Profesör Yu Lun: Fundus görüntüleme ve yapay zekaya dayalı olarak, büyük hastalıklar ve kişiselleştirilmiş sağlık hizmetleri için erken uyarı nasıl sağlanır?
Leifeng.com AI Nuggets "Future Medical Lecture-Medical Imaging Topics" özet makalesi: yalnızca tıbbi AI uygulayıcıları, görüntüleme doktorları, ünlü okulların öğretmenleri ve öğrencileri ve CFDA personeli için bir dizi kurs.
Not: 90 dakikalık videoda çok fazla bilgi var ve metin buzdağının yalnızca görünen kısmı. Videonun tam sürümünü izlemeniz şiddetle tavsiye edilir, lütfen bağlantıyı tıklayın:
Ders müfredatı:
1. Diyabetik retinopatinin (DR) uzaktan taranması ve fundus görüntülerinin yorumlanması
-
Uygulama arka planı
-
Başlıca hastalıkların erken uyarısı
-
Çözülmesi gereken temel sorun
2. Fundus görüntü analizi ve DR taramasında AI uygulaması
-
DR taraması için önleme ve tedavi kılavuzları ve derecelendirilmiş tanı kriterleri
-
Kronik hastalıkların tanı ve prognozunda retinanın rolü
-
Devler kısa listede, girişimler için fırsatlar nerede
3. Derin öğrenme medikal görüntü analizindeki etiketleme problemine göre
-
AlphaGO DNN'nin bir dezavantajı
-
DR hemanjiyomunun rastgele dağılımı ve kanama noktaları
-
İnsan gözü gri tonlama ayrımcılığının rasgeleliği ve sınırlamaları
-
Bazı DR'nin AI analiz sistemi sonuçları nasıl değerlendirilir
4. Fundus tıbbi görüntülemede yapay zekanın amacı ve değerlendirme sistemi
-
Tıbbi değerlendirme sistemi
-
Bilgisayar mühendisliğinde yaygın olarak kullanılan değerlendirme göstergeleri
-
DR otomatik analizi ve fundus kan damarı değişiklikleri
-
Bilgi hesaplama modeline dayalı büyük hastalık riski uyarısı ve sağlık değerlendirme motoru
5. Yapay zekaya doğru ilerleyen tıbbi görüntü analizinin temel unsurları
-
Yapay zeka uygulamalarının çeşitli alanları
-
Yapay zeka doğrultusunda yetenek eğitimi
6. Klasik tıbbi görüntü işleme yöntemlerinin ve derin öğrenmenin birleşimi
-
Görüntü ön işleme ve derin öğrenme
-
Fundus kan damarı segmentasyon yöntemi
-
Sert fundus sızıntısını tespit etme yöntemi
7. Fundus görüntüleme ve yapay zekaya dayalı sağlık hizmeti sistemi
-
Genel fikir
-
Sistem ürün tanıtımı
-
Uygulama yeniliği ve teknolojik avantajlar
-
Uygulama alanı ve katı talep analizi
Misafir tanıtımı
Yu Lun, ikinci düzey profesör, doktora danışmanı, Devlet Konseyi'nden özel hükümet ödeneği alan kişi
Akademik geçmiş:
Profesör Yu Lun, şu anda Fuzhou Üniversitesi'nde biyomedikal ve sağlık mühendisliği baş bilim adamı ve araştırma direktörü ve Almanya, Hamburg Üniversitesi'nde yüksek ziyaretçi alan bir bilim insanıdır. Uzun süre Çin Görüntü ve Grafik Derneği'nin başkan yardımcılığını ve Çin Biyomedikal Mühendisliği Derneği'nin Bilgi ve Kontrol Şubesi olarak görev yapmıştır. Komite üyeleri, Fujian Biyomedikal Mühendisliği Derneği'nin başkan yardımcısı ve İnternet Topluluğu'nun yönetici müdürü, Devlet Konseyi'nin özel hükümet ödeneğinin alıcılarıdır.
