#Как_работает_ИИ

В ночь страха приглашаем вас узреть УЖАСЫ МЕДИЦИНСКИХ ДАННЫХ🎃

О каких жутких вещах расскажут наши коллеги?😁

⏰Егор Шестопалов: "Эволюция DL-сёрвинга в стартапе" (20 минут)

⏰Никита Лештаев: "Что врачу хорошо, то инженеру смерть. Дополнительные требования к медицинским ИИ-сервисам" (17 минут)

⏰Евгений Гутин: "Что такое хорошо, что такое плохо. Качество рентген-снимков" (17 минут)

⏰Евгений Никитин: "Сценарии применения ML в рентгенологии" (70 минут)

Ужассссного просмотра! 👻

#Как_работает_ИИ

В последнее время в новостях активно упоминается московский эксперимент по внедрению ИИ для анализа медицинских изображений.

Мы с гордостью можем сказать, что являемся участниками этого эксперимента💪

Но в чем его суть и как он проходит?

Делимся с вами небольшим сюжетом телеканала «Россия К», в котором организаторы лаконично и понятно отвечают на эти вопросы😎

Полная запись выпуска — на сайте телеканала.

#Как_работает_ИИ

В ЧЕМ СЕКРЕТ НЕЙРОСЕТИ?

Первое, что хочется сделать, когда знакомишься с искусственным интеллектом — это посмотреть, как же он работает😁

Основная проблема заключается в том, что наглядно показать сам процесс его работы довольно сложно. Как и в случае с нашим, человеческим, интеллектом без специальных приборов мы можем видеть только результат.

Главный секрет нейросети состоит в том, что она самообучаема. Поэтому наша задача, как разработчиков, состоит в том, чтобы предоставить нужные данные (разметка) для обучения, грамотно обозначить условия, а также отслеживать и исправлять ошибки.

Решение этой задачи требует высокой концентрации и точности. Врачи, команда МL-специалистов, тестировщики, аналитики и прочие команды каждый день трудятся над тем, чтобы делать Цельс умнее💪

Мы не можем заглянуть "под капот" нейросети, но можно представить ее работу по аналогии. Так, на видео показан наглядный пример того, как нейросеть обучается и ищет варианты решения поставленных перед ней задач🤓

#Как_работает_ИИ

Мы много говорим о машинном обучении — одном из главных процессов в разработке Цельса.

Но что это такое и кто кого учит?🧐

Предлагаем вашему вниманию статью, в которой подробно и при этом просто и наглядно рассказывают о том, что же такое машинное обучение — "без формул-теорем, зато с примерами реальных задач и их решений".

Приятного чтения!

#Как_работает_ИИ

ВРАЧЕБНОЕ МНЕНИЕ: в чем сложность? Часть 2.

Ранее мы рассказали вам о противоречиях в размеченных данных.

Некоторые противоречия можно увидеть не только на самих снимках, но в цифрах.

Так, на графике показано количество размеченных нозологий на одном датасете разными врачами. Важно: все специалисты имеют большой опыт работы, прошли входной контроль и получили одинаковую инструкцию к разметке.

Получается, что есть еще группа факторов, влияющая на мнение врача. Специфика обучения специалиста, его опыт, наставники, периодичность практики и ее специализация – все это отражается на результате.

А как вы думаете, почему еще мнения врачей могут так различаться?🧐

#Как_работает_ИИ
ВРАЧЕБНОЕ МНЕНИЕ: кому верить? Часть 3.

Итак, чтобы получить более-менее объективную картину, нам помогало наивное объединение разметки двух врачей, при котором полагалось, что никто из них не ошибается, и брали все патологии, которые отметил каждый разметчик🤓

Затем на смену одному алгоритму пришел другой: мы попробовали разметить снимки большим количеством врачей и поняли: дай пяти разметчикам одно исследование - каждый на нем увидит что-то свое🧐

Такие разногласия в разметке происходят по разным причинам: разный опыт, уклон областей, человеческий фактор и т.д.

И тогда родился КОМИТЕТ - многообещающая панацея от конфликтов в кросс-разметке.✨

продолжение следует

#Как_работает_ИИ

ВРАЧЕБНОЕ МНЕНИЕ: кто такой комитет? Часть 4.

Сам алгоритм очень сложный, ходят легенды, что даже его создатель до конца не понимает, как оно работает. Но главное - работает!😀

Верхнеуровнево, комитет - это система голосования. Если большинство врачей увидело в данном месте патологию, значит, она там есть.

Но бывает такое, что врачи увидели объект в одном и том же месте, но называют его разными патологиями. Тогда мы применяем различные эвристики, выведенные после кропотливого анализа данных, чтобы разрешить спорный вопрос в разметке🧐

Итак, комитет - это усложненное голосование за разметку, поверх которого наложены различные правила.

