Задачи
Диагностика в гистопатологии по-прежнему основана на медленных и часто субъективных ручных подходах.
Одной из новых технологий, которая может обеспечить решение этой проблемы, является машинное обучение или, в частности, глубокое обучение. Мы считаем, что за счет автоматизации рутинных задач и количественной оценки различных диагностических параметров алгоритмы глубокого обучения приведут к одному из самых больших преобразований в патологии.
К сожалению, несмотря на свой потенциал, внедрение этих технологий в рутинную практику идет медленно. Есть два основных препятствия на пути широкого использования глубокого обучения в ветеринарной патологии:
1. Отсутствие инфраструктуры, необходимой для оцифровки гистологических образцов.
Из-за их высокой стоимости многие учреждения и клиники до сих пор не могут позволить себе сканеры микропрепаратов и, следовательно, не в состоянии осуществить переход от традиционной микроскопии к цифровой патологии. Помимо высокой цены, эти системы зачастую полностью закрыты и используют собственные технологии и форматы изображений.
Эти практики значительно замедляют развитие науки. Оцифровка имеет решающее значение, потому что она «открывает дверь» для использования компьютерных алгоритмов и, следовательно, для глубокого обучения анализу изображений. Без высокоразрешающего и недорогого сканера предметных стекол микроскопа мы не можем ожидать широкого применения этих алгоритмов в цифровой патологии, независимо от их потенциала.
2. Недорогое и масштабируемое решение для создания приложений глубокого обучения в ветеринарной гистопатологии.
Помимо оцифровки, алгоритмам глубокого обучения нужно много помеченных изображений. Маркировка медицинских изображений — это не только трудоемкая задача, но и опыт в данной области. Экспертиза предметной области в сочетании со временем приводит к высоким затратам. Высокие затраты не являются устойчивыми, особенно в ветеринарии. Кроме того, наличие экспертов по машинному обучению, обучающих нейронные сети без глубокого понимания базовых данных, очень неэффективно, а иногда и не так безобидно.
Решение
Вместо того, чтобы рассматривать эти барьеры как две отдельные проблемы, нам следует применять более «целостный» подход к этим вопросам. Мы утверждаем, что наиболее эффективным и масштабируемым способом создания сотен приложений глубокого обучения, которые нам нужны в ветеринарной гистопатологии, является создание сильного сообщества, которое будет обладать навыками и внутренней мотивацией для выполнения всего сквозного процесса, необходимого для создания глубокого обучения. модели.
Чтобы создать такое сообщество, мы разработали Marvin — недорогой, открытый и программируемый сканер предметных стекол микроскопа. Для студентов-ветеринаров Marvin имеет ту же цель, что и Raspberry Pi. Как программируемое оборудование, он служит отличным введением в программирование на Python, а также ступенькой к более сложной обработке изображений. В качестве сканера предметных стекол микроскопа он представляет собой платформу для разработки и развертывания своих моделей.
Впереди нас
Наша цель — создать платформу, состоящую из аппаратных (Marvin) и программных (облачных) компонентов, которая позволит сообществу (ветеринарным патологоанатомам) упростить разработку и развертывание своих приложений глубокого обучения.
Хотим поблагодарить Богдана Бачу (этот парень). Он оказал огромное влияние на этот проект, и без его поддержки мы бы не продвинулись так далеко.
Богдан классный парень! Будь как Богдан и поддержи нашу краудфандинговую кампанию на experiment.com. Давайте окажем влияние на ветеринарию.