Profesör Yu bir zamanlar ulusal fonun kilit projeleri olan "Midriyazisi olmayan otomatik fundus kamerası ve uzaktan konsültasyon sistemi", "Uzaktan Diyabetik Retinopati Tarama ve Görüntü Analiz Sistemi", "Uzaktan Patoloji Derneği Teşhis ve Görüntü Analiz Sistemi", "Koroner kalp hastalığının erken teşhisi için yeni teknoloji ve kalp tıbbı için otomatik görüntü analiz sistemi", "Uzaktan Patoloji Derneği Teşhis Sistemi", "Uzaktan EKG Merkezi İzleme ve Otomatik Analiz Sistemi" ve diğer ulusal fonlar, Sağlık Bakanlığı ortak fonları, Ulusal Meşale Projesi vb. 16 Her projenin araştırması uygulandı veya tanıtıldı.
Profesör Yu, son yıllarda yapay zeka, tıbbi görüntüleme, teletıp ve sağlık hizmetleri büyük verisi araştırmalarına odaklandı ve diyabetik retinopati taraması ve uzaktan konsültasyonla uğraşan fundus görüntülemeye dayalı büyük bir hastalık erken uyarı ve mobil tıbbi sağlık hizmeti sistemi kurdu. Sistem, yapay zeka ve DR taramasında 10'dan fazla patent ve diğer fikri mülkiyet sonuçlarına, "yenilenebilir, düşük maliyetli ve analiz edilebilir" bir sağlık ve tıbbi büyük veri sisteminin kurulmasına ve 15 yıldır büyük veri hizmetlerine imza attı. , 100'den fazla yakından ilgili makale yayınladı.
Aşağıdaki içerik Yulun'un kursundan bir alıntıdır
Leifeng.com'a göre Profesör Yu, on yıldan uzun bir süre önce diyabetik retinopatinin uzaktan taranması ve görüntü yorumlanması üzerine araştırmalar yürütüyordu Teletıpın DR taraması yapmanın etkili bir yolu olduğuna inanıyor çünkü DR taraması körlüğe neden olabilir. Risk% 94,4 azalırken, Çin'deki tarama oranı% 10'un altında ... Asıl sebep, Çin'deki profesyonel fundus okuma doktorlarının sayısının yetersiz olması ve mevcut göz hastalıklarının teşhis ve tedavisi ile meşgul olmaları ve çok sayıda diyabetik hastayı taramak için zaman olmamasıdır. .
Ek olarak, 2015 yılında yayınlanan Çinli diyabetik hastalar için ASCCVD derecelendirme önleme kılavuzuna göre: Diyabet yönetimi, merkez olarak sadece kan şekerini kontrol etmekle kalmayıp inme gibi aterosklerotik hastalıkların önlenmesini ele almalıdır. Ancak şu ana kadar etkili risk tahmini araçları eksikliği var.
2001 yılında Profesör Yu, 2001 yılında Amerika Birleşik Devletleri ziyareti sırasında tanınmış Wilmar Göz Merkezini ve merkezin yeni tip diyabetik retinopati uzaktan otomatik kamera sistemini ziyaret etti. DR'nin sosyal ihtiyaçlarına ve kendi kişisel deneyimine dayanarak, Profesör Yu on yıldan daha uzun bir süre öncesine ait. Başlangıçta kendisini bu alanda araştırmaya adadı.
Fundus Görüntü Analizi ve DR Taramasında Yapay Zeka Uygulaması
Geçen yıl Nisan ayından Haziran ayına kadar, Çin'de yapay zeka ve felaket sonrası tarama dalgası yaşandı. Profesör Yu Lun, uzaktan DR taramasına ilişkin araştırmaya ek olarak, tıbbi alanda yapay zeka teknolojisinin uygulanmasına da büyük önem veriyor.
Tıbbi görüntüleme ve yapay zeka kombinasyonunun, dijital tıp alanının nispeten yeni bir dalı ve günümüzde dijital tıp endüstrisinde bir sıcak nokta olduğuna inanıyor. Ek olarak, tıbbi görüntüler muazzam miktarda veri içerir ve deneyimli doktorlar bile bazen bir kayıp gibi görünebilir. Bu nedenle, tıbbi görüntülerin yorumlanmasında yapay zekanın uygulanması, uzun vadeli mesleki deneyim birikimini ve ikisinin yakın entegrasyonunu gerektirir.
