#oncotech #AI #bigdata #CV
25 января команда из Стэнфорда опубликовала результаты эксперимента по созданию системы скрининга рака кожи на основе нейронной сетки. Результаты, пярмо скажем, очень крутые. Практически во всех кейсах нейронка превзошла дерматолога по определению вероятности патологии по фото.
Статья большая и очень детальная. А тема мне близкая с точки зрения медицинских и технических интересов. Поэтому я написал подробный обзор технологии и вообще темы CV в скрининге меланомы.
https://goo.gl/Qr8RS7
Так, как размер таких материалов явно не для поста в тетеграме, я завел медиум (потому что он поддерживает instant view здесь). Так что подписывайтесь https://medium.com/@medtech
25 января команда из Стэнфорда опубликовала результаты эксперимента по созданию системы скрининга рака кожи на основе нейронной сетки. Результаты, пярмо скажем, очень крутые. Практически во всех кейсах нейронка превзошла дерматолога по определению вероятности патологии по фото.
Статья большая и очень детальная. А тема мне близкая с точки зрения медицинских и технических интересов. Поэтому я написал подробный обзор технологии и вообще темы CV в скрининге меланомы.
https://goo.gl/Qr8RS7
Так, как размер таких материалов явно не для поста в тетеграме, я завел медиум (потому что он поддерживает instant view здесь). Так что подписывайтесь https://medium.com/@medtech
Medium
Deep learning и скрининг меланомы
25 января nature опубликовали статью команды Стэнфорда о том, что ученым удалось с помощью нейронки, построенной на tensorflow, научить ма…
#oncotech #pathology #ai #cv
Новость одной строкой: UNIM обучили нейроночку считать индекс экспресии Ki-67, что намного упрощает процесс изучения патологом оцифрованного стекла
https://tass.ru/obschestvo/5286345
Не особо я всегда любил компанию ЮНИМ, но мне нравится как они поступательно и несгибаемо идут к своим целям.
Новость одной строкой: UNIM обучили нейроночку считать индекс экспресии Ki-67, что намного упрощает процесс изучения патологом оцифрованного стекла
https://tass.ru/obschestvo/5286345
Не особо я всегда любил компанию ЮНИМ, но мне нравится как они поступательно и несгибаемо идут к своим целям.
TACC
UNIM разработала нейросеть для диагностики онкологических заболеваний - ТАСС
Технология автоматизирует подсчет индекса Ki-67, определяющего скорость роста опухоли
#ai #ML #oncotech #CV
Сегодня слегка лонгридно про оптоакустику, ML и восстановление “разряженных” медицинских изображений.
Есть такой супер перспективный метод исследования — оптоакустическая томография (или МСОТ). Если кратко, то мы генерируем последовательность лазерных импульсов на область тела, где они поглощаются по-разному, в зависимости от длины волны и типа ткани-мишени. Эти лазерные импульсы создают незначительное повышение температуры, что расширяет ткани. Эти движения генерируют акустические сигналы - каждый тип ткани производит уникальные звуковые сигналы. Например, клетка крови «звучит» очень сильно отличается от клетки кожи. Ультразвуковые детекторы на поверхности кожи регистрируют эти разные сигналы, и компьютер генерирует соответствующее трехмерное изображение.
Сейчас МСОТ особенно хорошо работает с клетками, например, агрессивной меланомы. Метод может позволить хирургам точно проверить во время резекции опухоли, действительно ли были удалены все раковые клетки.
Там очень, естественно, очень много тонкостей. Типа раположения и плотности датчиков, грамотной конфигурации и т.д. Но основная проблема метода — просто нужно дофига датчиков, что делает каждое исследование стоимостью как крыло от боинга.
И вот на помощь приходит ML и наш любимый ETH🇨🇭. Команда под руководством Даниэля Разански, профессора биомедицинской визуализации в ETH Zurich и Цюрихском университете, искала способ улучшить качество изображения недорогих оптоакустических устройств, которые имеют только небольшое количество ультразвуковых датчиков. Для этого они начали с использования разработанного оптоакустического сканера высокого класса, имеющего 512 датчиков, который получал картинку нужного качества. Эти фотографии были проанализированы с помощью нейоронки. Если последовательно сокращать количество датчиков, то изображение обрастает артефактами, искажениями и всякими мерзкими белыми полосами. После обучения сверточной нейронки исследователи отказались от большинства датчиков, так что осталось только 128 или 32 датчика. Сеть отлично “дорисовывает” и восстанавливает изображение даже на 32х датчиках.
Конфиг сети вполне применим к другим задача восстановления медицинских изображений, где требуется высокое разрешение картинки. Детальное описание в свежем Nature, там же и ссылки на обучающие датасеты
https://www.nature.com/articles/s42256-019-0095-3
Сегодня слегка лонгридно про оптоакустику, ML и восстановление “разряженных” медицинских изображений.
