İnsan Doktorların Terminatörü: Derin Öğrenme Sağlık Hizmetinde İki Atılım 2016-17
AI WORLD 2017 Dünya Yapay Zeka Konferansı'na Geri Sayım 29 gün Konferansın erken dönem biletleri tükendi ve şimdi resmi olarak tam bilet aşamasına girdi. Bulması zor geçen yılki AI WORLD 2016'yı hatırlıyor musunuz? Bu yıl, Baidu'nun başkan yardımcısı ve AI teknoloji platformu sistemi başkanı Wang Haifeng ve Microsoft'un küresel kıdemli başkan yardımcısı ve Microsoft Asya İnternet Mühendisliği Enstitüsü Dekanı Wang Yongdong gibi endüstri liderleri konferanstaki varlıklarını doğruladılar ve konuşmalar yaptılar. Google, Amazon, BAT, Xunfei, JD.com ve Huawei gibi şirketlerden ağır konuklar da katılımlarını doğruladı.
Güney Avustralya Üniversitesi'nden bir radyolog ve tıp uzmanı ve Adelaide Üniversitesi ve Halk Sağlığı Okulu'nda tıp doktoru olan Luke Oakden-Rayner, bu yılın Mayıs ayından bu yana tıbbi yapay zeka alanının geliştirilmesini sürdürüyor ve bir dizi blog yazdı. Bu alandaki en son gelişmeleri tanıtalım. Şu anda üçüncü makaleye güncellendi. Blog serisinin adı "The End of Human Doctors - The Bleeding Edge of Medical AI Research" (The End of Human Doctors-The Bleeding Edge of Medical AI Research) .
Bir dizi blog yazısı esas olarak şunları tartışacaktır: Makineler kısa sürede doktorların yerini alacak mı?
Bu makalelerin tıbbi otomasyon araştırmalarının ön saflarına gireceğini söyledi. Tıbbi yapay zeka ile ilgili önceki birçok makalede, derin öğrenmenin tıbbi görevleri otomatikleştirebileceğini varsaymıştık. Bunu yapmak mantıklı çünkü birçok kavram ve tanım alabiliriz. Ancak, bu makalede Önce bu ifadeyi göstermeliyiz.
Daha sonra, tıbbi yapay zekanın karşılaştığı engelleri tartışacağım.Birçok tartışma, denetim ve otomasyonun penetrasyon hızı gibi harici engellere odaklanmıştır. Ancak, doktorların yapay zekayla yer değiştirmesini yavaşlatabilecek en temel problem-teknik zorluklara bile değinmedik.
Önceki üç makalede, yapay zeka alanında derin öğrenme olduğuna inandığı iki önemli kilometre taşını listeleyerek bu alandaki birinci ve ikinci atılımları işaret ediyor: Google, American Medical Association'da yayınlandı Diabetik retinopati üzerine Journal (JAMA) araştırması ve Nature dergisinde Stanford Üniversitesi araştırmacıları tarafından 2017 yılında yayınlanan bir çalışma "cilt kanserini sınıflandırmak için dermatologlar seviyesine ulaştı."
Ek olarak, "yüksek çözünürlüklü meme kanseri taraması ve çok görüntülü derin evrişimli sinir ağları" ve "dev hücre lezyonlarının görüntülerinde kanser metastazlarının tespiti" gibi bazı "küçük ama ihmal edilemez" çalışmaları da başlattı.
Bu son teknoloji araştırmalar aracılığıyla, tıbbi AI alanındaki 6 ana özelliği (problem) özetledi:
Tıbbi görüntüleme, diğer görüntü analiz yapay zekalarının çoğunun yüzleşmek zorunda olmadığı belirli sorunları ortaya çıkarır. Bunlardan biri "Duvar kuvveti nerede?" Sorusudur: görüntüler genellikle büyüktür, ancak hastalığın özellikleri genellikle küçük ve belirsizdir.
Tıbbi görevlerde pikselleri atarak görüntüleri sıkıştırmak performansa zarar verebilir, bu da ön eğitimin geçerli olmadığı anlamına gelir.
