Profesör Tian Jie, Çin Bilimler Akademisi: Radyomik araştırma ve yapay zeka ve tıbbi büyük verilere dayalı klinik uygulaması CCF-GAIR 2018
2018 Küresel Yapay Zeka ve Robotik Zirvesi (CCF-GAIR), 29 Haziran'da Shenzhen'de düzenlendi. Konferans, dünyanın dört bir yanından yapay zeka alanında ünlü 140 konuşma ve yuvarlak masa konuğu da dahil olmak üzere AI endüstrisinden 2.500'den fazla insanı çekti.
Konferansın ikinci gününde [Bilgisayar Görme Oturumu]'nda, sabahları bilgisayarlı görme ve akıllı video oturumlarının sınırlarındaki konuşmacılar arasında şunlar yer alıyor: ICCV 2011 ve CVPR 2022 Başkanı Profesör Quan Long, Baş Bilim İnsanı Sun Jian Megvii Teknolojisi ve diğerleri.
Öğleden sonraki oturum bilgisayarla görme ve tıbbi görüntü analizidir.Misafirler arasında 7 ana örüntü tanıma ve tıbbi görüntüleme araştırmacısını kapsayan Profesör Tian Jie, dünyanın en iyi tıbbi görüntü analizi konferansı MICCAI 2019'un eş başkanı Profesör Shen Dinggang, ve Zhang Zhang, Microsoft Research Asia başkan yardımcısı Dr. Yi Zhao, Dr. Wang Xi, Philips Çin'in Baş Teknoloji Sorumlusu, vb.
Bilgisayarlı görü ve tıbbi görüntü analizinde önemli bir konuk olan Profesör Tian Jie, bu konferansta "Yapay zeka ve tıbbi büyük verilere dayalı radyoomik araştırma ve klinik uygulama" başlıklı harika bir özel raporu dinleyicilerle paylaştı.
Profesör Tian Jie şu anda Çin Bilimler Akademisi Otomasyon Enstitüsü'nde araştırmacı ve Moleküler Görüntüleme Ana Laboratuvarı direktörüdür. 2010 yılından bu yana, Profesör Tian Jie, bilgisayarla görü ve tıbbi görüntü analizi alanında art arda 7 Fellow kazandı: IEEE Fellow, IAMBE Fellow, SPIE Fellow, AIMBE Fellow, IAPR Fellow, OSA Fellow ve ISMRM Fellow. Aynı zamanda iki ulusal anahtar temel araştırma ve geliştirme programının (973 program) baş bilim adamıdır.
Profesör Tian Jie, yapay zeka ve diğer teknolojilerin tıp alanına getirdiği değişikliklerin şüphesiz olduğuna inanıyor ve birkaç yaygın tıbbi vakayı yardımcı kanıt olarak gösterdi.
Ona göre, en yaygın tıbbi büyük veri görüntü verileridir ve görüntü verisi formatı standarttır, elde edilmesi ve kullanımı kolaydır. Ancak tıbbi büyük veri sadece görüntülerle sınırlı değildir, patoloji, klinik tedavi bilgileri vb. içerir. Ancak bu bilgiler entegre edildiğinde yapay zekanın tıptaki gerçek uygulamasını modelleyebilir ve çözebiliriz.
Profesör Tian Jie, akademisyenleri araştırırken aynı zamanda yapay zeka teknolojisinin uygulama olanaklarını da aktif olarak araştırıyor. Yapay zeka teknolojisinin yalnızca klinik uygulamayla bağlantılı olduğunda değerli olduğuna ve girişimcilerin dönüşümü yoluyla üretkenliğe dönüştürülebileceğine inanıyor.
Şimdi 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.
Aynı zamanda, yapay zekanın tıpta uygulanmasının "tıp-mühendislik" olması gerektiğini de söyledi.Mühendislerin tıbbi yelek giymeleri, tıbbi sorunları anlamaları, tıbbi konferanslara katılmaları ve doktorların ihtiyaçlarını anlamaları gerektiğini; Doktora, klinikten kaynaklanabilmesi, klinikten daha yüksek olabilmesi ve kliniğe geri dönebilmesi için mühendislik yöntemini bilmek gerekir.
Lei Feng.com'un asıl niyeti değiştirmeden düzenlediği ve düzenlediği Profesör Tian Jie'nin canlı konuşmasının içeriği aşağıdadır:
Aşağıda anlatacaklarım, herkesin merak ettiği sıcak bir konu olan yapay zeka ve tıbbi büyük verinin tıpta uygulanmasıdır.Klinik ve ticari olmak üzere iki açıdan kısa bir özet yapmak istiyorum.
Yapay zekanın tıpta uygulanması, geleneksel Çin tıbbına çok benzer. Binlerce yıldır Çin geleneksel Çin tıbbı, "görme, duyma, sorma ve bilme" yöntemiyle milyonlarca hatta on milyonlarca insanın tıbbi büyük verilerini biriktirmiştir.Daha sonraki aşamada, veriler esas olarak "işlenir". Modern toplum ile önceki toplum arasındaki fark, bilgisayarları ve insan beyinlerini kullanarak ve daha önce birikmiş deneyim, büyük veri ve yapay zeka teknolojisini kullanarak, şimdi akıllı tıbbi bakım olarak adlandırılan şeyin gerçekleşmesidir.
Yapay zeka şu anda ulusal bir stratejidir ve Sağlıklı Çin 2030 aynı zamanda ulusal bir stratejidir. Bu iki perspektiften, yapay zeka teknolojisi ve tıbbi büyük veri yoluyla insanların sağlığını iyileştirmek, ülkenin bir sonraki kilit kalkınma stratejisidir; aynı zamanda, ülkenin tıbbi bakım ve sağlığımızın GSYİH'ya oranını 3'ten azaltma planları da var. % ila %30.
İş açısından bakıldığında, akciğer kanseri, şeker ağı ve meme kanseri gibi hastalıkların bilgisayar gücü aracılığıyla taranmasını sağlamak da dahil olmak üzere, tıpta uygulanacak yapay zeka için birçok fırsat var.
Bugün klinik tıpta yapay zekanın önemini sizlerle paylaşmak istiyorum.Bu, klinik tıbbi seviyemizi geliştirebilir ve özellikle ameliyat öncesi, ameliyat sırasında ve ameliyat sonrası olmak üzere üç yönü içeren hassas tıbbı gerçekleştirebilir.
Mevcut tıbbi gelişme arka planından, yapay zeka, büyük veri ve diğer teknolojilerin tıpta uygulanması, zamanın trendidir. Geçen yıl Kuzey Amerika Radyoloji Kongresi'nde tanımlandı: Geleceğin görüntüleme merkezi, çeşitli bilgilerin sentezi olan bir uçağın kokpiti gibidir ve geleceğin doktoru, çeşitli bilgileri işlemesi gereken bir pilotla eşdeğerdir. Burada üzerinde durulması gereken bir başka nokta daha var: Artık birçok ses gelecekte yapay zekanın doktorların yerini alacağını söylüyor. Bence AI doktorların yerini almayacak, sadece doktorlara daha etkili bir şekilde yardımcı olacak. Ve doktorlar gelişen teknolojiden korkmamalı, aktif olarak kullanmalı ve kullanmalı.
Bugün, bilgi devrimi çağındayız ve tıbbi büyük veri de büyüyor ve birikiyor.Ortalama olarak, tıbbi veriler her 73 günde bir ikiye katlanıyor. Bu nedenle, tıbbi büyük verilere dayalı yapay zeka tıbbi tedavisi, geleneksel klinik teşhis ve tedavi sürecine kesinlikle yardımcı olacak ve hatta değiştirecektir.
Uluslararası Görüntüleme Stratejisi ve Stratejisi Sempozyumu Başkan Yardımcısı Donoso, klasik bir deyişi, yapay zekanın radyologların yerini tamamen alıp almayacağına karar veremeyeceğini ancak eminiz ki yapay zeka teknolojisini kullanan radyologların kullanmayanların yerini alması kaçınılmaz. yapay zeka teknolojisini kullanıyor.
Çağın gelişimini takip etmezseniz acımasız bir eleme ile karşı karşıya kalırsınız.İster Kuzey Amerika Radyoloji Konferansı, ister Avrupa Radyoloji Yıllık Konferansı olsun, sürekli olarak yapay zekanın görüntülemedeki rolünü vurguluyorlar.
Bu nedenle, geleceğin radyologları sadece film izlemekle kalmayacak, aynı zamanda büyük görüntü verilerinden çok sayıda potansiyel bilgi çıkarabilecek, yapay zeka teknolojisini kullanmayı öğrenecek ve ortaya çıkmaktan korkmamak için teknolojik trendin ön saflarında yer alacak. yapay zeka teknolojisi değil, ondan yararlanmak, kullanmak ve yeni çağda görüntüleme bilişiminde uzmanlaşmaktır.
Geçen ay sona eren Amerikan Klinik Onkoloji Yıllık Toplantısı ASCO2018, yıllık toplantıya katılanların çoğu doktorlar ve onkologlardı. Yeni nesil non-invaziv teşhis ve tedavi teknolojisinin geliştirilmesine yardımcı olmak için yapay zeka teknolojisini önemli bir araç olarak kullanın.
Dana-Farber Kanser Enstitüsü'nün baş araştırmacısı Geoffrey, invazif olmayan sıvı biyopsi teknolojisinin akciğer kanserinin erken teşhisini ve taranmasını daha kolay sağlayabileceğine ve kandaki hücresiz DNA'nın erken akciğer kanserini başarılı bir şekilde tespit edebileceğine dikkat çekti. Bu non-invaziv algılama yönteminin ilerlemesi ve sürekli tıbbi veri birikimi ile makine öğrenimi yöntemi, algılama doğruluğunu etkin bir şekilde iyileştirecek ve test performansını iyileştirecektir.
Buna ek olarak, Güney Kaliforniya Üniversitesi Biyolojik Bilimler Okulu dekanı konferansta, tümör etkinliğinin değerlendirilmesinde, sıvı biyopsi teknolojisine dayalı genomik proteomik ve derin öğrenme yöntemlerine dayalı akıllı görüntüleme değerlendirmesinin kombinasyonunun yapabileceğine dikkat çekti. hastaların prognozunu ve sağkalımını etkili bir şekilde tahmin eder.
İster kanser tanısında ister tedavisinde olsun, yapay zeka teknolojisinin yeni nesil non-invaziv tanı ve tedavi teknolojisinin geliştirilmesine yardımcı olmak için önemli bir araç olduğu görülebilir.
Radyomiklerin doğası
Peki, yapay zeka tıp alanında nasıl uygulanıyor ve ardından örneklemek için bazı örnekler vereceğim.
Bir örnek almadan önce, 2012'de ortaya atılan radyomik kavramını anlamalıyız. İngilizce "omik + radyasyon": "radiomik" kelimelerinden oluşan yeni bir kelimedir, "radiomik" olarak çevrilmesi gerektiğini düşündük. nispeten doğru.
O günlerde radyasyon terimi neden kullanılıyordu? CT tarama verilerine dayanır ve daha sonra PET ve ultrasona uygulanır, bu nedenle "radyomikleri" radyomiklere çevirmenin daha doğru olabileceğini düşünüyoruz.Sadece tıbbi görüntüleme, genetik ve klinik büyük verileri entegre etmekle kalmıyor, aynı zamanda omik kavramını omik yöntemiyle bütünleştirir.
İş akışı, doktorların günlük film okumalarıyla tamamen aynıdır.Görüntü verileri için özellikler çıkarılır, yapay zeka modellemesi ve ardından klinik uygulama ve karar verme yardımı. Bu süreç aynı zamanda standart bir bilgisayarlı görme süreci ve standart bir örüntü tanıma sürecidir.
Ancak, bilgisayarın yüksek boyutlu bilgileri görmesi ve makroskopik görüntülerde protein genlerindeki değişiklikleri görebilmesi bakımından doktorlardan daha güçlüdür.Bu tür değerli veriler, doktorların klinik teşhisin doğruluğunu ve doğruluğunu geliştirmelerine yardımcı olabilir.
olduğunun farkında olmak gerekir, Yapay zeka teknolojisinin tıpta araştırılması ve uygulanması, makaleler yazmak, kavramlar hakkında konuşmak, kağıt üzerinde askerler hakkında konuşmak veya sadece tarama yapmak değil, pratik klinik sorunları çözmek için teknolojiyi klinik uygulama ile yakından entegre etmekle ilgilidir.
2. Tipik klinik uygulama
Daha sonra, hem klinik hem de teknik yönlerden tıpta yapay zekanın özel uygulamasından bahsedeceğim.
Öncelikle yapay zekanın klinik uygulamasından bahsetmek istiyorum.Birçoğunuz burada teknisyensiniz ve teknik yöntemlerden iyi anlıyorsunuz. Aslında teknolojinin kendisini anladığımızda, hangi sorunların teknolojiyle çözülebileceğini ya da şu anda hangi sorunların tıp tarafından çözülmesi gerektiğini de anlamamız gerekiyor. Bu yüzden problem odaklı başlıyorum ve klinik ihtiyaçların ne olduğunu gözlemliyorum.
Burada, yapay zekanın tıbbi tedaviyi nasıl daha doğru hale getirebileceğini göstermek için ameliyat öncesi, ameliyat sırası ve ameliyat sonrası klinik uygulamalara odaklanan alt bölümlere ayrılmış bir örnek vermek istiyorum.
İlk örnek kolorektal kanserdir.
Cerrah, kanserin gelişimini kontrol etmek için hastayı ameliyat etmeden önce hastaya adjuvan kemoterapi verecek ve ardından ameliyatı hasta üzerinde gerçekleştirecektir.
Bu süreçte bazı hastalar çok şanssızdı.Adjuvan kemoterapiden sonra patolojide tamamen remisyona girdiler ve vücutta kanser hücresi yoktu.Bu hastaların ameliyat edilmesi gerekiyordu (aslında hastalarda kanser hücresi yoktu) ).
Bu açıdan bakıldığında, cerrahın deneyiminin doğru bir şekilde belirlenemediği ve geleneksel görüntü manyetik rezonansının doğru olarak belirlenemediği durumlarda hastanın verilerini büyük bir kesinlikle belirleyebilmeleri için diğer yöntemlerle hastanın gerçek verilerini doğru bir şekilde belirleyebilir miyiz? belirlenen.
Yapay zeka analizi ile şu anda PCR remisyonu olan bu hastaların seçilebileceğinden %90 eminiz. Başka bir deyişle sistem adjuvan kemoterapi sonrası vücudunda kanser hücresi olmayan hastaları tanımlayabiliyor. Daha sonraki aşamada, bu hastalar ameliyattan muaf tutulabilir ve sadece yakından gözlemlenmeleri ve takip edilmeleri gerekir.
Bu nedenle klinik önemi çok büyüktür.Gelecekte yapay zeka sadece tarama yapamaz, daha da önemlisi klinik problemler üzerinde çalışabilir. Bu, Pekin Üniversitesi Kanser Hastanesi radyologlarıyla işbirliği içinde yaptığımız çalışmadır ve sonuçlar klinik onkoloji araştırmalarının en iyi dergilerinde yayınlanmıştır.
İkinci örnek kolorektal kanserdir.
