Введение в машинное обучение радиолога - серия из 10 частей

Часть 7

Авторы: Данило Пена, Dr. Тай Вашон

Редактор: Dr. Майкл Докси

Часть 1 | Часть 2 | Часть 3 | Часть 4 | Часть 5 | Часть 6

Многие организации, занимающиеся радиологией, занимают позицию в отношении машинного обучения и искусственного интеллекта. Это должно быть четким сигналом для вас и ваших коллег о том, что в ближайшие годы и десятилетия вы будете уделять больше внимания.

Когда вы находитесь на своем пути, чтобы глубже погрузиться в эту уникальную область, обязательно оставайтесь на связи с учреждениями, у которых есть кожа в игре, вместо того, чтобы полагаться на основные средства массовой информации для получения вашей информации.

В этой статье мы осветим возможности и текущее состояние сочетания радиологии и искусственного интеллекта.

Машинное обучение - это постоянно развивающийся набор инструментов, и каждый день люди и организации совершенствуют передовой опыт. Как и в случае с любой новой технологией, необходимы общепринятые рамки для обсуждения, будущего законодательства и того, как отрасль должна думать об этих огромных изменениях. (1)

«Исследования в области визуализации ИИ выиграют от создания

1. Национальные и международные сети обмена изображениями

2. Справочные наборы данных с подтвержденными случаями тестирования и сравнения программ ИИ.

3. Критерии стандартизации и оптимизации протоколов визуализации для использования в приложениях искусственного интеллекта.

4. Общая лексика для описания приложений ИИ и создания отчетов ».

Эти четыре всеобъемлющие идеи должны заставить вас задуматься о прогрессе, который необходимо сделать для обеспечения успеха машинного обучения, а также о зарождающемся этапе в этой области. Это отличная возможность для вас сыграть роль во внедрении искусственного интеллекта. То, как люди взаимодействуют с более интеллектуальными машинами, необходимо регулировать, чтобы не только избежать коррупции, но и не ограничивать инновации.

Еще один аспект, о котором следует помнить, - это персонализация. Персонализация - это ключевая часть знакомства с новыми технологиями и их комфортного использования. Это похоже на то, как вы переставляете свои приложения на главном экране смартфона. Такая степень персонализации проявится в том, как радиологи используют эти алгоритмы машинного обучения.

Например, некоторые компании позволяют пользователям увеличивать или уменьшать чувствительность и / или специфичность алгоритма. Это интересное измерение, потому что оно может помочь определить роль алгоритма в рабочем процессе врача.

Вас беспокоят истинные положительные или отрицательные стороны? Оба имеют свои достоинства, и радиолог должен решать, как настроить, так сказать, эти модели по своему вкусу.

Остановитесь и подумайте о своем ежедневном или ежечасном рабочем процессе радиологии или любом другом рабочем процессе в этом отношении. Это может быть похоже на рабочий процесс доктора Кейта Драйера, описанный выше. Любая повторяющаяся задача или любая задача, которую компьютер может выполнить быстрее, чем человек, - это возможность для инноваций. В рамках рабочего процесса можно разработать и подключить к общему набору искусственного интеллекта все пути диагностики, гарантии качества и / или последующие рекомендации.

Опять же, это не должно вас пугать. Это должно открыть дверь к новому способу лечения пациентов и выполнения вашей работы. Возможно, будет больше навыков правого полушария, которые будут задействованы по мере того, как интеллектуальные системы работают с ногами.

Сравнительные эффективные исследования набирали обороты в 2015 году, и теперь их можно проводить в режиме реального времени. Поддержка принятия клинических решений может быть улучшена. Может быть, даже протоколы экзаменов. Все это повседневные задачи, отнимающие время врача. По мере того, как эти задачи становятся автоматизированными, вы можете представить себе мир, в котором обязанности врача сосредоточены на взаимодействии с пациентом, а не на технологиях, которые его окружают.

Другая возможность - это сотрудничество.

Что касается конкурса Kaggle, идея передачи проблем широкой публике теперь не нова. Чтобы найти хакатон, будь то очный или виртуальный, не нужно много искать. Даже сегодня существует множество конкурсов Kaggle, которые проводятся параллельно - некоторые с денежным призом, большинство - за право хвастаться.

Это также область, в которой медицина действительно может набрать обороты или, по крайней мере, заставить некоторых умных людей работать над насущной проблемой, если их правильно стимулировать.

Как вы можете видеть на фотографии выше, это пример фреймворка, который можно использовать для облегчения соревнований любого рода. Пока у вас есть анонимный набор изображений с достоверной информацией и группа людей, которые могут сотрудничать, некоторые интересные решения определенно появятся.

Эти модели будут развертываемыми и, надеюсь, масштабируемыми. Даже если это не так, методы и идеи, созданные за это время, несомненно, значительно продвинут границы в сторону более надежной системы здравоохранения.

В этой статье мы рассмотрели некоторые концепции, которые начинают закипать, не доходя до масс. Как видите, необходимо сделать очень много.

Ссылки

  1. Тралл, Дж. Х., Ли, X., Ли, К., Круз, К., До, С., Дрейер, К., и Бринк, Дж. (2018). Искусственный интеллект и машинное обучение в радиологии: возможности, проблемы, подводные камни и критерии успеха. Журнал Американского колледжа радиологии, 15 (3), 504–508. DOI: 10.1016 / j.jacr.2017.12.026