Derin öğrenme donanımının ihtiyaçlarını karşılaması zor olduğundan, devasa görüntü teknik zorlukları beraberinde getiriyor.
Bu zorlukları çözmenin bir yolu yama tabanlı eğitimdir, ancak bu, veri toplama süresini ve maliyetini ikiye katlayacaktır.
Klinik popülasyondaki düşük insidans, yeterli pozitif vakayı bulmak için genellikle büyük bir veri setine ihtiyacımız olduğu anlamına gelir. Bu veri setleri halihazırda mevcut olsa bile, bu, maliyeti büyük ölçüde artıracaktır.
Tıbbi AI sistemleri, bazı yönlerden insan uzmanlarından daha esnektir, insan seviyesinde olmasalar bile, faydalı olabilirler.
Aşağıdakiler, Luke Oakden-Rayner'ın birinci şahıs olarak sunulan blog gönderisinin içeriğidir:
Tıbbi derin öğrenmede ilk atılım
İlk bölümde, kesinlikle son teknoloji bir araştırma olan bir araştırmanın derinlemesine bir yorumunu yapacağız.
Öncelikle herkese hatırlatmak isterim ki 2012 yılından itibaren derin öğrenmenin ancak uygulanabilir bir yöntem haline geldiğini, bu nedenle bu teknolojiyi tıpta 5 yılı geçmeyen bir süredir kullanıyoruz ve bunu bilmeliyiz sağlık personeli Teknik yanıt genellikle yarım vuruş yavaştır. Bu önermelerle, elde ettiğimiz sonuçların çoğunun inanılmaz olduğunu göreceğiz, ancak bunun sadece bir başlangıç olduğunu da kabul etmeliyiz.
Daha sonra, tıp alanında otomasyondaki gelişmeleri açıkça temsil eden bazı makaleleri yorumlayacağım ve bazı yararlı diyaloglar ekleyeceğim. Makalenin tanıtılmasına ek olarak, aşağıdaki temel unsurlar tartışılacaktır:
-
Görev: Bu klinik bir görev mi? Bu çalışma otomatikleştirilirse, kaç tıp doktoru rahatsız edilecek? Neden bu görev seçilecek.
-
Veriler: Veriler nasıl toplanır ve işlenir, tıbbi inceleme ve yasal gerekliliklere nasıl uyuyor? Tıbbi AI'nın veri gereksinimlerini daha geniş bir şekilde anlayabiliriz.
-
Sonuçlar: İnsan doktorlarla karşılaştırıldığında nasıllar? Tam olarak neyi test ettiler? Daha ne toplayabiliriz?
-
Sonuç: Bu araştırmanın önemi nedir? Ölçeklenebilirlik nerede?
İlk kağıt. Google, Journal of the American Medical Association'da (JAMA) diyabetik retinopati hakkında bir makale yayınladı. (Aralık 2016)
görev : Diyabetik retinopati, esas olarak gözün arkasındaki küçük kan damarlarının hasar görmesinden kaynaklanan körlüğün ana nedenlerinden biridir. Bu, gözün arkasına bakarak kan damarlarını görebilirsiniz. Yani bu bir algılama görevidir. Diyabetik retinopatinin değerlendirilmesi ile ilgili çeşitli görevleri yerine getirmek için bir derin öğrenme sistemi eğittiler. Makale başlığında bahsedilen sonuç, orta veya daha kötü göz hastalıklarını tespit eden "referans verilebilir" diyabetik retinopatiyi değerlendirmektir (bu hasta grubunun tedavisi, "referans alınmayan" göz hastalıkları olan hastaların tedavisinden farklıdır) . Ayrıca şiddetli retinopatiyi tanımlama ve maküler ödemi tespit etme becerilerini de değerlendirdiler.
veri : 130.000 retina fotoğrafı üzerinde eğitim aldılar, her seviye 3 ila 7 oftalmolog tarafından değerlendirildi ve son etiket çoğunluk oyuyla belirlendi. Görüntüler, çeşitli kameralar kullanılarak 4 lokasyondan (ABD'de EyePACS ve 3 Hindistan hastanesi) oluşan rehabilitasyon klinik veri setinden alınmıştır.