Hastanın kemoterapiden sonra PCR remisyonu yoksa (yaklaşık %70), ameliyat gerekir. Ameliyattan sonra, kanser hücrelerinin metastaz yapmasını önlemek için doktorların lenfatik bir diseksiyon yapması gerekir.
Sorun şu: Lenf düğümlerinin %70'i temizlikten sonra yanlış pozitif çıkıyor.
Yanlış pozitif sonuçların doğrudan Çinli doktorların cerrahi tekniği ile ilgili olmadığı ve Amerikalı doktorların ameliyatlarının yanlış pozitif sonuçlarının yaklaşık %70'i ile ilgili olduğu burada belirtilmelidir. Ve bu sorun da yapay zeka teknolojisi ile çözülebilir.
500 kolorektal kanser hastasının verilerini eksiksiz klinik patoloji ve görüntüleme verileriyle işlemek için yapay zeka teknolojisini kullanıyoruz.Patoloji, görüntüleme ve özellik çıkarımından sonra, gerçek ölçümde, lenfatik yanlış pozitiflerin %70'i %30'a düşürülebilir.Bu tıp bilimi çok büyük bir ilerlemedir.
Mevcut araştırma, klinik onkolojinin en iyi dergisi olan JCO'da da yayınlanmaktadır. Belirtmek gerekir ki, ilk yazar, yüksek lisans ikinci sınıfta olan küçük bir kız çocuğudur. Bu nedenle, tıp alanındaki araştırmalarımız çok fazla klinik deneyim gerektirmez.Kör bir şekilde başınızı eğip teknolojiyi geliştirmek yerine, önce klinik sorunu bulmak ve onu problem odaklı bir şekilde çözmek anahtardır.
Üçüncü örnek hala kolorektal kanserdir.
Az önce ameliyat öncesi ve ameliyat sırasında, ameliyat öncesi patolojik bir rahatlama olup olmadığından ve ameliyat sırasında lenfatik diseksiyon yapılması gerekip gerekmediğinden bahsettim. Ameliyat sonrası duruma bakalım, kolorektal kanser hastası ameliyat olduktan sonra, cerrah uzak metastazı kontrol etmek için ona radyoterapi ve kemoterapi de verebilir.
Burada bir problem daha var.Kolorektal kanserli hastaların ameliyat sonrası uzak metastaz yapma olasılığı sadece %20.Yani hastaların %80'i para harcar ve radyoterapi ve kemoterapinin acısına katlanır ve ona yaptırır.Uzak metastazlar olabilir. gerçekleşmez veya çok olası değildir.
Bu bağlamda, yapay zeka teknolojisini kullanarak bu olasılığı yüksek olan kişileri seçip daha sonra uzak metastazlarını kontrol etmek için radyoterapi ve kemoterapiye gidebilir miyiz ve düşük olasılıklı kişilerin uzak metastaz yapmasına gerek kalmaz ve daha sonra gözlemlenebilir mi?
Şu anda, bu olasılığın daha da artırılabileceğini ve tahminin daha doğru olacağını umarak ilgili yapay zeka teknolojisi iniş deneyleri yapıyoruz.
Özetlemek gerekirse, yapay zekanın, radyomiklerin ve tıbbi büyük verilerin tıbbımızı ve ameliyat öncesi, ameliyat sırasında ve ameliyat sonrası yönlerden kesin tanı ve tedavimizi nasıl değiştirdiğini göstermek için çok eksiksiz bir örnek verdim.
Az önce bahsettiğim şey tamamen ameliyatla ilgiliydi. Peki, yapay zeka ameliyatsız çözülebilecek sorunları çözebilir mi? Yani hem cerraha hem de tıp doktoruna yardımcı olabilir mi?
Ünlü bir Amerikan hastanesindeki bir cerrahın akciğer kanseri olsa bile, ne tür bir hedefe yönelik ilacı kullanacağını ve hayatta kalacağını nasıl tahmin edeceğini bilmediğini biliyoruz.
Bu çalışma yapay zeka ve büyük veri ile çözülebilir.Gelişmiş EGFR mutasyonu hedefli terapiye sahip 500'den fazla hastanın çok merkezli BT verilerine dayanarak hedefli tedavinin progresyonsuz sağkalımını yansıtan bir tahmin modeli oluşturmak için LASSO-COX kullandık, EGFR mutasyonunun tespitini gerçekleştirmek için Hedefli tedavi ile ilerlemiş akciğer kanseri hastaları için progresyonsuz sağkalımın bireyselleştirilmiş ve doğru tahmini.
İlerleyen aşamada herhangi bir ilerleme göstermediği tespit edilirse, kendisine şu anda bu hedefe yönelik ilacı kullanmamasını hatırlatacağız.Fiyatın yüksek olmasından bahsetmiyorum bile etkisi çok büyük değil. Şu anda, bu araştırma CCR'de yayınlanmaktadır ve aynı zamanda yerli bilim adamları tarafından çözülen önemli bir tıbbi çalışmadır.
Örneğin, sistem bir hastanın enfiye kanseri için yargılar ve hayatta kalma tahminleri yapabilir.
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.
Bir başka örnek vermek gerekirse benim ülkem karaciğer kanseri olan büyük bir ülkedir.Karaciğer fibrozu, karaciğer sirozu ve karaciğer kanseri karaciğer kanserli hastalarda patolojik değişikliklerin üç aşamasıdır.
