Son zamanlarda, Leifeng.com'dan AI Nuggets, Pekin Üniversitesi'nden Profesör Wang Liwei'yi "AI Tıbbi Görüntülemenin Mevcut Durumu, Fırsatları ve Zorlukları" hakkında derinlemesine bir açıklama yapmaya davet etti. Metin içeriği buzdağının sadece görünen kısmı. Video kursunun tamamını izlemek için lütfen:
Profesör Wang Liwei, AI'nın 10 to Watch ödülünü kazanan ilk Asyalı bilim insanı olarak aynı zamanda LUNA ve Tianchi AI tıbbi rekabet şampiyonu ekibinin de eğitmenidir. Yapay zeka araştırmacılarının bakış açısına göre, 500'den fazla kıdemli tıbbi yapay zeka uzmanı için 120 dakika çalıştı Öğrencilerle derinlemesine paylaşım ve etkileşimli Soru-Cevap.
Profesör Wang Liwei, tıbbi görüntüleme sorunlarına bakmak için kendisini yapay zeka araştırmacısı olarak konumlandırmaktan ve basitçe görüntü tanıma teknolojisini orijinal tıbbi görüntüleme sistemine aşılamaktan memnun olduğunu belirtti. Dijital sonuçlar iyi görünse bile, mesafenin "kullanımı kolay". "Ürünler" hala çok uzakta.
Konuk tanıtımı:
Wang Liwei: Profesör, Bilgi Bilimi ve Teknolojisi Okulu, Pekin Üniversitesi
Profesör Wang Liwei, 2011 yılında makine öğrenimi alanında 100'den fazla makale yayınladı Seçildi Yapay Zeka İçin Önemli Uluslararası Ödüller AI'nın İzlenecek 10'u , Asya'da ödülü alan ilk bilim insanıdır . 2012'de ilk Ulusal Doğa Bilimleri Vakfı Üstün Gençlik Fonu'nu kazandı; yapay zeka konusunda uluslararası yetkili bir konferans olarak görev yaptı NIPS, IJCAI Field Başkanı Çin Bilgisayar Topluluğu Yapay Zeka ve Örüntü Tanıma Komitesi Daimi Komitesi Üyesi.
Neden tıbbi görüntüleme yolunu seçtim
Yapay zeka aracını yeniden incelemek: gözlerimde yapay zeka ve makine öğrenimi
Mevcut AI tıbbi görüntüleme teknolojisinin gerçek durumu
Ayrıntılı gerçek durum: yapay zeka akciğer nodülü tespiti ve iyi huylu ve kötü huylu tanı
Deneyim paylaşımı: hatalar, sapmalar, başarısızlıklar, beceriler, çözümler
Tıbbi görüntüleme alanındaki işçilerin neden olduğu AI: hangi niteliklere sahip olmalıyız ve Teknoloji
Gelecekteki yapay zeka tıbbi görüntülemenin fırsatları ve çığır açan noktaları
İzlemek için kaydolun: Makalenin altındaki posterin QR kodunu tarayın, kamuya açık "AI Nuggets" hesabını takip edin ve girdikten sonra doğrudan "tıbbi görüntüleme" anahtar kelimesiyle dört karakterlik rezervasyon kursuna cevap verin.
refah: Pek çok büyük inekle iletişim kurmak ve tartışmak için üst düzey üye grubuna girmek istiyorsanız, lütfen asistan Xiaoai WeChat ID: mooccai'yi ekleyin ve arkadaş doğrulama kutusuna kişisel bilgilerinizi (resim + ad + şirket / okul, pozisyon / profesyonel) not edin ve incelemeyi geçin Daha sonra, gelecekteki tıbbi üst düzey üye grubuna katılmaya davet edileceksiniz. (Meslek grubu kesinlikle gözden geçirilmiştir, lütfen dikkatlice doldurunuz, anlayışınız için teşekkür ederiz.)