Ağ modeli : Şu anda kullanımda olan en iyi görüntü analiz sistemlerinden biri olan Google Inception-v3 derin sinir ağının önceden eğitilmiş bir sürümünü kullandılar. Ön eğitim genellikle, tıbbi olmayan nesneleri (kedi ve araba fotoğrafları gibi) tespit etmek için eğitimli bir ağ aldıkları ve ardından belirli tıbbi görüntüler konusunda daha fazla eğitim aldıkları anlamına gelir. Ağın yalnızca 229 x 299 piksellik görüntüleri kabul edebilmesinin nedeni budur.
sonuç : Bence bu makale, tıbbi derin öğrenmedeki ilk atılım. Yapay zeka sistemleri, tek bir göz doktoruyla aynı seviyede performans elde etti ve göz doktorunun ortalama seviyesi ile karşılaştırıldığında geride kalmadı.
Resim: Renkli noktalar insan oftalmologlardır ve siyah çizgiler Google'ın derin öğrenme sistemidir.
İnsanlarla karşılaştırıldığında, sistemleri aynı seviyede maküler ödem tespitine ulaşır, ancak daha şiddetli retinopatinin mutlak değeri (AUC değeri) daha kötüdür.
Bu araştırmanın 10 özeti
Google (ve ortak çalışanlar), diyabetik retinopatiyi (dünyadaki körlüğün% 5'ine neden olan) tespit etmek için bir sistem eğitti ve sistemin performansı, bir oftalmolog ekibinin performansıyla karşılaştırılabilir.
Bu yararlı bir klinik görevdir, çok fazla para tasarrufu sağlamayabilir veya otomasyondaki doktorların yerini alamaz, ancak güçlü bir insani motivasyona sahiptir.
Eğitim için, herkese açık veri setinden bir ila iki büyüklük sırası daha büyük olan 130.000 retina görüntüsü kullandılar.
Muhtemelen eğitimin dengesiz veriler üzerindeki etkisini dengelemek için eğitim setlerini daha olumlu vakalarla zenginleştirdiler (fikir birliği çözümü olmayan bir sorun).
Derin öğrenme modellerinin çoğu küçük fotoğraflar için optimize edildiğinden, görüntüler yoğun bir şekilde örneklenir ve piksellerin% 90'ından fazlası atılır. Şimdiye kadar bunun iyi bir şey olup olmadığını bilmiyoruz.
Muhtemelen milyonlarca dolara mal olan verileri açıklamak için bir göz doktorları ekibi kullandılar. Bu, herhangi bir doktorun açıklamasından daha doğru olan "gerçek bir gerçeği" elde etmektir.
5. ve 6. noktalar, mevcut tüm tıbbi derin öğrenme sistemlerindeki hataların kaynağıdır ve insanlar bu konular hakkında çok az şey bilirler.
Derin öğrenme sistemlerinin doktorlara göre avantajları vardır çünkü bunlar çeşitli "operasyon noktalarında" kullanılabilir. Aynı sistem, daha fazla eğitime ihtiyaç duymadan son derece hassas tarama ve son derece spesifik teşhis gerçekleştirebilir. İlgili değiş tokuş şeffaftır (bir doktorun aksine).
Bu iyi bir çalışma. Okunabilirlik açısından inanılmazdır ve metin ve eklerde birçok yararlı bilgi içerir.
Çalışma, mevcut FDA'nın 510 (k) gerekliliklerine uygun görünmektedir. Bu teknolojinin bu prosedürü geçmesi pek olası olmasa da, sistemin veya türevin önümüzdeki bir veya iki yıl içinde klinik uygulamanın bir parçası olması tamamen mümkündür.
