Международная конференция по медицинской визуализации с глубоким обучением прошла в отеле CASA Hotel в Амстердаме с 4 по 6 июля 2018 г. С полной трехдневной программой можно ознакомиться на сайте встречи. Встреча в основном предназначена для исследователей глубокого обучения, медицинских компаний и клиницистов. Посетив встречу, я увидел, что исследователи глубокого обучения составляют подавляющее большинство. Было проведено несколько устных сессий о новых разработках в области глубокого обучения, и было представлено много интересных постеров.
Интересная панельная дискуссия о влиянии искусственного интеллекта на профессию радиолога сейчас и в будущем состоялась в пятницу, 6 июля. В панели были представлены как промышленность, так и академия:
Брам ван Гиннекен (Университет Радбауд, Неймеген), Генрих фон Буш (Siemens Healthineers), Тим Салиманс (Aidence / Open AI), Грэм Тейлор (Университет Гвельфа), Хайит Гринспан (Тель-Авив University), Ron Summers (NIH), Mathias Prokop (Radboud University, Неймеген)
Я кратко изложил эту интересную дискуссию.
Вопрос 1: знаменитое высказывание Джеффри Хинтона о будущих радиологах: осталось ли всего 5 лет?
Прокоп: для обучения в радиологии требуется 10–20 лет, чтобы стать ценным клиническим человеком. Нам это не понадобится в будущем. Обучение будет другим. Наступит момент, когда часть распознавания образов возьмет на себя большой процент машин. Рабочие нагрузки становятся слишком тяжелыми. Радиологи большую часть дня являются экспертами по распознаванию образов, но они хотели бы избавиться от этого. Им придется заново изобрести себя радиологом
Гринспен: 80% работы в радиологии - это обнаружение и измерения, только 20% - это другие данные для диагностики / составления отчетов. Часть работы можно заменить
Тейлор: Рекомендация книги: Машины предсказания. Книга представляет собой хороший анализ общего вопроса о том, как ИИ повлияет на характер работы: рабочие места будут меняться, но сокращений рабочих мест будет меньше, чем предполагалось. Но все же подготовка радиологов должна быть адаптирована к характеру работы.
Салиманс: согласен со всеми остальными ораторами: автоматизация меняет работу, а не всегда заменяет ее. Некоторые радиологи готовы сотрудничать и взаимодействовать, другие боятся. Диалог должен быть открытым, но в этой области наблюдается прогресс.
Фон Буш: Объем работы в радиологии растет быстрее, чем количество радиологов, ИИ должен помочь им в этом. ИИ должен помочь радиологам снова стать врачами
Вопрос 2: в клинической практике в настоящее время мы не видим многих радиологов, использующих инструменты искусственного интеллекта. Где сейчас инструменты? Почему они еще не используются? Наступает ли зима с искусственным интеллектом?
Фон Буш: инструменты теперь слишком ограничены / узки. Инструменты обращаются к определенным областям, есть еще много пробелов, которые нужно заполнить, неразумно ожидать, что все будет там сразу. Придут более сложные задачи, например, для планирования лучевой терапии.
Салиманс: ИИ уже дает преимущества Amazon, Google ... но в медицине существует множество правил, и он идет медленнее, чем в промышленности. В этой области труднее внедрять инновации. Все системы вокруг него также должны адаптироваться.
Тейлор: Услуги машинного обучения для iPhone становятся лучше, что для большинства пользователей очевидно и быстро развивается (интернет-гиганты быстро развиваются и совершенствуются). Дело в масштабе времени. У здравоохранения другой временной масштаб, чем у коммерческих компаний. Просто нужно больше времени
Гринспен: мы должны использовать имеющиеся у нас данные, но они все еще ограничены. Мы генерируем алгоритмы, но академические методологии не меняются, а методология исследований в области ИИ не адаптируется к классическим исследовательским моделям в медицине. Компании должны спросить рентгенолога: «Вам, как рентгенологу, что вам нужно?». Необходимо предоставить инструменты, поддерживающие рентгенологов.
- мы (индустрия искусственного интеллекта) должны адаптировать исследования к реальным потребностям
- мы должны поговорить о приложениях / пакетах, адаптированных к клиническим случаям использования
- Важна не только точность, мы также должны думать о ложных срабатываниях и т. д. Это требует другого мышления, проектирования, методологии (академические исследования против отраслевых исследований)
- каждый алгоритм должен быть очень сильным, требуется перевод путем их упаковки (несколько приложений в одном пакете)
Тим Лейнер: необходимо сделать несколько замечаний.
- компании никогда не берут на себя ответственность за свои продукты и программное обеспечение, радиологи будут незаменимы при принятии окончательных решений.
- этическая часть: что делать с выводами, сделанными алгоритмом ИИ? Кто-нибудь захочет это опровергнуть?
- аспект безопасности должен быть рассмотрен должным образом
Саммерс. Системы искусственного интеллекта могут работать в разных масштабах. Возникают опасения по поводу более продвинутых типов ИИ, решат ли они лечение или диагноз?
Врачи всегда будут принимать решения, алгоритмы искусственного интеллекта помогут медикам.
Вопрос от общественности: мы могли бы изменить этот вопрос и спросить, неэтично ли получать диагноз от людей?
Прокоп: Насколько безопасна эта система при прогнозировании? Данные вне обучающей выборки могут быть предвзятыми! Если врач что-то пропустил, на него не следует автоматически подавать в суд. Надо задать вопрос, должен был он это видеть или нет.
Нам нужно знать, какое программное обеспечение является лучшим, прежде чем использовать его, и должны быть доступны лучшие наборы данных.
Гринспен: данные должны быть верными. У нас меньше данных, чем мы хотели бы видеть, проблема с данными - очень большой барьер для начала работы.
Салиманс: Регулирующие органы действительно просят показать, что наборы данных работают. Сочетание с человеческим суждением остается необходимым. Человеку нужно оставаться в курсе. Есть еще фактор доверия: нужен объяснимый ИИ! Как это работает?
Тейлор: требуется определение объяснимости программных алгоритмов, его пока не существует.
Вопрос 3: лучшие таланты в Академии покупаются отраслью: правда ли это? Это проблема для Академии? Европа не поспевает за США и Китаем. Следует ли защищать европейские исследования? Как?
Тейлор: ученые всегда могут работать вместе с представителями отрасли, не нужно делать реальный выбор.
Гринспен: это проблема, в США промышленность отбирает хороших академиков и исследователей с высокими рейтингами. Как мы делаем что-то вместе? Промышленности нужны ученые для поиска новых талантов, поэтому промышленность, безусловно, должна поддерживать ученых (наем дополнительных преподавателей, обучение и т. Д.). Нужны совместные усилия.
Фон Буш: всем нравится видеть хорошие продукты, поэтому индустрии нужны талантливые люди. Сотрудничество - ключ к успеху для обеих сторон. Решение состоит в том, чтобы активнее вовлекать компании в образование, сделать их частью экосистемы (например, финансировать системные курсы), создать более гибкие должности в академической среде (сочетание работы). Когда студенты и постдоки уходят из учебы, возникает серьезная проблема.
Эрик Раншарт, радиолог, вице-президент EuSoMII