Daha fazla kurs: Endüstri, akademi ve tıp alanlarında yaklaşık 10 yetkili uzman, "Geleceğin Tıbbi Konferans Salonu - Tıbbi Görüntüleme Konuları" öncesinde ve sonrasında derinlemesine paylaşımda bulunacak. Her ders 60 ila 120 dakika arasında olacak. Bu haftadan itibaren her Pazartesi güncellenecek. Kurs süresi ve ayrıntılar, "AI Nuggets" genel hesabı üzerinden gerçek zamanlı olarak bildirilecektir.
maliyet: Canlı yayın ücretsizdir; video oynatma ücretlidir (9,9 yuan) ve oynatma adresi mevcuttur:
"Future Medical Lecture-Medical Imaging Special" kurs serisine daha fazla giriş için lütfen hiperlinke tıklayarak şunu okuyun: "AI yapanlar tıbbı anlamıyor, tıp okuyanlar AI'yı anlamıyor mu? En çok ilgi gören "AI + Tıbbi Görüntüleme" kursları dizisi "
Aşağıdaki içerik Profesör Wang Liwei'nin kursundan seçilmiştir.
Neden tıbbi görüntüleme yolunu seçmelisiniz?
Profesör Wang Liwei, derin öğrenme ile yakından bütünleştirilecek üç alan olduğunu ve bunlardan birini derinlemesine araştırma için seçmeyi umduğunu söyledi: biri sürücüsüz, biri finansal alan, diğeri tıbbi alan.
Bilgisayar görüşünde insansız sürüşün tanıma teknolojisinin olgunlaştığına ve makine öğrenimi ile derinlemesine entegrasyon için koşullara sahip olduğuna inanıyor, ancak otomobil varlıkları ile yakından ilgili bir uygulama yönü olarak, üniversitelerde araştırma alanı nispeten sınırlı. Ek olarak, dinamik bir aktivite olarak sürüş, statik görüntü tanımadan çok daha zor ve karmaşıktır.
Finans sektörü çok sayıda yüksek kaliteli kapalı veri biriktirmiş olsa da, beklenmedik politikalardan ve insan operasyonlarından büyük ölçüde etkilenen çok gürültülü bir sinyaldir ve her zaman kesinlikle objektif yasalara uymaz.
Yapay zeka teknolojisi, finansal işlemlerde temel teknoloji değildir ve işlem güvenliği en önemli önceliktir. Yalnızca işlem sıklığı konusunu göz önünde bulundurursanız, işlemler düşük frekanslı ve yüksek frekanslı olarak ayrılır. "Düşük frekanslı bir işlemse yapay zekanın çok fazla kullanımı olduğunu sanmıyorum çünkü yapay zeka büyük veri gerektiriyor ve düşük frekanslı işlem verisi miktarı çok az. AI teknolojisi, yüksek frekans alanında olmalıdır. Bununla birlikte, bu aşamadaki bir sorun, yüksek frekans alanında, ticareti etkileyen faktörleri veya stratejileri çıkarmak gibi insanların yapmasını gerektiren birçok analitik görevin olmasıdır. Bu yüzden yukarıdakileri entegre edin Birkaç faktör için, nihayet tıbbi görüntüleme ile başlamayı seçtim. "
Uygulamalı araştırmanın bu üç yönlü kesişim noktasında, Profesör Wang Liwei nihayet tıbbi görüntüleme alanını seçti.
"Tıbbi görüntüleme, önümüzdeki birkaç yıl içinde yapay zekanın en derin etkisine sahip alan."
Bir yandan tıbbi görüntüleme, video işleme teknolojisinden daha olgun olan statik görüntü tanımaya aittir; diğer yandan, Pekin Üniversitesi'nin bir dizi bağlı hastanesine güvenerek, ister veri toplama ister sistem testinden olsun, Profesör Wang Liwei Peking Üniversitesi'ndeki araştırma ekibinin benzersiz avantajları var.