İkinci temsili çığır açan çalışma, Stanford Üniversitesi araştırmacıları tarafından Nature'da 2017 yılında yayınlanan, "Deri kanserinin dermatologlar düzeyinde sınıflandırılmasına ulaşma" başlıklı bir çalışmadır.
görev : Dermatoloji, esas olarak deri lezyonlarına odaklanan tıbbi bir uzmanlık alanıdır. Cilt kanseri (Amerika Birleşik Devletleri'nde her yıl 10.000 kişi bu hastalıktan ölür) ve tümörler, döküntüler ve cilt belirtileri gibi diğer sistemik hastalıklarla ilgilenirler. Yazar, dermatoloji uygulamasıyla ilgili çeşitli görevleri yerine getirmek için bir derin öğrenme sistemi eğitti. Başlığın sonucu, cilt kanseri olabilecek ve daha ileri tedavi gerektiren hastaları tanımlamak için "biyopsi gerekli" lezyonların bir değerlendirmesidir. Ayrıca, kanseri doğrudan görüntülerden tanımlama yeteneğini ve bir lezyon alt grubunu teşhis etmeye çalışan daha karmaşık bir görevi de değerlendirdiler.
veri : 18 farklı kamu veritabanından ve Stanford Hastanesinden özel verilerden 130.000 cilt hasarı fotoğrafı eğittiler. Ne yazık ki, bu makale verilerin kaynağını ve nasıl oluşturulacağını açıkça açıklamıyor, bu yüzden eğitim etiketinin ne olduğunu gerçekten bilmiyorum. Makalede, verileri "bir dermatolog tarafından etiketlenmiş" olarak tanımladılar, ancak aynı zamanda çeşitli yerlerde biyopsi sonuçlarından da bahsettiler. Sanırım bu verilerin çoğunun tek bir dermatolog tarafından işaretlendiğini ve biyopsi sonucu olmadığını varsayabiliriz.
Ağ modeli : İlk çalışma ile aynı.
sonuç : Bu araştırma, tıbbi derin öğrenmede ikinci büyük atılımım. Bireysel dermatologların çoğundan ve karşılaştırma için sağladıkları "ortalama" dermatologlardan daha iyi performans elde ettiler.
Bu araştırma hakkında 8 puan
1. Stanford Üniversitesi (ve işbirlikçileri) biyopsi gerektiren deri lezyonlarını belirlemek için bir sistem eğitti. Cilt kanseri, açık tenli kişilerde en sık görülen kötü huylu tümördür.
2. Bu yararlı bir klinik görev ve güncel dermatoloji uygulamasının büyük bir bölümüdür.
3. Eğitim için 130.000 cilt lezyonu fotoğrafı kullandılar ve eğitim ve test gruplarını klinik olarak tipik pozitif vakalarla zenginleştirdiler.
4. Görüntü, piksellerin yaklaşık% 90'ı atılarak yoğun şekilde örneklenir.
5. Eğitim verilerini düzenlemek ve 757 hastalığı tanımlamak üzere eğitim yoluyla doğruluğunu artırmak için "ağaç varlık teorisini" kullanırlar. Bu, "Bu lezyon biyopsi gerektiriyor mu?" Gibi daha üst düzey görevlerde bile sonuçları iyileştirir.
6. Biyopsi gerektiren lezyonları tek bir dermatoloğa göre daha iyi, daha gerçek pozitifler ve daha az yanlış pozitif ile belirleyebilirler.
7. Mevzuat sorunları olsa da, ekip halihazırda kullanışlı bir akıllı telefon uygulamasına sahip görünüyor. Önümüzdeki bir veya iki yıl içinde tüketicilere böyle bir şey sunmayı umuyorum.
8. Deri hastalıkları üzerindeki etkisi belirsizdir. En azından kısa vadede, aslında dermatologlara olan talebin arttığını görebiliriz.
Son olarak, Luke Oakden-Rayner, bu çalışmaların çığır açıcı olduğunu düşündüğüm sonucuna varmıştır. Gerçekler de bu sorunu göstermektedir.Her iki araştırma grubu da çalışmanın ilk yayımlanmasından itibaren altı ay içinde bu sistemleri klinik olarak test etmiş görünüyor. Google'ın Retinopati Araştırması aslında ön klinik denemeleri tamamladı ve Hindistan'da diyabetik göz hastalığıyla başa çıkmak için eğitimli oftalmolog eksikliğini gidermek için bir sistem başlatıyor. Stanford Üniversitesi Dermatoloji Grubu, cilt kanserini tespit etmek için bir akıllı telefon uygulaması geliştiriyor.
Tıp, yapay zekaya en duyarlı sektördür ve bağımsız yapay zeka teşhis merkezlerinin gelecek vaat eden bir geleceği var
PricewaterhouseCoopers, "Exploring the AI Revolution" adlı küresel bir AI raporu yayınladı ve yapay zekaya karşı en savunmasız sektörleri sıralayan "AI Etki Endeksi" ni özel olarak başlattı. onların arasında, Medikal ve otomotiv ilk sırada yer alıyor.
Yapay zeka etki puanları 1-5 arasında değişir (1 en düşük etki, 5 en yüksek etkidir), tıbbi ve otomotiv 3.7 puandır ve ilk olarak eşittir:
Aslında, 2011'den başlayarak, Tıp alanı, yapay zeka endüstrisi uygulamalarının her zaman ön saflarında yer almıştır . CB Insights, akıllı tıbbi bakımın ne kadar sıcak olduğunu sezgisel olarak görebilen yapay zeka uygulamalarının bir "endüstri ısı haritası" yayınladı.
Küresel bir bakış açısıyla IDC, "Küresel Yarı Yıllık Bilişsel / Yapay Zeka Harcama Rehberi" nde 2016 yılında en çok yatırımı çeken alanlardan biri olarak tıbbi yapay zekayı listelemiş ve önümüzdeki beş yıl içinde tıbbi yapay zekanın dahil edileceğini belirtmiştir. + Tanı ve tedavi sistemi kullanım durumu en büyük gelişmeyi alacaktır. Beş yıllık bir süre boyunca, Sağlık hizmetlerine AI yatırımının bileşik yıllık büyüme oranı% 69,3'tür.
Yiou Think Tank'ın ilgili araştırma verilerine göre, 15 Ağustos 2017 itibarıyla yurt içinde, Yerli tıbbi yapay zeka şirketlerinin birikmiş finansman miktarı 18 milyar RMB'yi aştı ve 104 finansman şirketi var.
PricewaterhouseCoopers'ın en son raporuna geri dönün. Rapor, akıllı tıp için yüksek potansiyelli bir kullanım örneği olarak "veri tabanlı teşhis desteğini" kullanıyor ve "yapay zekanın başlangıçta insan doktorların yerini almaktan ziyade insan doktorlara bir yardım olarak benimsenebileceğine inanıyor. Bu, doktorların teşhisini iyileştirecek, ancak bu süreç aynı zamanda Yapay zeka öğrenimi için değerli bilgiler sağlar, böylece öğrenmeye ve gelişmeye devam edebilir. İnsan doktorları ve yapay zeka odaklı teşhis arasındaki bu sürekli etkileşim, sistemin doğruluğunu artıracak ve Mesai, İnsanlar, yapay zeka sisteminin otonom olarak çalışmasına tam olarak yetki verecek kadar güvene sahip olacaklar. "
Aslında, bu parlak beklenti bir miktar tomurcuklanma gösterdi. Örneğin, bilgisayarla görmeye dayalı akıllı tıbbi görüntü tanıma, derin öğrenme ve diğer teknolojilerin kullanımıyla birlikte geldi. "İnsan seviyesini aşmanın" devrilme noktası . Aynı zamanda, Ağustos 2017'de Ulusal Sağlık ve Aile Planlaması Komisyonu da basın toplantısında önemli bir mesaj iletti: Mevcut 5 tür bağımsız tıp kurumuna (dahil olmak üzere) 5 tür bağımsız sağlık kurumu daha ekleyecek. Patolojik tanı merkezi, rehabilitasyon tıp merkezi vb.). Sosyal tıp hizmetlerini desteklemeye yönelik politikaların uygulanmasıyla, tıbbi "ruhsatların" değeri düşüyor. Gelecekte bağımsız bir AI teşhis merkezinin ortaya çıkması muhtemeldir , Tanı hizmetlerini doğrudan hastalara sunmak.