Есть такой супер перспективный метод исследования — оптоакустическая томография (или МСОТ). Если кратко, то мы генерируем последовательность лазерных импульсов на область тела, где они поглощаются по-разному, в зависимости от длины волны и типа ткани-мишени. Эти лазерные импульсы создают незначительное повышение температуры, что расширяет ткани. Эти движения генерируют акустические сигналы - каждый тип ткани производит уникальные звуковые сигналы. Например, клетка крови «звучит» очень сильно отличается от клетки кожи. Ультразвуковые детекторы на поверхности кожи регистрируют эти разные сигналы, и компьютер генерирует соответствующее трехмерное изображение.
Сейчас МСОТ особенно хорошо работает с клетками, например, агрессивной меланомы. Метод может позволить хирургам точно проверить во время резекции опухоли, действительно ли были удалены все раковые клетки.
Там очень, естественно, очень много тонкостей. Типа раположения и плотности датчиков, грамотной конфигурации и т.д. Но основная проблема метода — просто нужно дофига датчиков, что делает каждое исследование стоимостью как крыло от боинга.
И вот на помощь приходит ML и наш любимый ETH🇨🇭. Команда под руководством Даниэля Разански, профессора биомедицинской визуализации в ETH Zurich и Цюрихском университете, искала способ улучшить качество изображения недорогих оптоакустических устройств, которые имеют только небольшое количество ультразвуковых датчиков. Для этого они начали с использования разработанного оптоакустического сканера высокого класса, имеющего 512 датчиков, который получал картинку нужного качества. Эти фотографии были проанализированы с помощью нейоронки. Если последовательно сокращать количество датчиков, то изображение обрастает артефактами, искажениями и всякими мерзкими белыми полосами. После обучения сверточной нейронки исследователи отказались от большинства датчиков, так что осталось только 128 или 32 датчика. Сеть отлично “дорисовывает” и восстанавливает изображение даже на 32х датчиках.
Конфиг сети вполне применим к другим задача восстановления медицинских изображений, где требуется высокое разрешение картинки. Детальное описание в свежем Nature, там же и ссылки на обучающие датасеты
https://www.nature.com/articles/s42256-019-0095-3
Nature
Deep learning optoacoustic tomography with sparse data
Nature Machine Intelligence - Optoacoustic imaging can achieve high spatial and temporal resolution but image quality is often compromised by suboptimal data acquisition. A new method employing...
#ai #CV
В майском Lancet Digit вышло красивое — AI на основе DP очень-очень хорошо определяет расу пациента по рентгену/кт грудной клетки (а еще позвоночника и маммографии). Момент для современной повестки, надо сказать, очень тонкий 🙃
В статье Джуди Гичоя (Judy Gichoya) и ее коллег авторы обнаружили, что что стандартные модели глубокого обучения AI могут быть обучены прогнозировать расу на основе медицинских изображений, которая была проверена на проверенных дата-сетах (MIMIC-CXR, CheXpert, National Lung Cancer Screening Trial и тд). Результаты очень мощные - модель решает задачу классификации по расе (Black, White, Asian) по кт/рентгену с точностью (AUC) 0,91–0,99, по маммографии — 0,81. При этом классификация не связана ни с одним из предполагаемых факторов, по которым пытались решить задачу "живые" врачи — индекс массы тела, плотность костей или груди. Команда также обнаружила, что модель может точно идентифицировать расу даже по искаженным, обрезанным и зашумленным медицинским изображениям и их частям.
Сложно представить клинический смысл применения такой модели, все же пока не запрещено врачу определять расу пациента визуально (по крайней мере пока что), но с точки зрения медицины и data science исследование очень интересное
📎 фулл статьи ниже
В майском Lancet Digit вышло красивое — AI на основе DP очень-очень хорошо определяет расу пациента по рентгену/кт грудной клетки (а еще позвоночника и маммографии). Момент для современной повестки, надо сказать, очень тонкий 🙃
В статье Джуди Гичоя (Judy Gichoya) и ее коллег авторы обнаружили, что что стандартные модели глубокого обучения AI могут быть обучены прогнозировать расу на основе медицинских изображений, которая была проверена на проверенных дата-сетах (MIMIC-CXR, CheXpert, National Lung Cancer Screening Trial и тд). Результаты очень мощные - модель решает задачу классификации по расе (Black, White, Asian) по кт/рентгену с точностью (AUC) 0,91–0,99, по маммографии — 0,81. При этом классификация не связана ни с одним из предполагаемых факторов, по которым пытались решить задачу "живые" врачи — индекс массы тела, плотность костей или груди. Команда также обнаружила, что модель может точно идентифицировать расу даже по искаженным, обрезанным и зашумленным медицинским изображениям и их частям.