Profesör Wang, geliştiricinin gerçekleştirmek istediği görev çok kapalı bir ortamda ise ve insan sağduyusuyla hiçbir ilgisi yoksa, böyle bir görevin makinelerin yapması için çok uygun olduğunu, ancak görev doğal dili anlamak gibi sağduyu ile bağlantılıysa, Makine için çok zor. "Tıbbi görüntüleme nispeten kapalı bir konudur."
Mevcut AI tıbbi görüntüleme teknolojisinin gerçek durumu
Tabii ki, tıbbi görüntülemenin belirli bir derecede sızdırmazlığa sahip olduğu ve AI'nın tıbbi alanda engellenemeyeceği söylenemez. Profesör Wang Liwei, yapay zekanın tıbbi görüntülerde önemli görüntüler ürettiği iki vakadan alıntı yaptı: Stanford ekibi tarafından cilt kanseri tespiti ve Google'ın DeepMind tarafından yapılan şeker ağı taraması.
Profesör Wang'ın görüşü:
1. Tıbbi görüntü işleme hastalıklarının sayısı çok fazladır Yukarıdaki iki ekibin örnekleri tek bir hastalık sorununu çözmektedir. Tıbbi görüntüleme iki binden fazla hastalığa bölünebilir. "Tek bir hastalık türünü çözmek artık basit bir mesele değil. Stanford ekibi, güncel sonuçları elde etmek için birkaç yıldır en iyi tıp uzmanlarıyla araştırma yapıyor. İki binden fazla hastalığı kapsamak daha da zor. Ek olarak, hastalık türleri daha zor. Hastalık türleri arasındaki farkın derecesi de harika, bu nedenle yapay zeka tıbbi görüntüleme, başarılı olmak için en iyi tıp uzmanlarının ve en iyi makine öğrenimi uzmanlarının işbirliğini gerektirir. "
2. Görüntüleme ekipmanının farkı birçok türde görüntü üretecektir. CT, MRI, X-ışını, ultrason, endoskopi, patolojik dilimler, bu görüntüler belirli standartlardan yoksundur. "Şimdi, bazı hastalıklarda sadece tek noktadan bir ilerleme kaydediyoruz ve tüm tıbbi görüntülemenin hala daha uzun bir yolu var."
Teknik açıdan bakıldığında, günümüzün makine öğrenimi ve yapay zeka teknolojileri, tespit ve diğer problemlerde iyi bir iş çıkarabilir, ancak küresel hastalık ve yapısal hastalık, makine öğrenimi için hala zordur.
Önümüzdeki birkaç yıl içinde, kimin kazanacağı doğru hastalığı kimin seçebileceğine bağlı olacaktır.Yanlış tipi seçmek zaman ve enerji israfına neden olabilir.
Akciğer nodüllerinin erken taranması, popüler bir AI + tıbbi görüntüleme alanıdır, ancak akciğerdeki diğer dokularla (kan damarları vb.) Kolayca karıştırılabilen birçok akciğer nodülü türü ve farklı şekiller vardır.
Bu sorular aynı zamanda hiler nodüllerin ve buzlu cam nodüllerin tespiti gibi bu alana giren girişimcileri de test edecektir. Bu nedenle, Profesör Wang'ın ekibi bu tür sorunları çözmek için üç aşamalı bir model çerçevesi benimsedi.
1. Hilar bölgede nodüllerHilar alan nodüllerinin hata yapması ve tespit edilememesi çok kolaydır.Hilar alan nodüllerinin ve diğer yapıların özellikleri tamamen birbirine bağlıdır, bu da bilgilerin ayırt edilmesini zorlaştırır. Profesör Wang'ın ekibinin temel teknolojisi, çok ölçekli bilgileri birleştirmek ve bir özellik piramidi ağı (FPN) uygulamaktır. Çok ölçekli bilgileri entegre ederek, nodülleri normal dokulardan ve diğer lezyonlardan etkili bir şekilde ayırt edebilir ve hiler alandaki nodülleri doğru bir şekilde tespit edebilir.