Akıllı tıbbi tedavi insan seviyesinin ötesinde kritik bir noktaya ulaştı mı? Büyük adamların ne dediğini görün
AI WORLD 2017 Dünya Yapay Zeka Konferansı, 8 Kasım 2017'de Pekin Ulusal Kongre Merkezi'nde yapılacak. Özel akıllı tıp forumu Google, Carnegie Mellon Üniversitesi, Cornell Üniversitesi ve diğer ilgili alanlardan davet edilecek. 'Dan uzmanlar ve girişimciler, "tıbbi yapay zekanın hangi yönleriyle insan doktorlara sahip olduğu veya geçeceği" ve "bağımsız bir yapay zeka tıbbi sistemi ne zaman ortaya çıkacak" gibi konularda beklentilerini ve paylaşımlarını paylaşacak. Akıllı tıbbın gerçek gelişme durumu nedir? Teknik darboğaz nedir? Gelecekte en umut verici uygulamalar nelerdir? Lütfen cevaplar için Dünya Yapay Zeka Konferansı Akıllı Tıp Forumu'na gelin.
Smart Medical Forum'da size ilk onaylanmış konuşmacı grubunu ciddiyetle sunuyoruz. Bunlar: Google kıdemli bilim adamı Han Mei; Carnegie Mellon Üniversitesi Bilgisayar Bilimleri Fakültesi, Hesaplamalı Biyoloji Doçenti Jian Ma; Carnegie Mellon Üniversitesi Bilgisayar ve Robotik Enstitüsü, Dashu Yida Kurucusu, Ph.D.; Yardımcı Doçent, Weill Tıp Fakültesi, Cornell Üniversitesi uçmak.
Ma Jian
Hesaplamalı Biyoloji Doçenti, Bilgisayar Bilimleri Fakültesi, Carnegie Mellon Üniversitesi
Jian Ma, Ocak 2016'dan bu yana Carnegie Mellon Üniversitesi Bilgisayar Bilimleri Fakültesi'nde hesaplamalı biyoloji doçentidir. Aynı zamanda CMU'da Makine Öğrenimi Bölümü'nde profesördür. Urbana-Champaign'deki Illinois Üniversitesi'nde (Yardımcı Doçent (2009-2015), Doçent Doktor (2015)) çalıştı. Grubunun araştırması, insan genomunun temel işlevlerini ve kanser gibi insan hastalıklarının moleküler mekanizmalarını daha iyi anlamaya yardımcı olmak için algoritma geliştirmeye odaklandı.
konuşma konusu : Hassas genomik veriler ve akıllı tıp alanındaki en son gelişmeler
Konuşmanın özeti: İnternetin ikinci yarısında yapay zeka, veri sistemlerinin kapanmasını hızlandırıyor. Tıbbi veriler ve sağlık verileri, elde edilmesi ve analiz edilmesi en önemli ve en zor olanlardır. Giyilebilir cihazlardan IoT'ye, tıbbi görüntülere, tıbbi dosyalara ve kişisel genom bilgilerine, çok modlu ve yüksek boyutlu verilerin entegrasyonunun nasıl hızlandırılacağı, endüstriyel gelişimi nasıl teşvik edileceği ve aynı zamanda kişiselleştirilmiş kapsayıcı tıbbi bakımı nasıl teşvik edeceği ve insanların sağlık yönetimini nasıl iyileştireceği akademik çevreler gerektirir Sektörle yenilikçi işbirliği. Genomik verilerdeki en son gelişmelerle başlıyorum, hassas genomik ve akıllı tıbbın ilerlemesini tanıtıyorum ve tüm İnternet endüstrisi ile yenilikçi entegrasyon olasılığını araştırıyorum.
Deng Kan
Dashu Yida'nın kurucusu, Ph.D., Bilgisayar ve Robotik Okulu, Carnegie Mellon Üniversitesi
Kan Deng, Şanghay Jiaotong Üniversitesi'nden Lisans ve Yüksek Lisans, Carnegie Mellon Üniversitesi Bilgisayar ve Robotik Enstitüsü'nden (CMU) doktora, yapay zeka ve veri madenciliği konusunda uzmanlaşmıştır. Oracle'ın baş sistem mimarı, Telenav'ın Pekin şubesinin genel müdürü ve Baidu'nun web arama ve bilgi grafiklerinden sorumlu kıdemli müdürü olarak görev yaptı.
Deng Kan, 2015 yılında tıp ve sağlık alanına derin takviye öğrenme teknolojisini uygulamayı hedefleyen Beijing Dashu Yida Technology Co., Ltd.'yi kurdu. Dashu Yida, üçüncü basamak hastanelerin yüz milyonlarca tıbbi kaydı üzerinde yapısal analiz gerçekleştirir, büyük eğitim verileri oluşturur ve tıbbi derin güçlendirme öğrenme modellerini eğitmek için klinik yönergeleri birleştirir. Hasta odaklı tıbbi danışmanlık hizmetleri, birincil doktorlar için klinik navigasyon hizmetleri ve hastaneler ve sağlık sigortası için tam süreç rafine kalite kontrol ve maliyet kontrol hizmetlerini gerçekleştirmek için kullanılır.
konuşma konusu: Çok modlu akıllı hastalık teşhis sisteminin dört teknik zorluğu
Konuşmanın özeti: Beijing Dashu Yida Technology Co., Ltd., yeni bir tıbbi akıllı teşhis sistemi oluşturmak için CNN, RNN, Dikkat, GAN, RL, MCTR, Bilgi Grafiği ve diğer son teknolojileri entegre eden çok modlu bir akıllı hastalık teşhis sistemi uyguladı. . Bu konuşma, sistemin aşağıdaki dört teknik zorluğuna odaklanmaktadır.
1. Çok modlu verileri tıbbi bilgi grafiğine odaklanan anlamsal vektörlere dönüştürün ve aynı referans çerçevesinde karşılıklı karşılaştırma ve çapraz işlemleri gerçekleştirin;
2. Eksen olarak bilgi grafiğiyle semantik vektör uzayında, çok modlu verileri birleştirin ve uygulanabilir ve güvenilir bir kalite değerlendirme planı sağlamak için üretici yüzleşme modelini kullanın;
3. Hastalığın özelliklerini hastalığın tanımından çıkarmak için evrişimli sinir ağı teknolojisini kullanın, tıbbi bilgi haritasından karşılık gelen patolojik mantığı desteklemek için odak mekanizmasını kullanın ve hastalığın teşhisini ve doğrulanmasını optimize edin;
4. Derin pekiştirmeli öğrenme ve Monte Carlo arama ağacı teknolojisini kullanarak, doktora en iyi takip testlerini ve muayene öğelerini önerin, durumun açıklamasını tamamlayın, en düşük maliyetle tanı altın indeksini bulun ve tanı doğruluğunu iyileştirin.
