Введение рентгенолога в машинное обучение — серия из 10 частей
Часть 1
Авторы: Данило Пенья, Dr. Тай Вашон
Редактор: Доктор. Майкл Докси
В 2017 году Kaggle Data Science Bowl поставила своей целью использование машинного обучения и искусственного интеллекта для борьбы с основной причиной смерти от рака в США как среди мужчин, так и среди женщин. Участникам было предложено использовать набор данных из тысяч изображений КТ легких с высоким разрешением для создания новых алгоритмов обнаружения рака легких. Эти алгоритмы были созданы для улучшения диагностики и снижения количества ложноположительных результатов.
Какая из 394 соревнующихся команд получила главный приз? Команда, объединяющая представителей факультетов медицины и компьютерных наук Университета Цинхуа в Китае.
Подобные соревнования — отличный способ объединить международные таланты с глобальными проблемами. Этот стиль командной работы лишь слегка приоткрывает безграничный потенциал для продвижения в нашей области за счет взаимодействия между медицинскими работниками и информатиками.
Во время обучения рентгенологу мы узнаем, что 3-сантиметровая спикулированная масса мягких тканей, ослабляющая легкое, имеет очень высокую вероятность быть раком. Точно так же 5-миллиметровый, гладкий, кальцифицированный узел имеет очень низкую вероятность того, что он является раком.
Однако мы также знаем, что многие легочные узелки находятся где-то посередине между нашей способностью точно предсказывать злокачественность. Общество Флейшнера очень усердно работало, чтобы предложить решение с обновленными критериями последующих действий в 2017 году, которые включали изменения как размера, так и плотности. Тем не менее, мы все еще не можем посмотреть на 8-миллиметровый узелок со слегка неровной границей и сказать, насколько вероятно это будет рак.
Чтобы сделать конкурс Kaggle еще на один шаг вперед, существует вполне реальная возможность того, что критерии Флейшнера (или их замена) будут очень настраиваемыми, а отслеживание узелков в легких улучшится. Мы углубимся в это подробнее в статье 2.
Эти команды Kaggle используют аналогичную технологию распознавания лиц Facebook. Вы когда-нибудь задумывались, как они могут определить, кто изображен на ваших фотографиях? Эта технология называется глубокое обучение, подмножество машинного обучения и подмножество искусственного интеллекта, и мы также углубимся в эти темы в статьях 3, 5 и 6.
Такого рода усилия являются свидетельством существования сообщества открытого исходного кода и того, как люди полны решимости находить новые решения важных проблем, работая вместе и обмениваясь данными.
Давайте возьмем противоположную точку зрения, что машинное обучение и искусственный интеллект могут предвещать устаревание специальности радиология. На ум приходит профессор Джеффри Хинтон.
Джеффри Хинтон — очень умный парень, но отсутствие у него медицинской подготовки в отношении нюансов рентгенологической специальности, таких как биопсия под визуальным контролем, советы по опухолям и обсуждение с нашими коллегами-хирургами и т. д., возможно, дало ему лишь поверхностное представление о наша профессия. Работа рентгенологов будет трансформироваться с появлением новых инструментов, но будет существовать до тех пор, пока мы продолжаем помогать нашим коллегам-клиникам.
На результат конкурса Kaggle также повлияли сроки и доступные ресурсы. Благодаря огромному рынку видеоигр у нас впервые появились экономически эффективные вычислительные мощности высокой мощности, называемые графическими процессорами (GPU). Подробнее в статье 3. Еще одна область, которую мы можем считать само собой разумеющейся, — распознавание голоса. Хотя мы можем видеть или не видеть улучшения изо дня в день, за последнее десятилетие оно, безусловно, улучшилось. Подробнее в статье 4.
Еще одна очень важная часть головоломки — это данные. Много данных. Много данных, которые правильно помечены. Американский колледж радиологии (ACR) и Стэнфорд в настоящее время работают над этим. Подробнее в статье 5. (или 7).
Совместные команды ученых-компьютерщиков и медицинских работников обладают удивительным потенциалом для разработки алгоритмов изменения поля. Но когда мы говорим о внедрении этих технологий в наш повседневный рабочий процесс, или в контексте конфиденциальности, или управления данными — давайте сверчкам. Подробнее в статье 8.
Прежде чем мы пойдем дальше, мы хотели бы официально представиться.
«Это первая из серии из 10 статей, призванных помочь моим коллегам. Я отслеживаю рост машинного обучения и медицинских приложений с 2012 года и следую за такими великими наставниками, как доктора. Дрейер и Михальски. Информатика, особенно использование медицинских изображений, была большой частью моего опыта. Я получил радиологическое образование в ВМС США после службы летным хирургом в морской пехоте. Мой последний тур по военно-морскому флоту был на Окинаве, включая турне главы радиологического отделения, прежде чем я завершил свою службу в военно-морском флоте и вернулся в Сан-Диего в качестве ангела-инвестора, предпринимателя, советника и консультанта по информатике. На момент написания этой статьи у меня нет соответствующей финансовой информации об этой серии».
«У меня есть опыт работы в области химического машиностроения, и я два года работал инженером. Во время работы я понял, что мне нужно оказывать большее влияние на общество, и я также хотел научиться программировать. Таким образом, я подал заявление в школу, поступил и уволился с работы. В настоящее время я учусь на магистра биомедицинской информатики в Центре медицинских наук Техасского университета в Хьюстоне и являюсь научным сотрудником Альберта-Швейцера. Я всегда учусь, и я рад помочь другим узнать то, что я знаю. Я надеюсь, что с помощью этой серии статей люди от медицины до области машинного обучения и просто обычные люди смогут использовать эту информацию, чтобы понять текущую ситуацию в радиологии и ее связь с технологическими достижениями в области искусственного интеллекта».
Мы верим, что с помощью наших разрозненных, но взаимодополняющих навыков мы можем рассказать другим об этой захватывающей области.
Теперь, когда вы немного узнали о нас, вам может быть интересно, почему вам следует тратить свое время на наши сериалы.
В этой серии мы начнем медленно и рассмотрим ключевую терминологию. Мы также обсудим достаточно недавний исторический прогресс, чтобы обеспечить контекст и рассмотреть новые тенденции. Если вы немного более продвинуты, предложите уточняющие мысли из личного опыта в комментариях. И, конечно же, если вы заметите какой-либо ошибочный текст, мы также смиренно рассмотрим эти комментарии.
Эта серия не претендует на то, чтобы быть исчерпывающей, но эти статьи призваны уравнять правила игры, когда речь идет о радиологии и искусственном интеллекте. Это поле быстро меняется, и в нем много движущихся частей. Мы вносим свой вклад в обучение и обучение в рамках этого процесса.
Присоединяйтесь к нам, чтобы прочитать интересный набор статей, подготовленных опытным рентгенологом, специализирующимся на технологиях, и студентом, заинтересованным в понимании того, как машинное обучение и искусственный интеллект повлияют на здравоохранение следующего поколения.
