. Bu, klinik olarak çok faydalıdır, çünkü tüm prosedür bir delme gerektirmez, ancak hedeflenen tedaviyi belirlemek için yalnızca manyetik rezonans verilerinden genotipi çıkarır.
Olgu 2: Kolorektal kanser lenf nodu metastazının ameliyat öncesi tanısı
Şu anda durumun çok abartılı olduğunu düşünebilirsiniz, ancak yerli doktorlar bu işleri yapabilir mi?
Daha sonra, Guangdong Eyalet Halk Hastanesinden Profesör Liu'nun ekibi tarafından yetkili tıp dergisi "Journal of Clinical Oncology"de yayınlanan makaleyi tanıtmak istiyorum. Bu makalenin akademik başarılarını bir kenara bırakarak, önce çok önemli olan klinik önemine bakalım. Çünkü yapay zeka teknolojisi yalnızca klinik uygulamayla bağlantılı olduğunda değerlidir ve ancak girişimcilerin dönüşümünden sonra üretkenlik haline gelebilir.
Genel olarak konuşursak, doktorlar kolorektal kanseri tedavi ederken, lenf düğümlerini kör olarak inceleyecekler ve diseksiyonun sonuçları lenf düğümlerinin %70'inin metastaz yapmasını önleyecektir. Doktor neden temizlik yapar? Çünkü temizlenmezse lenfatik metastaz daha hızlı olacaktır. Hatta doktorlar yurt içinde ve yurt dışında bu tür önlemleri alıyorlar.
Peki, bu problem nasıl çözülür?
CT filmine bakarsak sadece kurumun bilgilerini görebiliriz ve yansıyan bilgiler çok küçüktür ve ancak %20 ila %30 arasında bir olasılık elde edebiliriz. Yapay zeka kullanılıyorsa, 500'den fazla vakanın klinik patoloji ve görüntüleme verilerine dayanarak özellikler çıkarılır ve modelleme ve analizden sonra, ön uç veri tahmininin doğruluğu pozitif% 70'e ulaşabilir.
Başka bir deyişle, doktorlar hastaya lenfatik diseksiyonu seçip seçmeyeceğini operasyonu gerçekleştirmeden önce %70 güvenle söyleyebiliyor, bu da geçmişteki yanlış diseksiyonu %70'ten %30'a indirebiliyor. Bu makalenin en yetkili dergilerde yayınlanmasının nedeni budur.
Vaka 3: Cilt kanseri kategorilerinin doğru teşhisi
Tipik bir büyük veri uygulamasına bakalım. Cilt kanseri insidansının artık çok yüksek olduğunu da herkes bilmelidir. Peki, doğru cilt kanserini teşhis etmek için AI nasıl kullanılır?
Burada vaka, 2.000'i patolojik olan ve sperm kriterleri içeren 130.000 cilt kanseri fotoğrafı kullanılarak modellenmiştir. Bu modellemede büyük verinin gücünü belirtmekte fayda var.
Yukarıdaki şekilde gösterildiği gibi, eğitim modeli Google'ın 1.28 milyon görüntü ve şu anda 130.000 cilt kanseri fotoğrafı üzerinde eğitilmiş transfer öğrenme teknolojisini ve ayrıca doktorların deneyimlerinin ve diğer tıbbi bilgilerin sayısallaştırılmasını kullanır. sorunu çözebilir.İki klinik soru:
· İyi huylu ve kötü huylu tümörlerin kaba sınıflandırması
· Melanom taraması için alt bölüm
Bununla birlikte, insan beyninin bu kadar çok patolojik görüntüyü ezberlemesi imkansızdır, ancak tanıya etkili bir şekilde yardımcı olabilecek bilgisayarlar yapabilir.
Etkinlik değerlendirme vakası
Verimlilik değerlendirmesi örneğine dönelim. Amerika Birleşik Devletleri yeni teknolojiler ve yöntemler araştırmak için her yıl 4 trilyon dolar harcıyor, ancak tümörlerin teşhisi iyi sonuçlar vermedi, bu yüzden farklı tümörlerin etkinliğini değerlendirmemiz gerekiyor.
Olgu: Rektum kanserinde neoadjuvan kemoradyoterapinin etkisinin değerlendirilmesi
Bu vaka kolorektal kanserdir. Aslında meme kanseri dahil birçok kişi neoadjuvan kemoterapi yapacaktır. Ancak bazı insanlar bunu etkili bir şekilde yapıyor, bazıları ise etkisiz bir şekilde yapıyor. Hastane için etkili olup olmamasının bedelini ödemek zorundadır. Ancak hasta için sadece para değil, vücut da büyük zarar görür. Bu nedenle endüstri, hasta radyoterapi ve kemoterapi görmeden önce tedavinin etkili olup olmadığını belirlemek için AI büyük verilerini analiz için kullanıp kullanamayacağını da düşünüyor.
Bu durumda, aslında, veri miktarı büyük değil, sadece 48 vaka. Bu rektum kanseri hastalarına neoadjuvan radyoterapi ve kemoterapi uygulandıktan sonra multimodal manyetik rezonans görüntüleme verileri oluşturulmuş ve buna dayanarak multimodal görüntü öznitelikleri çıkarılmış ve model oluşturmak için yapay sinir ağı yöntemi kullanılmıştır. yöntemin iyi çalıştığını, rektum kanseri için neoadjuvan kemoradyoterapinin etkisinin nicel ve doğru değerlendirmesini elde etmek için.
Prognoz tahmini, bu ülkede giderek daha fazla dikkat çekiyor. Neden her doktor bu soruyu soracak, doktorlar sınırlı depolama kapasitesi ile sadece deneyime ve insan beyni modellemesine dayalı tahminlerde bulunurlar. Genelde evde ne yiyeceğimizi söylediğimiz gibi, yaklaşık üç ay veya yarım yıl. Bu deneyim kesinlikle mümkün değil. Şimdi yapay zeka ve makine öğrenimi ile elde edilebilecek büyük verilere bakın.Bu veriler için nicel analiz için bin hastadan 600'den fazla özellik çıkarılıyor. Bu modelleme süreci, günlük resim ve görüntü işleme süreciyle tutarlıdır. İlk segmentasyon, özellik çıkarma ve prognoz tahmini. Bu makalenin asıl yazarı temsilcidir.Gerçekten iş dönüşümü ve yatırım dahil omikler yapmalıyız ya da klinik problemlere odaklanıp hangi klinik problemlerin çözüldüğünü görmeliyiz. Bu, tipik bir prognoz tahmininin bir örneğidir.
Prognoz tahmin vakası
Bu aşamada, Çin'de prognoz tahmini giderek daha fazla ilgi görmektedir. Doktora giden her hasta bu soruyu doktora da soracaktır.Ancak doktor ancak başkalarının beyin modellemesi ve sınırlı depolama deneyimine dayanarak tahminlerde bulunabilir. Peki, yapay zeka büyük veri ve makine öğrenimi kullanılırsa nasıl bir prognoz tahmin etkisi elde edilebilir?
Vaka 1: Akciğer kanserli baş boyun kanserinin prognoz tahmini
Bu durumda, şekilde gösterildiği gibi, akciğer kanserli ve baş ve boyun kanserli 1.000'den fazla hasta arasından patolojik ve görüntüleme verilerini çıkardık ve ardından nicelik için yoğunluk, şekil, doku ve dalgacıklar gibi özelliklere dayalı etiketler oluşturduk. analiz. Uygulama etkisi, radyomik imzanın önemli prognostik değere sahip olduğunu ve genlerle önemli ölçüde ilişkili olduğunu gösterdi.
Radiomics, görüntüleme, genetik ve patolojik özellikleri birleştirerek, görüntüler ve hasta sonuçları arasındaki ilişkiyi ortaya çıkararak radyomik imzalar oluşturur.
Vaka 2: Akciğer kanserinde progresyonsuz sağkalım tahmini
Klinik deneyim yoluyla, ayrıca geleneksel klinik yöntemlerin KHDAK'li hastalarda hastalıksız sağkalım üzerinde çok sınırlı bir öngörü etkisine sahip olduğunu bulduk. Bu nedenle, bu durumda, AI büyük verilerini kullanarak, 282 iyi düzenlenmiş erken evre küçük hücreli olmayan akciğer kanseri hastasından CT verilerini çıkardık ve bir tahmine dayalı model oluşturmak için temel görüntü özelliklerini çıkarmak için LASSO Cox regresyon yöntemini kullandık.
Aslında, bu durumda, Guangdong Eyalet Halk Hastanesinden Profesör Liu ile yukarıda bahsedilen Çin Bilimler Akademisi arasındaki işbirliğinin araştırma sonuçları, kullanılan küçük hücreli olmayan akciğer kanseri sağkalım tahminidir. Uygulamadan sonra, radyomik özelliklerin geleneksel yöntemlere göre hastalıksız sağkalımı daha iyi tahmin edebileceğini bulduk.
Vaka 3: İleri nazofaringeal karsinomun prognostik tahmini
Ek olarak, hastalar için snus kanseri sağkalım tahmininin yanı sıra doğru tahminler de verilebilir.
Radyoterapiden sonra ileri nazofaringeal karsinom için klinik göstergelerin düşük tahmin doğruluğunun mevcut durumu göz önüne alındığında, 3 yıldan fazla bir süredir T1 ve DCE MR görüntüleri ile 118 ileri nazofaringeal karsinom vakasını takip ettik ve 970 radyomik özellik ve klinik patolojik özellikleri birleştirdik. bilgiler analiz edilir ve bu tip hastaların prognozu klinik göstergelerin %10'unu aşan bir doğrulukla burada etkin bir şekilde tahmin edilir.
3. Radyomiklerin temel teknolojileri
Yardımcı tanı, etkinlik değerlendirmesi ve prognoz tahmininde klinik etkilerin vaka çalışmasından bahsettim ancak yapay zeka ve radyomiklerden bahsetmek istiyorsak teknoloji olmadan yapamayız. Bu yüzden kısaca teknolojiyi sıralayacağım.
Bir dizi klinik problemle karşı karşıya kalan radyomik, klinik karar vermeyi başarmak için derin makine öğrenimi ve analiz ve araştırma için diğer yöntemleri kullanır. Yapay zekanın tıbbi düzeydeki teknik uygulaması esas olarak görüntü bölütleme, tümör bölütleme ve ardından özellik çıkarımıdır. Bilgisayar dilinde bu boyutsallık indirgemesidir ve radyomik dilde temel özellikleri seçmektir. Bu temelde, efekti elde etmek için görüntüleme etiketini seçin. Tümör analizi veya prognostik analiz veya yardımcı tanı gibi. Boyut azaltma, özellik çıkarma ve segmentasyon, modaya uygun yapay zeka teknolojilerini kullanabilir. Ama bana göre bu süreçte teknoloji odaklı değil problem odaklı.
Hassas tümör segmentasyon teknolojisi
Segmentasyon için genellikle önce doktorların ana hatlarını çizmesi gerekebilir ve daha sonra makine öğrenmesi yöntemleri kullanılarak yarı otomatik veya tam otomatik iş bölümü yapılabilir.Bu iş bölümünün etkisi, ilgilenen doktorun seviyesine de ulaşabilir. bir dizi yöntemden bahseder, diğerleri arasında akciğer kanseri vb.
Bilgisayar işleme için, üst düzey özellikler ana özelliklerdir.Birçok nicel özellikler insan gözü işleme için uygun değildir, ancak bilgisayar işleme için uygundur.Yalnızca bilgisayar işleme, efektler üretebilir ve yardımcı teşhisin etkisini sağlayabilir.
Özellik boyutluluk azaltma teknolojisi
Tümörler için genellikle binlerce özellik temsil edilir ve ardından bunların boyutsallığını azaltmak için makineler kullanılır. Bunlar arasında, dört ana özellik boyutluluk indirgeme yöntemi türü vardır:
· Seyrek seçim
· Mekansal haritalama
· Nöral ağlar
· Özyinelemeli dışlama
Model oluşturma teknikleri
Aynı zamanda, belirli klinik problemler için endüstri, bilgisayar nicel görüntüleme özellikleri ile incelenen klinik araştırma sorularının etiketleri arasında bir sınıflandırma modelinin oluşturulmasını da benimser. Esas olarak kullanılan iki tür model vardır:
· SVM modeli : Görüntünün büyük verilerinin orijinal piksellerinden başlayarak, yüksek boyutlu elle tasarlanmış özellikleri ayıklayın ve görüntü özellikleri ve klinik problemlerin bir sınıflandırma modelini oluşturmak için özellik seçimi yapın.