Profesör Yu'ya göre, Sadece klinik öncesi uygulamalar için yapay zeka otomatik tarama sistemine güvenerek, çözülmesi gereken birçok sorun var. Bazı bilim adamları, bu otomatik tarama makinesinin taramanın maliyetini artıracağından endişe ediyor; Bazı bilim adamları, henüz DR'nin ciddiyetini veya sınıflandırmasını değerlendirme yeteneğine sahip olmadığına inanıyor, bu da zamanında tedavi edilmesi gereken bazı ciddi DR hastalarının zamanında ve etkili olamamasına neden olacak. Tedavi. Profesör Yu, " DR okuma, otomatik sınıflandırma ve manuel sınıflandırma ile birleştirilmelidir. "
Geçen yıl Kasım ayında, Tencent Miying ilk ulusal yeni nesil yapay zeka açık inovasyon platformları listesine girdi ve tıbbi görüntüleme için yeni nesil bir ulusal yapay zeka açık inovasyon platformu oluşturmaktan sorumluydu. Profesör Yu inanıyor ki Tencent, Miying sistemini geliştirir ve teşvik eder. Şu anda, esas olarak tüm "İnternet + Akıllı Tıp" ekosisteminin bir bölümü olarak hizmet verebileceğini ummaktadır. Akıllı endüstri, akıllı hükümet ve akıllı insanların geçim kaynağı dahil, bunların arasında tıbbi bakım akıllı insanların geçim kaynaklarının en önemli önceliği.
Bu aşamada, Tencentin tıbbi yapay zeka teknolojisi ve ürünleri mutlak bir öncü gibi görünmüyor ve hatta bazıları daha yeni başlıyor. Ancak, Tencent Miying, WeChat Pay ve yeni nesil yapay zeka açık inovasyon platformuna dayanan akıllı şehirler ve akıllı hastaneler Yerel yönetimlerin ve hastanelerin reddetmesi zor.
Devler kısa listede, yani diğer girişimler için umut yok mu? Profesör Yu bir şans olduğunu düşünüyor, Tıbbi AI başlangıç şirketleri, tıbbi büyük veri, İnternet sağlık hizmetleri ve tıbbi bilişim alanlarında şirketlerle sinerji oluşturmak için platformlar oluşturabilir ve ürünleri entegre edip paketleyebilir veya indirebilir.
DR taraması ve otomatik sınıflandırma
Profesör Yu, tıp alanındaki bir sistem için iki ana değerlendirme göstergesi olduğunu söyledi: Duyarlılık ve özgüllük. İşletmeler, yapay zeka sistemleri geliştirirken yüksek hassasiyet ve yüksek özgüllük peşinde koşuyorlar. Ancak Profesör Yu'nun görüşüne göre, "ayrıntıları gözlemlemek" ile "binlerce insanı boş yere öldürmek" arasında bir denge bulma ihtiyacı vardır. Kliniğin genel işletim verimliliğini sürdürmesi gerekir. Duyarlılıktan ödün vermek ve özgüllüğün peşinden gitmek, gözden kaçan tanı oranını artıracak, bu da tarama veya muayenenin hedefe ulaşamamasıyla sonuçlanacaktır; özgüllükten ödün vermek ve duyarlılığın peşinden gitmek, doktorların "daha hızlı yardım etmesine" ve tıbbi kaynaklara neden olmasına neden olabilir Atık.
Profesör Yu, birçok şirketin geliştirme sistemlerinin duyarlılığının ve özgüllüğünün% 100'e yakın olabileceğini iddia ettiğini, ancak bu sonucun ister veritabanındaki verilerden ister klinik verilerden gelsin, belirli pratik senaryolarla birleştirilmesi gerektiğini söyledi. Şu anda, DR evreleme sınıflandırması yöntemi ETDRS (Erken Tedavi Diyabetik Retinopati Çalışması) ile işaretlenmiştir.Bu standart, 7 görüş alanının toplanmasını gerektirir ve tek bir 45 derecelik görüntü için DR taramasının duyarlılığı% 70'den fazla değildir. Bu nedenle, harici iddiaların doğruluğu şöyledir: % 95'ten fazlasına ulaşabilen sonuçlar hala sorgulanabilir.
Yukarıdaki düşünceye dayanarak, Profesör Yunun ekibi bir Betago-C motoru , Duyarlılığı azaltmadan özgüllüğü artırabilir. "Yapay zeka yalnızca derin öğrenmeyle ilgili değildir. Özellikleri çıkarmak için derin öğrenme ile birleştirilen klasik görüntü işleme yöntemleri iyi bir yön olmalıdır."
