Роберто имеет докторскую степень. студент программы статистического машинного обучения в Университете Альберты, работающий под руководством профессора Расса Грейнера. Он также является частью Института машинного интеллекта Альберты и группы вычислительной психиатрии. Кроме того, он сотрудничает со стартапом MEDO.ai в разработке моделей машинного обучения для анализа медицинских ультразвуковых изображений.
Его текущее исследование сосредоточено на том, как использовать методы машинного обучения и вероятностные графические модели для решения медицинских проблем. В частности, его интересуют три области: как устранить неопределенность, присутствующую в медицинском диагнозе, с точки зрения машинного обучения, как эффективно изучать точные классификаторы с ограниченными размеченными данными и как найти эффективные способы объединения данных изображений, извлеченных из разных сканирований. сайты для создания лучших предикторов.
ФГ: Привет, Роберто! Я добавлю вашу краткую биографию во вступление, но расскажите нам больше о вашем прошлом. Как вы заинтересовались машинным обучением?
Р.В.: Я заинтересовался применением технологий в области медицины, когда учился в Мексике. Я начал в другой области, создавая физические устройства для реабилитации и вспомогательные технологии для детей с ограниченными физическими возможностями. Когда я закончил бакалавриат, еще в 2008 году, мы с друзьями решили создать стартап, ориентированный на разработку устройств для физической реабилитации.
Стартап провалился, и через 2 года мы отказались от проекта. Меня по-прежнему интересовала сфера медицины, поэтому я спросил своего бывшего профессора Хильдардо Санчеса, можно ли использовать смартфоны для анализа изображений и помощи в медицинской диагностике. Он сказал мне, что они работали над подобными проблемами в его исследовательской группе. Я попросил его принять меня в качестве научного сотрудника, он согласился, и я связался с машинным обучением.
Я работал с ним в течение одного года, полагая, что машинное обучение — это так же просто, как передать изображение компьютеру и автоматически поставить правильный диагноз. Очень скоро я понял, что это не так просто, и что мне нужно более глубокое знание машинного обучения, если я хочу заставить его работать. Именно тогда я начал искать сильные исследовательские группы по всему миру, которые работали над приложениями машинного обучения в медицинских целях. Я нашел группу доктора Расса Грейнера в Университете Альберты, подал заявку на магистерскую программу, и меня приняли. Я до сих пор работаю в его группе, уже как кандидат наук. ученик.
FH: Как бы вы описали область своей специализации/интереса? Над какими исследовательскими проектами вы работаете?
РВ: В целом меня интересует, как разрабатывать технологии, которые помогают врачам лучше выполнять свою работу и в то же время улучшать результаты лечения пациентов. Вся моя работа связана с машинным обучением, в основном это анализ данных фМРТ при психических заболеваниях и ультразвуковых изображений при различных проблемах, таких как дисплазия тазобедренного сустава, рак щитовидной железы и т. д.
В области медицины есть некоторые специфические проблемы, которые лежат в основе моего исследования. Одна из них заключается в том, что существует неопределенность в диагнозе. Иногда, если вы даете одну и ту же информацию разным врачам, они могут поставить разные диагнозы. Это проблематично для машинного обучения, поскольку оно должно учиться на диагнозе, поставленном врачами. В настоящее время я работаю над тем, как решить эту неопределенность с точки зрения машинного обучения.
Второй тип проекта, над которым я работаю, — это изучение хороших классификаторов, когда у нас нет размеченных данных. Были достигнуты удивительные успехи в области распознавания изображений, но, к сожалению, в медицинской визуализации у нас нет миллионов доступных изображений. Как мы можем эффективно использовать имеющиеся у нас ограниченные данные?
Наконец, я работаю над тем, как разрабатывать модели, которые работают с изображениями, полученными с разных машин. Врач может без особых проблем просмотреть ультразвуковое изображение, полученное с помощью ультразвукового сканера любого производителя. Для компьютера это настоящая проблема, поэтому нам нужно подумать о создании алгоритмов, устойчивых к изменениям на разных сканерах.