2. Buzlu cam nodüllerBuzlu cam nodüller de gözden kaçması kolay bir kısımdır.Karşılaştırıldığında, buzlu cam nodüller ile diğer alanlar arasındaki parlaklık farkı küçüktür. Bir zor durum madenciliği mekanizması getirerek, model zor numunelere daha fazla dikkat eder ve buzlu cam nodüllerin algılama doğruluğunu artırır.
Bu konuda Profesör Wang Liwei'nin ekibi, zorlu buzlu cam kasalarının madenciliğini optimize etmek için odak kaybı işlevini (Odak Kaybı) kullandı.
3. Nodüllerin klinik öneminin analiziNodüllerin klinik öneminin analizi açısından Profesör Wang Liwei, bir hastada tüm akciğerde sadece bir yerde nodül, diğer hastada ise çok sayıda nodül var, aynı nodüller olmasına rağmen iki kişi için farklı anlamları var. . Vakadaki tüm nodüllerin küresel bilgilerini birleştirerek nodüllerin klinik önemini analiz ediyor ve değerlendiriyoruz ve doktorların klinik olarak daha önemli nodüllere dikkat etmesine yardımcı oluyoruz.
"Nihai teşhis sonuçlarının doktorlara yardımcı olacağını umuyoruz. Ayrıca klinik önemi analiz etmeli ve sonuçları sunmalıyız." Bağlam Ağı burada tespit edilen nodüllere tek başına bakmaktan kaçınmak, ancak genel olarak hangilerinin olduğuna karar vermek için kullanılır. Klinik önemi, sistemin iyi huylu ve kötü huylu nodül olasılığını belirlemek için kullanılmasını içerir.
Profesör Wang'a göre, analiz basit bir hedef tespiti değildir ve tıbbi özellikler dikkate alınmalıdır. Yeni başlayanlar erken aşamada genel amaçlı algoritmaları kullanacaklar, ancak makine öğreniminin kodda yazılmayan birçok detayı var.Sadece uzun yıllar sıkı çalışarak ve kendi kendinize alıştırma yaparak daha fazla kavrayışa sahip olabilirsiniz.
Ek olarak, Profesör Wang Liwei'nin ekibi, algoritma genişlemesinde de bazı atılımlar yaptı.
"Ayrıca nodüllerin özelliklerinde ve modellerin yorumlanabilirliğinde de bazı başarılar elde ettik. Nodüllerin özellikleri doktorların rapor yazması için çok faydalıdır. Doktorlara daha sezgisel bir deneyim sağlamak için nodüllerin çapını ve hacmini ölçebiliriz. Açıklayıcı nitelik açısından, lezyonları tespit etmek ve iyi huylu ve kötü huylu yargılamak için önceki algoritma ile elde edilen modeli kullanabiliriz. Ancak doktorlar, bu modelin yargılamak için temeli nedir ve mantık nedir? Bu modelin, kullanımımızı etkileyecek bir kara kutu olmasını istemiyoruz. Güven."
Leifeng AI Nuggets'ın çevrimiçi canlı yayınından sonra Profesör Wang Liwei, öğrenciler tarafından gündeme getirilen bazı soruları yanıtladı. Aşağıda seçilen bir Soru-Cevap metni yer almaktadır. Leifeng AI Nuggets, orijinal amacı değiştirmeden düzenlenmiştir:
Soru: Doktor ve hastanelerle işbirliği sürecinde hangi hususlara dikkat edilmelidir?
Cevap: Önce birbirimizi anlamalıyız. Yapay zeka teknisyenleri ve doktorların birbirlerinin alan bilgilerini anlamadan iletişim kurmaları oldukça zordur. Bu iki alan çok farklıdır ve yavaş yavaş diğerinin düşünme moduna adapte olmalısınız. Öyleyse, diğerinin düşünce tarzını anlayabilirsem, iletişim kurmanın ve işbirliği yapmanın daha kolay ve daha kolay olacağını düşünüyorum.
