Как использовать ИИ для выявления рака
Автор: Джулия Гонг, студентка второго курса Стэнфордского университета, специальность «Математика и вычислительная наука», «Лингвистика»
Недавно мне предоставили удивительную возможность поработать над проектом в области биомедицинской аналитики изображений в сотрудничестве с крупным университетским медицинским центром. Целью проекта была разработка системы компьютерного зрения, которая будет выявлять опухоли при компьютерной томографии печени.
Я всегда любила применять технологии в значимых сферах, особенно в области медицинской визуализации. Меня потрясает и вдохновляет то, что программное обеспечение, которое я создаю, может сыграть даже небольшую роль в спасении чьей-то жизни.
Я работала над этим проектом в департаменте искусственного интеллекта и машинного обучения, SAS R&D. Ранее я разработала инструмент оценки рака кожи с использованием статистического моделирования и обработки изображений. Я также разработала автоматический компоновщик надстроек для языков сценариев JMP и R. Полученные знания я применила в этом проекте, где построила сквозной автоматизированный пайплайн данных с использованием глубокого обучения и компьютерного зрения для сегментации опухолей печени при компьютерной томографии .
Я описала весь проект в серии постов в блоге, которые будут опубликованы в течение следующих нескольких недель. Сначала я расскажу вам об исследовании для проекта, а затем вы узнаете, как я применила его.
Начало работы с ИИ
Первые несколько недель в этом проекте я знакомилась с SAS® Viya®, целями и трудностями проекта, возможностями SAS Cloud Analytics Services (CAS), с литературой по сегментации медицинских изображений и различными архитектурами сверточных нейронных сетей (CNN) и изучением их сильных сторон. Еще я потратила время на разработку плана действий в рамках проекта, запуск различных сценариев и игрушечных нейронных сетей, а также на тестирование всего этого на моих данных о раке кожи из моего предыдущего проекта. Наконец, я установила необходимые пакеты Python и также начала тестировать их возможности.
С самого начала я начала осознавать хайп вокруг ИИ и уже тогда стала понимать, что работаю с мощными инструментами Джулия Гонг студентка второго курса Стэнфордского университета, специальность «Математика и вычислительная наука», «Лингвистика»
Я сразу же заинтересовалась просмотром лекций о внутренних процессах CNN, углубилась в литературу по сегментации медицинских изображений. Я многому научилась, наблюдая, как нейронные сети оценивают данные изображений рака кожи. Этот процесс отличался от обработки данных в проекте по раку кожи с использованием статистического моделирования. Вместо того, чтобы самой извлекать особые характеристики, я передала бразды правления сети и предоставила ей лучшие данные и параметры, какие только могла, чтобы она могла выполнить работу.
С самого начала я начала осознавать хайп вокруг ИИ и уже тогда стала понимать, что работаю с мощными инструментами.
Во время рабочего процесса, мой наставник был незаменим. Он показал мне все детали: от мельчайших подробностей до обзора текущих возможностей CAS и самой последней литературы в области сегментации изображений; от отправки скриптов для запуска сервера до указания мне необходимых онлайн-ресурсов для синтаксиса и доступных наборов действий. Он помог мне пройти курс обучения, который сопровождается сложным программным обеспечением и системами баз данных.
Прежде чем мы продолжим, самое время представить весь пайплайн данных, который я реализовала на высоком уровне. Ниже вы найдете блок-схему пайплайна, который был создан для получения необработанного входного изображения (прямо из КТ-сканера) и создания черно-белой 3D сегментационной маски, которая идентифицирует местоположение повреждений в этом скане.
Проект по сегментации медицинских изображений для выявления опухолей в сканах после компьютерной томографии печени.
Цитаты изображений
[1] Hellerhoff, Sarkoidose der Milz КТ осевой, Расширенный фон для квадратной формы, добавленный в блок-схему целиком, а также в обрезанные и искаженные фрагменты, чтобы проиллюстрировать различные этапы увеличения данных проектного пайплайна. Автор Джулия Гонг, CC BY-SA 3.0
[2] Hellerhoff, Leberabszess - КТ осевой PV, Расширенный фон для квадратной формы, добавленный в блок-схему для иллюстрации проектного пайплайна. Автор Джулия Гонг, CC BY-SA 3.0
ОБ АВТОРЕ
Джулия Гонг - второкурсница в Стэнфордском университете, специальность «Математика и вычислительная наука», «Лингвистика». Она начала работать в SAS летом 2016 года, когда она создала программное обеспечение для обнаружения рака кожи на JMP с использованием методов анализа изображений и статистического моделирования. Летом 2017 года она использовала язык сценариев JMP для создания интерактивного пользовательского компоновщика R-надстроек для JMP. Летом 2018 года она создала сквозной автоматизированный пайплайн данных для сегментации опухолей печени при 3D-КТ-сканировании с использованием глубокого обучения и компьютерного зрения для анализа биомедицинских изображений в SAS Viya и CAS. Она получила признание на международных технологических конкурсах; любит публичные выступления, и ей нравится искать новые решения в таких областях, как искусственный интеллект, машинное обучение, лингвистика, охрана окружающей среды, медицина, сервис и искусство. Джулия надеется продолжить карьеру, которая объединит ее многочисленные интересы в области компьютерного зрения, искусственного интеллекта, медицины, обработки естественного языка, социального блага, образования и жизнеспособности.
Рекомендуем прочитать
- The transformational power of evidence-based decision making in health policyState health agencies are under pressure to deliver better health outcomes while minimizing costs. Read how data and analytics are being used to confront our biggest health care challenges head on.
- Построение передней части пайплайна компьютерного зренияЭто третий пост, описывающий проект компьютерного зрения, над которым я работала в SAS для выявления опухолей печени при КТ-сканировании. Сегодня я расскажу об обработке данных для данных изображений.
- Утконос: работа с данными как часть трансформацииЕсть огромный объем задач, в которых применение продвинутой аналитики даст более существенный эффект, чем традиционные подходы. И они совершенно точно должны решаться централизованно.