ФГ: Помимо обычной курсовой работы, как вы тренировались? Какой совет вы бы дали тем, кто только начинает?
РВ: Я начал с онлайн-курсов (Курс Эндрю Нг на Coursera — хорошая отправная точка). Затем я начал читать книгу Тома Митчелла по машинному обучению. Эти два ресурса — отличные стартовые ресурсы, но, на мой взгляд, их недостаточно для серьезных исследований в области машинного обучения. Я начал приобретать настоящий опыт в этой области, когда присоединился к группе Расса Грейнера в Университете Альберты. Доктор Расс обладает обширными знаниями и опытом в области машинного обучения, поэтому мои обсуждения с ним и другими аспирантами группы сыграли важную роль в моем учебном процессе. Самостоятельно я бы не научился серьезному машинному обучению. Второй источник больших знаний — это чтение статей, но опять же, есть много статей, и понимание Расса о том, как отличить хорошие статьи от остальных, было очень важным, чтобы сосредоточиться на изучении того, что я считаю нужным.
С другой стороны, я начал разбираться во многих темах машинного обучения, когда стал одним из ассистентов преподавателя машинного обучения. Это позволило мне провести отличные дискуссии с аспирантами, изучающими курс машинного обучения. Они очень умные люди, и у них есть несколько сложных вопросов, которые заставили меня лучше понять тему.
Наконец, участие в проектах. Я начал получать очень интересные идеи, когда пытался применить то, что, как мне казалось, я знал, к реальным проектам. Конечно, поначалу почти ничего не получалось, что заставило меня глубже разобраться в том, как на самом деле работает машинное обучение, и что я могу сделать, чтобы добиться успеха в приложении, над которым я работал.
FH: Что самое интересное в исследованиях в области машинного обучения? И что самое сложное? У какого проекта/инструмента была самая крутая кривая обучения?
Р.В.: В машинном обучении все весело. Разочаровывает то, что поначалу почти все работает, поэтому нам нужно углубиться в проблему, чтобы попытаться найти творческие решения. Я думаю, что самая сложная часть — это определение вопроса, на который вы хотите ответить. Это звучит нелогично, но определение того, что мы хотим сделать и как измерить успех, является одной из самых сложных частей любого проекта.
ФХ: А как насчет вашего блога о машинном обучении, который вы недавно начали? Это тоже звучит весело. Расскажите подробнее. Кто ваш целевой читатель? Какую реакцию вы получили на свои первые два поста? Какие блоги вы хотите опубликовать?
РВ: Честно говоря, я не слишком много думал об этой части. Я подумал о том, чтобы написать некоторые идеи, которые я получил, работая над машинным обучением. Существует множество блогов по машинному обучению, поэтому я не хотел объяснять то, что уже объяснялось сотни раз (и очень хорошо). Я хотел сосредоточиться на том, чтобы поделиться результатами своего исследования. Я не думаю, что многие люди читали мои посты, но сразу после того, как я начал делиться своими взглядами на машинное обучение по ссылке, я начал получать предложения о работе. Я действительно не знаю, связаны ли обе вещи, но это было что-то интересное. Хотя в последнее время я ничего не публиковал...
FH: Каковы ключевые применения машинного обучения в здравоохранении? Какие проблемы лучше всего подходят для решения с помощью машинного обучения?
Р.В.: Я думаю, они могут расширить возможности врачей. Цель состоит не в том, чтобы заменить их, а в том, чтобы дать им инструменты, которые могут исключить утомительную работу, помочь с нехваткой медицинских экспертов во всем мире и помочь им ускорить рабочий процесс и процесс принятия решений. Я считаю, что интерпретация медицинских изображений — это область, в которой машинное обучение окажет влияние в ближайшие годы.
FH: Что вы узнали о потенциальном будущем ИИ с тех пор, как стали исследователем в этой области?
Р.В.: Я думаю, что это отличный инструмент с большим потенциалом. Я также думаю, что очень важно знать, каковы его текущие ограничения, чтобы не давать обещаний, которые мы не можем выполнить. Нам еще предстоит решить много задач.
ФГ: Большое спасибо за ваше время!