Bu nedenle karaciğer kanseri hastalarının tedavisi için karaciğer fibrozlarının doğru bir şekilde belirlenmesi çok önemlidir. Geçmişte doktorlar teşhis için genellikle ultrason kullanıyorlardı, ancak ultrasonun doğruluğu sadece yüzde 60 ila 70 arasındaydı. Doğru bir yargıya varmak için hâlâ yapılması gereken sancılı bir iş var: Karaciğeri delmek. Patolojik doku ile fibrozis olup olmadığını belirlemek ve antiviral tedavi kullanıp kullanmamaya karar vermek için hastanın karaciğerini delmek için bir delici iğne kullanılır.
Soru şu: Bu verileri işlemek için yapay zeka teknolojisi kullanılabilir mi ve aynı patolojik etki karaciğere delinmeden elde edilebilir mi?
Bu soruna yanıt olarak 12 hastaneyi ziyaret ettik, 600'den fazla veri örneği aldık ve özelliklerini çıkarmak için derin öğrenmeyi kullandık.Gerçek ölçüm, kullanım sürecinde yapay zekanın tahmin sonuçlarının karaciğer biyopsisi ile çok tutarlı olduğunu gösteriyor. yöntem.
Yani önceki karaciğer delinme tedavi yönteminin yerini alabilir, böylece hastanın ağrıya dayanmasına gerek kalmaz ve birkaç resim ile mükemmel sonuçlar elde edilebilir.
3. Yeni radyomik modalitesinin uygulanması
Sonraki araştırmalar sırasında, ilgili bazı doktorlar iltihabın sonuçları etkileyip etkilemeyeceğini sordu. Yapay zekanın hafif inflamasyon sorununda hiçbir farkı olmadığını söylemek güvenlidir; şiddetli inflamasyonda bazı farklılıklar vardır, ancak etki büyük değildir ve doğruluk oranı yine de insan yargısından çok daha yüksek olacaktır.
Daha sonra birisi, teknolojinin ticari uygulama için bir yazılıma dönüştürülüp dönüştürülemeyeceği sorusunu gündeme getirdi. Daha sonraki doğrulama sürecinde, ister hafif siroz ister şiddetli siroz olsun, etkinin nispeten sağlam olduğunu ve hastanelerde klinik uygulama için uygun olduğunu bulduk.
Burada şunu vurgulamalıyım ki yapay zekanın tıpta uygulanmasının en iyisi sorun odaklı olmaktır.Sorunlar olduğunda onları çözmenin yollarını bulun. Biz klinik kökenli olabiliriz ve klinikten daha yüksek olabiliriz.Şu anda uygulamayı ticarileştirdiğimizde doktorlar direnmeyecek ve onu kullanmak için inisiyatif alacak, çünkü teşhise yardımcı olmalarına yardımcı olabilir.
Yukarıdakiler, yapay zekanın tıpta klinik bir bakış açısıyla uygulanmasıdır. Ardından, tıbbi uygulamalarda yapay zeka, örüntü tanıma ve büyük verinin ilerlemesinden teknik açıdan bahsedeceğim.
4. Radyomiklerin Temel Teknolojileri
Örnek olarak tümör tedavisini alın.
Birincisi tümör segmentasyonudur.Genellikle doktorların önce betimleme yapması gerekebilir ve daha sonra makine öğrenmesi yöntemleriyle yarı otomatik veya tam otomatik iş bölümü yapılabilir.Bu segmentasyonlar yapay zekayı kullanabilmemiz için ilgili radyomik özellikleri çıkarabilir. Model analizi. Bu parça için birçok teknik yöntem var ama açıkçası hangi yöntemin daha iyi olduğu, karşılaştığınız sorunlara bağlı.
İkinci yön özellik tanımlamasıdır.Radyomikler ve yapay zeka insanlardan daha akıllı değildir, ancak doktorlar film okuduğunda, insan gözünün çıkardığı bilgiler her zaman şekil tabanlı ve yapı tabanlıdır.
Radyomiklerden çıkarılan öznitelikler yoğunluk, doku, dalgacık, maksimum değer, standart sapma ve insan gözünün göremediği ve insan beyni tarafından işlenmesi zor olan gri skala matrisidir.
Bilgisayarlar için, tam olarak en iyi yaptığı şeydir.
Bu nedenle öznitelik seçiminde bilgisayar tarafından seçilen öznitelikler ile insan gözünün tanıdığı öznitelikler tamamlayıcı bir ilişki oluşturur. Çapaklar ve loblar gibi bilgiler de dahil olmak üzere yüksek boyutlu özellikleri çıkarmak ve ardından yaş, cinsiyet, aile geçmişi vb. gibi bilgileri entegre etmek için bilgisayarları kullanabilirsek, 1+N olmalıdır. > N, insan-bilgisayar etkileşimini başarabiliriz, bilgisayarlar ve insanlar birlikte çalışır, böylece ilacımız daha doğru olur.
Öznitelikleri seçerken, ne kadar iyi olursa, özellikle bu yüksek boyutlu özellikler ne kadar çok çıkarılırsa o kadar iyi olduğunu unutmayın. Bir de çok önemli bir nokta var: Radyomikler ve yapay zeka şimdi neden sıcak?Bu yüksek boyutlu özellikler, genler ve proteinler gibi mikroskobik bilgileri içeriyor ve bu makroskobik görüntülere yansıdı, ancak geçmişte insan gözünün algılayamıyordu. çıkarılmış, ancak şimdi bilgisayar, tahminlerimizi daha doğru hale getirmek için bu bilgileri ayıkladı ve sistematik olarak işledi.
Öznitelikleri çıkardıktan sonra, çok önemli bir başka çalışma da boyutsallık indirgemedir. Öznitelik boyutluluğu azaltma yöntemlerinin dört ana sınıfı vardır: seyrek seçim, uzaysal haritalama, sinir ağları ve özyinelemeli dışlama.
Belirli klinik problemler için endüstri, bilgisayar nicel görüntü özellikleri ile incelenen klinik araştırma sorusunun etiketi arasında bir sınıflandırma modelinin oluşturulmasını da benimser. Esas olarak kullanılan iki tür model vardır:
SVM modeli: Görüntü büyük verisinin orijinal piksellerinden başlayarak, yüksek boyutlu elle tasarlanmış öznitelikler ayıklanır ve seçilir ve görüntü özniteliklerinin ve klinik problemlerin bir sınıflandırma modeli oluşturulur.
CNN modeli: Görüntünün büyük verilerinin ham piksellerine dayanan model, klinik problemlerle ilgili radyomik özellikleri otonom olarak araştırabilir ve görüntü özellikleri ile klinik problemlerin bir sınıflandırma modelini oluşturabilir.
Modelleme kısmına gelince, daha önceki pek çok konuşmacı da birçok modelden bahsetmişti.Yapay zeka ve derin öğrenme için bir dizi model var.Hangi modelin daha iyi olduğu önemli değil.Anahtar senin sorunun. sağkalım tahmini mi yoksa tedavi edici etki mi yapmak istiyorsunuz Değerlendirme, tıpta kullandığımız farklı nesneler ve problemler için farklı yöntemler seçmeliyiz.
Bu yöntemle kurduğumuz model sınıflandırma doğruluğunu iyileştirebilir ve hatta ilgilenen doktorun seviyesine bile ulaşabilir.Birçok örnek gördünüz o yüzden ayrıntılara girmeyeceğim.
Ama burada ayrıca çok önemli bir kısım var ki, bilgisayar ve mühendislik yaparken en kolay gözden kaçan kısım: Biz genellikle modeller oluşturuyoruz ve bu sonuçları doktorların kullanabileceğini umarak doğrudan doktorlara gösteriyoruz.
Bu zamanda kesinlikle kapalı olacaksınız çünkü doktor kesinlikle ihtiyacım olanın bu olmadığını söyleyecek, modellerinizi anlayamıyorum ve hiç kullanamıyorum.
Bu nedenle, sonraki aşamada çok önemli bir adım, resimleri ve kelimeleri okumalarına izin vermek ve bu verileri görselleştirmektir. Doktorlara çok model verirseniz anlamakta zorlanırlar.Resimlerle değiştirdikten sonra çok faydalı buluyorlar.Probleme doktor gözüyle bakıp modelleri görselleştirmemiz gerekiyor.
Ayrıca bilgisayar işleme veriden ayrılamaz ve bu verilerin kalitesi nedir, buna bir de doktor gözüyle bakmamız gerekiyor.
Geçen yıl Journal of Clinical Oncology'de bir makale yayınlandı.Aynı zamanda Hollandalı bir doktor tarafından yayınlandı.Veri kalite standartlarının değerlendirilmesinden bahsediyordu.16 değerlendirme standardı verdi ve 36 puan tam puandı.Ben de yapabilirim. programı yaz, basit programlar yaz, internete koy direk skor için formu doldur ve son olarak veri kalitesinin nasıl olduğunu anlatabilirsin.Tıbbi muhakeme ve görüntüleme için de yapay zekanın kullanımı olduğunu düşünüyorum. grup ilktir. Referansa ve referansa değer, nispeten açık bir veri standardıdır.
V. Yapay Zekanın Gelecekteki Beklentileri + Tıbbi Görüntüleme
Az önce yapay zekanın tıbbi sorunları teknik açıdan nasıl ele alabileceğinden ve bunları çözmek için hangi yöntemlerin kullanılacağından bahsettim. Beş bağlantı içerir: segmentasyon, özellik çıkarma, model oluşturma, model görselleştirme ve kalite kontrol.
Son olarak, yapay zeka yöntemleri, veri, yazılım ve paylaşım platformları başta olmak üzere tıbbi görüntüleme uygulamalarında yapay zekanın gelecekteki gelişim yönüne değinmek istiyorum.
Yöntem eksikliğimiz yok, verimiz çok, her türlü yazılımımız var ama benim iletişim ve paylaşım platformum yok.Toplantımız aynı zamanda bir iletişim ve paylaşım platformudur.İlgili firmalarımıza da tavsiye ederim. toplantıdan sonra ilgili kaynakları paylaşın, yapay zekanın tıp alanında uygulanmasını daha iyi teşvik edebilir.
Modelle başlayayım.Son yıllarda, evrişimli sinir ağları, transfer öğrenme ve oyun evrim modelleri de dahil olmak üzere birçok yapay zeka modeli oldu.Veriler de artıyor ve zeka seviyesi sürekli gelişiyor, bu yüzden ben Bu sorunu göstermek için iki boyutlu bir kare matris yaptı.
Transfer öğrenimi büyük veriler üzerinde eğitildikten sonra, küçük tıbbi verilerden karmaşık görüntü özellikleri çıkarabiliyoruz ve bu özellikler de iyi yorumlanabilir. Aynı zamanda, çıkardığımız yüksek boyutlu özellikler bir meydan okuma getirecek ve klinisyenler bunun ne anlama geldiğini anlayamadıklarını ve bilmediklerini söylüyorlar.
Bu noktada doktorun kafa karışıklığını açıklayamıyoruz, çünkü bu bilgisayar analizinin sonucu ve karaciğerdeki hangi damarın veya böbrekteki hangi hücrenin karşılık geldiğini söyleyemeyiz.
Ancak bu özellikleri belirli bir görselleştirmeye sahip olan güçlü özellik dağılımına sahip bir ısı haritası ile de ifade edebiliriz.Böylesine güçlü özellikleri olan bir ısı haritası için ponksiyon veya hedefe yönelik terapi yaptığınızda ponksiyon etkisi çok iyi olacaktır. .
Aynı zamanda, akciğer kanseri gen mutasyonu tahmininin doğruluğunu artırmak için derin öğrenme transfer öğrenme yöntemini de kullanabiliriz.
Transfer öğrenme modeli 1.28 milyon görüntü ile eğitilmiştir.Akciğer kanseri yaptığımızda çok fazla görüntümüz olmayabilir ancak tahmin doğruluğunu geliştirmek istersek önceki görüntülerle eğittiğimiz model de daha iyi sonuçlar alabilir Etkisi.
Ayrıca oyun evrimi modelinin artık nispeten sıcak olduğunu herkes biliyor.Makine öğrenmesinin tıbbi uygulamalarda da çok önemli olan zeka seviyesini geliştirmesini sağlayabilir.
Omics analizi için yapay zeka kullandığımızda çok hastalıklı, çok modlu, çok merkezli ve çok parametreli veri füzyonuna ihtiyacımız olduğunu belirtmek gerekir.Bu kısımda çok önemli bir nokta var ki veri standardı , ülkemize rağmen bu alana artık büyük önem verilmiş ve bir dizi hazırlık yapılmış olsa da şu ana kadar görüntü büyük veri için bir veri standardı ya da veri normalleştirme için bir endüstri standardı olmamıştır, bu yüzden hala bir meydan okuma.
Şu anda hastanemizde büyük miktarda veri var.Çok miktarda veri büyük veri anlamına gelmiyor.Veri temizliğinden geçmemiz gerekiyor.Görüntü verileri nispeten standardize edilmiş ancak patolojik bilgilere,tedavi bilgilerine ve prognoz bilgilerine ihtiyacımız var. Evet, yapay zekanın daha doğru tahminler yapabilmesi için.
Yani burada ayrıca söylemek istiyorum ki daha önce bahsettiğim örnekler, lenfatik diseksiyon çalışması, aslında sağkalım tahmini yapmak istedik, ancak sağkalım tahmini için hastaları iki yıldan fazla takip etmemiz gerekiyor, bu yüzden çok fazla ekstraksiyon. hala yapılması gereken bilgi var.Tıp pratisyenleri popüler bilime gittiklerinde, klinik araştırma yapmak için çok fazla bilgiye ihtiyacımız olduğunu hastalarına bildirmeleri gerekiyor.
Neyse ki ülkemiz büyük bir nüfusa ve çok sayıda hastaya sahip, bu nedenle veriler aynı zamanda bizim doğal avantajımızdır.Son yıllarda, çocukların meyve hücreli tümörü, bir fundus tümörü dahil olmak üzere farklı hastaneler tarafından toplanan verilerle işbirliği yaptık ve biz de ilgili verileri toplayabilir. ; Akciğer kanseri, meme kanseri verileri daha büyüktür. Bu veriler çok fazla mahremiyet içermez.Çıktığımız şey yüksek boyutlu bilgilerdir ve orijinal görüntüleri saklamamız gerekmez, yani bir anlamda bu verilerin gizliliği daha iyi çözülür.
Verilerle de yazılıma ihtiyacımız var, her türlü yazılımı, özellikle tıbbi görüntü işleme için yazılım geliştirebiliyoruz, laboratuvarımızda üç yazılımımız var, ilki tıbbi yazılımlar için entegre bir platform olan MITK, rekonstrüksiyon, segmentasyon dahil. görselleştirme, bir diğeri 3 boyutlu yazılım, ayrıca tamamı açık kaynak kodlu ve web sitemizden indirilebilen radyomik yazılımımız da var.