Сложно представить клинический смысл применения такой модели, все же пока не запрещено врачу определять расу пациента визуально (по крайней мере пока что), но с точки зрения медицины и data science исследование очень интересное
📎 фулл статьи ниже
👍10😁3❤2🤔2
#ai #oncotech #CV
В lancet digital вышел системный обзор алгоритмов AI для скрининга меланомы на тему применения в учреждениях первичной помощи. Основная мысль — работ на тему AI в меланоме как добра за баней, а практического толку от них 0 🙂 Ну детальнее тут
Тема для меня крайне интересная и за областью скрининга раков кожи с помощью алгоритмов CV я слежу уже давно. Здесь на мой взгляд одна из самых понятных схем применения AI для радикального улучшения ситуации. Ведь с меланомой во-первых прогноз в значительной степени зависит от и стадии заболевания на момент постановки диагноза. А во-вторых — это наружная локализация (нуууу в большинстве случаев), а значит что теоретически можно построить очень широкую систему скрининга от первичного звена медицинской помощи до каких-то публичных мест, типа массажных салонов и тд.
В lancet digital вышел системный обзор алгоритмов AI для скрининга меланомы на тему применения в учреждениях первичной помощи. Основная мысль — работ на тему AI в меланоме как добра за баней, а практического толку от них 0 🙂 Ну детальнее тут
Тема для меня крайне интересная и за областью скрининга раков кожи с помощью алгоритмов CV я слежу уже давно. Здесь на мой взгляд одна из самых понятных схем применения AI для радикального улучшения ситуации. Ведь с меланомой во-первых прогноз в значительной степени зависит от и стадии заболевания на момент постановки диагноза. А во-вторых — это наружная локализация (нуууу в большинстве случаев), а значит что теоретически можно построить очень широкую систему скрининга от первичного звена медицинской помощи до каких-то публичных мест, типа массажных салонов и тд.
Medium
AI для скрининга меланомы в учреждениях первичной помощи
В Lancet digital вышел системный обзор алгоритмов AI для скрининга меланомы и других видов рака кожи.
👍6
#ai #cv #startup #ophthalmology
👁 Офтальмология и ИИ
Altris AI — украинский стартап в области digital ophthalmology c HQ в США. С 2017 года компания разрабатывает платформу для офтальмологов. Платформа — классический CV для работы с медицинскими изображениями, в основном когерентной томографии (ОКТ)
В мире в моменте более 1 миллиарда человек с предотвратимыми состояниями слепоты, такими как глаукома, поздняя стадия макулодистрофии и другие. И огромная проблема — это нехватка оптометристов: по оценкам Всемирного экономического форума, имеется всего 331 000 доступных специалистов из 14М необходимых на данный момент.
AI может выявлять, локализовать и количественно определять патологии и патологические признаки практически при всех заболеваниях желтого пятна и сетчатки.
SaaS AI платформа Altris, обученная на 5 млн верифицированных ОКТ, уже обнаруживает и интерпретирует около 50 патологий и патологических признаков. К таковым относятся глаукома, хориоидальный невус, макулодистрофии и другие.
Платформа используется более чем в 30 клиниках по всему миру. У Altris также есть мобильное приложение с более чем 11 тысяч активных пользователей среди офтальмологов и оптометристов.
Интересно, что стартап в конце декабря поднял раунд в $1М, где лидирующим фондом вытупил Runa Capital
👁 Офтальмология и ИИ
Altris AI — украинский стартап в области digital ophthalmology c HQ в США. С 2017 года компания разрабатывает платформу для офтальмологов. Платформа — классический CV для работы с медицинскими изображениями, в основном когерентной томографии (ОКТ)
В мире в моменте более 1 миллиарда человек с предотвратимыми состояниями слепоты, такими как глаукома, поздняя стадия макулодистрофии и другие. И огромная проблема — это нехватка оптометристов: по оценкам Всемирного экономического форума, имеется всего 331 000 доступных специалистов из 14М необходимых на данный момент.
AI может выявлять, локализовать и количественно определять патологии и патологические признаки практически при всех заболеваниях желтого пятна и сетчатки.
SaaS AI платформа Altris, обученная на 5 млн верифицированных ОКТ, уже обнаруживает и интерпретирует около 50 патологий и патологических признаков. К таковым относятся глаукома, хориоидальный невус, макулодистрофии и другие.
Платформа используется более чем в 30 клиниках по всему миру. У Altris также есть мобильное приложение с более чем 11 тысяч активных пользователей среди офтальмологов и оптометристов.
Интересно, что стартап в конце декабря поднял раунд в $1М, где лидирующим фондом вытупил Runa Capital
altris
AI Ophthalmology and Optometry | Altris AI
AI Ophthalmology and Optometry: ophthalmic image management system, streamlining OCT scan analysis by identification of 70+ pathologies and biomarkers.
👍6❤2👏2🔥1💩1