· CNN modeli : Görüntü büyük verilerinin orijinal piksellerine dayanarak, model klinik problemlerle ilgili radyomik özellikleri otonom olarak araştırabilir ve görüntü özellikleri ile klinik problemlerin bir sınıflandırma modelini oluşturabilir.
Bu model oluşturma seçenekleri sorunumuzla ilgilidir. Somut modeller, yalnızca sorun düzeltilirse çalışır. İyi huylu sınıflandırma gibi sınıflandırma içeren yöntemlerde de iyi sonuçlar elde edebilir ve ticari olarak anlamlı sonuçlar üretebilir.
Model görselleştirme teknikleri
Ayrıca modelin görselleştirilmesi adı verilen klinik ihtiyaçların da gerektirdiği önemli bir süreç vardır. Doktorlar, özellikle cerrahlar ve doktorlar için çok meşguller ve radyolog onlara filmleri gösterebilir. Ona kanıt veya rakam vermek için hangi sonuçları hesapladığımızı söyleyemeyiz, ancak modeli görsel istatistiksel analiz için sezgisel bir diyagrama dönüştürmemiz gerekiyor. Bu sayede doktorların resimleri okuması ve kelimeleri okuması, hastanın ne zaman açık olduğunu, hangi ilacı alacağını ve hangi ilacı değiştireceğini, hangisinin daha kısa ve sezgisel olduğunu bilebilirler. Şekilde gösterildiği gibi, bu dört adım, görüntüleme teknolojisinin gelişimindeki en önemli halkalardır.
Dördüncüsü, radyomiklerin gelişim yönü
Son olarak, radyomik, kaynak platformu, yardımcı teşhis sistemi ve paylaşım platformundaki temel teknolojilerin gelişme eğilimine bakalım. Klinik uygulama elde etmek için çoklu hastalık, çoklu modalite, çok merkezli ve çok parametreli veri füzyonu gereklidir. Burada bir paradoks var, hem veri toplama hem de netlik zorlayıcı. Patolojik bilgi, tedavi bilgisi ve prognostik bilgi toplamamız hala zorlayıcıdır. Hastane ile işbirliği sürecinde ve meme kanseri, karaciğer kanseri, mide kanseri ve akciğer kanseri gibi son dört veya beş yılda toplanan veriler, Amerika Birleşik Devletleri'ndeki TCGA veritabanını aşıyor, ayrıca biriktik. çok deneyim.
Genel olarak veriye sahip olmak yeterli değildir ve az önce bahsedilen segmentasyon kısmı gibi bir algoritma platformu gereklidir ve algoritma platformu ve entegrasyon platformu daha sonra tanıtılacaktır. Şu anda Guangdong Eyalet Halk Hastanesinden Profesör Liu ile bir görüntüleme paylaşım platformu kuruyoruz.Herkesin, herkesin geliştirip paylaşabileceği bir platform oluşturmak için kullanılan görüntüleri, modelleri ve yazılımları yüklemesini umuyoruz.Veri, model, ve özgür yazılım kullanın.Ardından bu alanda araştırma yapın. Tabii ki, sadece araştırma için. Şirketin de üzerine koyabilmesini ve önce kullanmasına izin vermesini öneririm. Veri yükleme, model yükleme ve yazılım testi dahil olmak üzere yalnızca bu dört bağlantıyı entegre etmek mantıklıdır.
Artık endüstriyi yönlendirmek ve yapay zekanın daha derinlemesine uygulanması için daha tipik yapay zeka uygulamalarına ve tıbbi konularda büyük veriye ihtiyacımız var. Bu birbirini tamamlayıcıdır ve boş çağrı yöntemi, büyük ölçekli ve tipik bir uygulama oluşturmadan sorunu çözemez. Sadece cerrahlar ve dahiliye doktorları tarafından tanınan teknoloji ve klinik uygulama daha anlamlı olabilir.
(Not: Lei Feng.com orijinali)