Yapay zekanın tıpta uygulanması tıp ve mühendislik arasında bir geçiş olmalı.Biz mühendisler tıbbi yelekler giymeli, tıbbi sorunları anlamalı, tıbbi konferanslara katılmalı ve doktorların ihtiyaçlarını anlamalıyız.Doktorlar olarak yöntemleri de bilmeliyiz. mühendislik. , sebebini bilmiyor olabilirsin ama gerçeği bilmelisin ki klinikten çıkabilelim, kliniği aşabilelim ve kliniğe dönebilelim, sadece bir hastalığı görmek için değil, sadece bir yazılım değil.
Buradan bildireceğim, lütfen eleştirip düzeltin, teşekkür ederim. (Bitiş)
İzleyici soruları: Az önce görüntülerden yüksek boyutlu bilgi almanız gerektiğini söylediniz ve bunun klinikten gelmesi ve sonunda kliniğe dönmesi gerektiğini söylediniz, bu yüksek boyutlu bilgileri kim sağlayacak? Doktordan mı bahsetmeli, yoksa mühendislik çalışanlarımızdan mı bahsetmeli? Ayrıca bazılarınızın 400 yüksek boyutlu bilgiye sahip olduğunu duydum ve bazı makalelerin daha fazla olduğunu gördüm.Bu bilgiyi nasıl buldunuz?
Profesör Tian Jie: Bu çok güzel bir soru ve çok önemli. Bunu yapmak için bilgisayarları kullanırsak, hala yapısal özelliklerde kalırız, bazı doktorların hatalarını telafi edebiliriz, ancak teşhise yardımcı olamayız.
Az önce bahsettiğim yüksek boyutlu bilgiler işe yarar mı, doktorlar bilmiyor biz de bilmiyoruz ama bilgisayar ve derin öğrenme ile çıkardıktan sonra ancak deneyebiliriz ve bazı sorunlar iyi çözülebilir. , bazı problemler henüz çözülemiyor, sadece bu yüzlerce hatta binlerce özelliği ayıklıyoruz, onları bu özellikler ve patolojik bilgilerle birleştiriyoruz ve sonra boyutsallık indirgeme olan anahtar bilgiyi filtreleyip ayıklıyoruz ve son olarak Modelliyoruz ve sonra iyi bir sonuç alıyoruz. .
Doktorlarla etkileşim sürecinde bu özellikler insan gözüyle görülemez ve doktorlar onları anlayamaz.Bu özellikleri gönderdiğimizde çoğu doktor anlayamaz.Tıp dergilerine gönderdiğimizde sorar. Bunun ne etkisi var, anlatamıyoruz, o yüzden bunları değiştirdik ve sonunda bir ısı haritası moduna geçtik ve sonunda bunun tümörün merkezi olabileceğini açıkladık, böyle bir sorunu yansıtabilir, olabilir. bkz. Anladım, sorunlu olduğunu biliyordu ve makalemizi kabul etti.
Bu özellikler sadece yararlı olduğunu göstermekle kalmaz, aynı zamanda doktorlarla iletişim kurmanın bir yolunu bulur, bu özellikleri görselleştirmeye dönüştürür, böylece doktorlar kabul edebilir ve klinik önemini açıklar. Aynı zamanda acı verici bir etkileşim sürecidir.
İzleyici soruları: Milyonlarca doğal görüntüyü karaciğerin tıbbi görüntülerine aktaran aktarım öğrenme çalışmanızı yeni gördüm, ancak aktarım öğrenmenin tıbbi bir önemi olması gerektiğini söyleyen bir makale gördüm, bunu yaparsanız, doğal Görüntünün tıbbi görüntüye aktarılmasına izin verin, nedir? klinik önemi? Doktor bunu kabul eder mi?
Profesör Tian Jie: Doktorun bunu kabul edip edemeyeceği klinik etkiye ve sorunu klinik olarak çözüp çözemeyeceğinize bağlıdır.
Bilgisayarlı görme konferansına gitmedim, şimdi Amerikan Klinik Onkoloji Derneği'ne, Amerikan Onkoloji Derneği konferanslarına gidiyorum, klinik etkiyi öğrenmek için klinisyenlere gitmeli ve onların size "işkence yapmalarına" izin vermelisiniz. kabul edebilecekleri klinik etki. Yani, şu anda modeliniz gerçekten işe yarıyor. Bilgisayarlı görme konferanslarında her zaman yöntemim ve parametrelerim hakkında konuşuyoruz. Bunun pek mantıklı olduğunu düşünmüyorum. Elbette makaleler yazabilirim, ama sadece kağıdı paraya çevir.
Bu yüzden teknisyenlerimizin doktor yelekleri giymesi ve tıp konferanslarında iletişim kurması gerektiğini söyledim. Ben bir mühendislik öğrencisiyim, ancak son yıllarda bilgisayarla ilgili tek bir makale yayınlamadım, hepsi tıbbi makaleler. Bununla gurur duyuyorum.Tıp dergilerinde makaleler yayınlayabilmemin klinik önemi var, çünkü hakemlerin hepsi doktor, bu da doktor yeleği giydiğim anlamına geliyor.
Tıp alanında ilerlemek isteyen tüm mühendislik öğrencilerinin yapması gereken bir değişiklik olduğunu düşünüyorum, doktorların gözünden düşünmeleri, hakim olmaları ve tanımlamalarına izin vermeleri gerekiyor. Lei Feng Ağı Lei Feng Ağı