Wang Fei
Cornell Üniversitesi Weill Tıp Fakültesi'nde Yardımcı Doçent, IBM Watson Araştırma Merkezi Danışmanı
Wang Fei, Ph.D., Cornell Üniversitesi Weill Tıp Koleji'nde yardımcı doçent, IBM Watson Araştırma Merkezi danışmanı, Air Liquide Group'un araştırma danışmanı. Daha önce Connecticut Üniversitesi ve IBM Watson Araştırma Merkezi'nde çalıştı. Doktora derecesini 2008 yılında Tsinghua Üniversitesi Otomasyon Bölümü'nden aldı ve doktora tezi olan "Yarı denetimli grafiklerde algoritma araştırması" 2011 Ulusal Üstün Doktora Tezi Ödülü'nü kazandı. Ana araştırma yönleri, veri madenciliği ve makine öğrenimi teknolojisinin tıbbi bilişimde uygulanmasını içerir. Dr. Fei Wang, 5000'den fazla alıntı ve 39 H indeksi ile ilgili alanlardaki en iyi uluslararası konferans ve dergilerde yaklaşık 190 akademik makale yayınlamıştır. (Denetlenen öğrenci) makalesi ICDM2016 En İyi Makale, ICDM2015 En İyi Öğrenci Makalesi, ICHI 2016 En İyi Makale Ödülü, ICDM 2010 En İyi Araştırma Makalesi Adaylığı, SDM 2015 ve 2011 En İyi Araştırma Makalesi Adayı ve AMIA 2014'e aday gösterildi. Marco Romani'nin Translational Bioinformatics Summit'teki en iyi makale adayı. Dr. Wang aynı zamanda Michael Fox Vakfı'nın ev sahipliğini yaptığı Parkinson Hastalığı Alt Tip Keşif Verileri Yarışması'nın da şampiyonudur. Dr. Fei Wang, 2017 Uluslararası Tıp Bilişimi Konferansı (MedInfo) pist başkanı ve 2015 Uluslararası Sağlık Bilişimi Konferansı (ICHI) Program Komitesi Başkanıdır. Dr. Wang aynı zamanda AMIA Bilgi Keşfi ve Veri Madenciliği (KDDM) Çalışma Grubu'nun başkan yardımcısıdır. Tıpta Yapay Zeka, Journal of Health Informatics Research, Smart Health, Data Mining and Knowledge Discovery (Action Editor), Pattern Recognition'da Yardımcı Editör olarak görev yaptı. Amerika Birleşik Devletleri'nde 40'tan fazla ilgili patent başvurusunda bulunulmuş ve 15'i onaylanmıştır.
konuşma konusu: Yapay zeka ve akıllı tıbbi bakım-statüko, yanlış anlamalar, zorluklar ve geliştirme yönergeleri
Konuşmanın özeti: Yapay zeka dünyayı değiştiriyor. Herkesin hayatının ayrılmaz bir parçası olan tıp sağlığı da yapay zeka ile değiştiriliyor. Google, Microsoft, IBM ve yerli BT devi BAT gibi küresel BT devleri, tıbbi bakımın kalitesini iyileştirmek ve herkesi daha sağlıklı hale getirmek için gelişmiş yapay zeka teknolojisini kullanmaya çalışıyor. Bu rapor, yapay zeka teknolojisinin tıbbi uygulamalardaki mevcut durumunu özetleyecek, bu alandaki yaygın yanlış anlamalara ve zorluklara işaret edecek ve ardından gelecekteki gelişim yönünü dört gözle bekleyecektir.
Han Mei
Google Kıdemli Bilim İnsanı
Han Mei, Google'da kıdemli bilim adamı. Video analizi, görsel izleme, nesne algılama, geometrik modelleme, görüntü işleme, bilgisayarla görme, multimedya işleme ve bilgisayar grafikleri üzerine 30'dan fazla konferans bildirisi yayınladı. 20'den fazla ABD patentine sahiptir. Google'a katılmadan önce Mei Han, ABD'deki NEC Labs'ta araştırmacıydı. Mei Han, Tsinghua Üniversitesi'nden bilgisayar bilimi ve teknolojisi alanında lisans, yüksek lisans ve doktora dereceleri ile mezun oldu ve 2001 yılında Carnegie Mellon Üniversitesi'nden robotik alanında doktora yaptı. 3DV 2016, CVPR 2017 ve ACM Multimedua 2017'de konferans organizasyon başkanı olarak görev yaptı.
Daha fazla konuk birbiri ardına duyurulacak Dünya Yapay Zeka Konferansı biletleri satışta. Bilet almak için lütfen "Orijinal metni okuyun" u tıklayın.
Blog adresi: https://lukeoakdenrayner.wordpress.com/2017/10/09/the-end-of-human-doctors-the-bleeding-edge-of-medical-ai-research-part-3/
[Konferansa bilet satın almak için orijinal metni tarayın veya tıklayın]