İkincisi, yapay zeka ve makine öğreniminin teknik çalışanı olarak, teknolojiyi kendi bakış açınızdan nasıl kullanacağınızı asla düşünmemelisiniz. AI tıbbi görüntülemenin özü ve en temel yönü, doktorun bakış açısından gerçek ihtiyaçlarının ne olduğunu düşünmektir. Bir anlamda talebin doktor tarafından yönlendirilmesi gerektiğine dair derin bir tecrübem var. Bu nedenle, iki tarafın, doktorun gerçekten yardıma ihtiyaç duyduğu sorunlar hakkında derinlemesine iletişim kurması gerekir ve aynı zamanda sorunu teknoloji ile çözmek mümkündür.
Soru: AI modelinin tekrarlanabilirliği zayıfsa, modelin güvenilirliği nasıl artırılır?
Cevap: İnternette çok sayıda açık kaynak kod var yani bu kodu kullandıktan sonra bir algoritma tasarımcısı seviyesine ulaşabilir misiniz? Kod ve model iki kavramdır.Modeller aslında kodlar kullanılarak veriler üzerinde eğitilir, ancak eğitimin kendisinin birçok becerisi vardır. Teknikleri anlamıyorsanız, bir kod geliştirici seviyesine ulaşamıyorsanız, sadece aldığınız kodu söyleyin, aynı modeli kendi deneyiminizle eğitebilir misiniz? Makine öğreniminde, özellikle derin öğrenmede deneyimli profesyonel uzmanlarla karşılaştırıldığında, acemiler hala büyük bir boşluğa sahiptir ve bu, uzun yıllar teknik birikim gerektirir.
Soru: Bir radyolog olarak, akciğer nodüllerinin otomatik tespiti için yanlış negatifler konusunda en çok endişeliyim Bu problem nasıl çözülür?
Cevap: Tıbbi bir bakış açısından, herkesin dikkat ettiği iki performans göstergesi olmalıdır: özgüllük ve duyarlılık Duyarlılık, tüm nodüllerin bulunup bulunmadığına bakılmaksızın, aslında bir hatırlama oranını ifade eder. Özgüllük, yanlış pozitiflerin oranını ifade eder. Bir bakıma bunlar birbiriyle çelişen iki göstergedir.Bir gösterge maksimuma ayarlanırsa diğer göstergenin performansı kesinlikle zayıflayacaktır Herkes bu iki göstergenin en iyi dengeyi sağlayacağını umuyor. .
Soru: Mevcut derin öğrenme teknolojisi, nodüllerin ne kadar küçük olduğunu nispeten yüksek doğrulukla tespit edebiliyor, peki ya beş milimetre? ( Daha heyecan verici Soru-Cevap içeriği için lütfen Leifeng.com AI Nuggets Series Future Medical Lecture No. 1'i takip edin)
Tıbbi görüntü analizinde derin öğrenme nasıl uygulanır?
Derin öğrenmeye dayalı brakiyal pleksus tanıma
Derin öğrenmeye dayalı eklemlerin akıllıca tanınması
Derin öğrenmeye dayalı meme ultrason görüntü analizi
Derin öğrenmeye dayalı yağlı karaciğer ultrason görüntü analizi
İşletme: tıbbi yapay zeka uygulayıcıları ve girişimcileri
Üniversiteler: bilgisayarla görme, görüntü işleme ve tıbbi görüntüleme araştırma geçmişine sahip profesörler ve araştırmacılar; tıbbi görüntüleme analizine katılmak isteyen öğrenciler
Hastane: Görüntüleme Bölümü Başhekimi / Radyoloji Bölümü / Patoloji Bölümü, Bilgi Merkezi Müdürü
Denetim: CFDA gibi tıbbi ilgili düzenleyici kurumların uygulayıcıları