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
- Will health care be fundamentally changed post-COVID-19?Many market forces are supporting the transformation to virtual digital health programs -- the COVID-19 pandemic is just the latest compelling event.
- Непрерывный мониторинг как способ предотвращения мошенничества в закупкахМошенничество с закупками молча отнимает у предприятий в среднем 5% расходов ежегодно. И даже когда организации вкладывают средства в методы обнаружения, они их часто подводят. Узнайте, что такое постоянный мониторинг и почему этот проверенный аналитический метод является ключом к борьбе с таким видом мошенничества.
- Прохождение «последней мили» аналитики в три шагаВнедрение аналитических моделей в производство может быть самой сложной частью аналитического пути. Неудивительно, что эта последняя миля аналитики - внедрение моделей в развертывание - является самой сложной частью инициатив в рамках цифровой трансформации, которую должны освоить компании, потому что она считается наиболее важной.