И на данный момент это действительно хороший инструмент, который помогает нам сделать Цельс еще более точным👍

#Как_работает_ИИ

"ВАШ ИИ СКОРО ВМЕСТО НАС РАБОТАТЬ БУДЕТ!"

Как думаете, сколько раз мы встречались с такой фразой?😀

Мы уже не считаем. А просто хотим рассказать, почему ТАК НЕ БУДЕТ.

Сейчас многим известно ПО Midjourney, создающее изображения по текстовым описаниям.

Этот сервис довольно удобен, когда вам нужно срочно подобрать картинку, не ограничивая себя авторским правом. А многие используют эту программу для развлечения.

Но очевидно, что искусство в привычном нам виде не имеет ничего общего с таким продуктом. Художник, работая над своей картиной, вкладывает в нее душу, отражая свой опыт, свои личные качества и переживания.

ИИ, в свою очередь, генерирует изображения из огромного массива данных интернет-пространства, иногда натыкаясь на псевдо факты. Непроверенные данные способствуют ошибкам, которые нейросеть распознать не в состоянии.

#Как_работает_ИИ

Также работает и ИИ в медицине. Помогая работать врачу, он не стремится заменить его.

Цель нейросети — сократить время работы над исследованием, отсеяв норму. И, таким образом, позволяя больше внимания уделять патологическим случаям. Также ИИ служит третьим мнением, помогает провести анализ своей работы.

Чтобы нейросеть в медицине показывала адекватные результаты, она обучается на большом количестве специально подобранных данных. Для этого не машинами, а людьми формируются датасеты — верифицированные (опять же человеком) данные, отвечающие всем необходимым требованиям.

Кроме того, законом в РФ регулируется использование ИИ и не допускается его автономная работа.

Таким образом, работа ВРАЧА, человека, даже при активном использовании ИИ, все также является НЕОБХОДИМОСТЬЮ.

#Как_работает_ИИ

Приветствуем вас, коллеги!

Многие страны Европы используют в рентгенологии (а именно в ММГ) метод двойного чтения для того, чтобы снизить пропуски признаков рака. Это требует больших кадровых ресурсов. Поэтому на помощь медицине приходит система ИИ, которая служит надежным независимым считывателем при скрининге рака молочной железы, может помочь удовлетворить как клинические, так и социально-экономические потребности, а также сделать высококачественный скрининг более доступным.

Сегодня хотим рассказать об одном интересном исследовании:
Для анализа было взято около 300 000 маммограмм, полученных с разного оборудования. Для сравнения взяли сценарии обычного двойного чтения врачами и врач+ИИ.
В результате выяснилось, что внедрение ИИ дает не меньшие показатели, чем работа только врачей (показатели по чувствительности и специфичности), но и снижает рабочую нагрузку до 50%.

8,2% до 46,9% для MK / IMS Giotto, от 30,5% до 44,9% для NUH / GE, от 24,0% до 43,2% для LTHT / Holologic и от 27,0% до 44,0% для ULH / Siemens.

Такие масштабные исследования дают нам понять, что ИИ в ММГ хорошо справляется со своими задачами, помогая врачу, повышает темпы работы и снимает дополнительную нагрузку.👍

Подробнее в статье.

#Как_работает_ИИ

Лонгитюд - одна из проблем использования ИИ в рентгенологии?

ИИ в рентгенологии требует настолько обучаемой платформы, чтобы от врача требовалась минимальная затрата времени и усилий. При этом точность распознавания патологий не должна снижаться.
Текущие решения ИИ также обычно не учитывают хронологическое развитие болезни или результаты визуализации, которые часто присутствуют в наборах биомедицинских данных. Это может привести к неоднозначности в процессе обучения модели и может быть рискованным в последующих приложениях - это и является одной из проблем использования нейросетей.

В настоящий момент ведется разработка обучающей структуры с самоконтролем, которая еще больше повышает эффективность данных этой парадигмы обучения за счет использования временной структуры, присутствующей в наборах биомедицинских данных. Этот подход позволяет включать временную информацию и потенциально может выполнять дополнительный самоконтроль без необходимости в дополнительных данных, что приводит к повышению эффективности прогнозирования.

Такой подход может обрабатывать отсутствующие или пространственно смещенные изображения и потенциально может масштабироваться для обработки большого количества предыдущих изображений.

В качестве решения используются метаданные из обезличенных общедоступных наборов данных. Эти метаданные сохраняют первоначальный порядок и интервалы исследований, что позволяет нам связывать различные изображения во времени и наблюдать за прогрессированием заболевания.

Подробнее о данном решении можно ознакомиться здесь.

А что вы думаете о таком подходе? Понятен ли он вам? Видите ли вы его развитие?
Если будут вопросы - пишите в комментариях, мы постараемся ответить на них!