Ek olarak, hassas tıp bağlamında, Betago-C motoruna ek olarak, ekipleri ayrıca bilgi tabanlı bir hesaplama modeli oluşturdu. Büyük hastalık riski uyarısı ve sağlık değerlendirme motoru : Fundus retinopatisinin "yapay zeka-otomatik derecelendirmesinin", fundus kan damarı değişikliklerinin tespiti, konsültasyon verilerinin edinilmesi ve analiz modellerinin oluşturulması.
Sonraki konuşmasında Profesör Yu, görüntü ön işleme ve derin öğrenmeyi birleştirme vakasını paylaştı ve fundus kan damarlarının segmentasyonunun iki yöntemini ve fundus sert eksüdasyonunun tespit yöntemini (kaba segmentasyon ve ince segmentasyon) paylaştı.
Fundus görüntüleme ve yapay zekaya dayalı sağlık hizmeti sistemi
Profesör Yu, tıp ve sağlık reformunun çok önemli bir noktasının hastanenin CT, MR ve diğer teknolojilerini ayırıp topluma açmak olduğunu, bu nedenle üçüncü taraf test platformlarının da sermaye arayışının hedefi haline geldiğini söyledi. Sonra, Fundus görüntülerini üçüncü taraf algılama platformlarıyla birleştirmek için geliştirme talimatları nelerdir?
Profesör Yu, ekibinin "fundus görüntüleme ve yapay zekaya dayalı sağlık hizmeti sistemini" tanıttı. Bu tür sistemlerin genel gelişiminin üç noktaya ayrılabileceğine inanıyor:
-
Uzaktan fundus görüntü yorumlama, tarama ve sevk hizmetleri sağlamak için uzak bir fundus merkezi kurun
-
Tüm vücut sağlığını gözlerin altından görmek, kronik hastalıkların kademeli teşhis ve tedavisine yardımcı olmak ve kişiye özel sağlık hizmetleri
-
Sağlık sigortası ücret kontrolü ve sağlık yönetimi fiziksel muayene kurumlarına yardımcı olmak için bir etki izleme ve test platformu oluşturun
Örnek olarak Profesör Yu'nun ekibinin sistem planını ele alalım.Bu sistemin bulut sağlık hizmeti sistemi iki bölümden oluşmaktadır: "uzaktan yorumlama ve danışma merkezi" ve "büyük veri ve sağlık yönetimi". Hastanın fundus görüntüleri alındıktan sonra yorumlanması ve işlenmesi için bulut platformuna iletilir ve daha önce bahsedilen "hastalık riski erken uyarı ve değerlendirme motoru" desteği ile çalışır.
Katılımcıların soruları
AI Nuggets'ın Leifeng.com'dan canlı olarak yayınlanmasının ardından, kursiyerler farklı boyutlardan 20 soru sordu ve Profesör Yu Lun, çoğunu sabırla yanıtladı.
sorun:
1. Tasarladığınız beta yöntemi hakkında ayrıntılı bilgi verin
2. Google'ın sıcak AI şeker ağı tarama projesi hakkında ne düşünüyorsunuz?
3. CFDA'nın Tangwang AI ürünlerini ne zaman büyük ölçekte onaylamasını ve onaylamasını bekliyorsunuz?
4. Geçen yıl daha modern ve pratik olduğunu düşündüğünüz şeyler hakkında konuşun, ancak birçok kişi akademik araştırma yönünü fark etmedi
5. Şeker ve basıncı kontrol etmek için müdahale önlemleri nasıl takip edilir ve kontrol edilir? Ayrıntılı olarak tanıtabilir misiniz?
6. Fundus görüntü şeker ağının çeşitli aşamalarının özellikleri çok benzer Sınıflandırma doğruluğunu iyileştirmek için hedeflenen herhangi bir algoritma var mı?
7. dbscan gibi kümeleme algoritmaları fundus görüntülerinde kan damarlarını segmentlere ayırabilir mi? Bu konuda mevcut etki nasıl?
...
Ayrıntılı içerik ve harika Soru-Cevap için lütfen bağlantıya tıklayın:
