Компьютерное обнаружение ( CADe ), также называемое компьютерной диагностикой ( CADx ), представляет собой системы, которые помогают врачам интерпретировать медицинские изображения . Методы визуализации при рентгенографии , МРТ , эндоскопии и ультразвуковой диагностике дают большой объем информации, которую радиолог или другой медицинский работник должен всесторонне проанализировать и оценить за короткое время. Системы CAD обрабатывают цифровые изображения или видео для получения типичных изображений и выделения заметных участков, таких как возможные заболевания, чтобы предоставить данные для поддержки решения, принимаемого профессионалом.
CAD также имеет потенциальные будущие применения в цифровой патологии с появлением алгоритмов визуализации всего слайда и машинного обучения . До сих пор его применение ограничивалось количественной оценкой иммуноокрашивания , но также исследуется стандартное окрашивание H&E . [1]
CAD — это междисциплинарная технология, сочетающая элементы искусственного интеллекта и компьютерного зрения с обработкой радиологических и патологоанатомических изображений. Типичным применением является обнаружение опухоли. Например, некоторые больницы используют CAD для профилактических медицинских осмотров при маммографии (диагностике рака молочной железы), обнаружении полипов при колоноскопии и раке легких .
Системы компьютерного обнаружения (CADe) обычно ограничиваются маркировкой заметных структур и участков. Системы компьютерной диагностики (CADx) оценивают заметные структуры. Например, при маммографии CAD выявляет скопления микрокальцинатов и гиперплотные структуры в мягких тканях. Это позволяет врачу-рентгенологу сделать выводы о состоянии патологии. Другим применением является CADq, который количественно определяет, например , размер опухоли или поведение опухоли при поглощении контрастного вещества. Простая компьютерная сортировка (CAST) — это еще один тип CAD, который выполняет полностью автоматическую первоначальную интерпретацию и сортировку исследований по некоторым значимым категориям ( например , отрицательным и положительным). CAST особенно применим в экстренной диагностической визуализации, когда требуется быстрая диагностика критического, опасного для жизни состояния.
Хотя CAD используется в клинической практике уже более 40 лет, CAD обычно не заменяет врача или другого специалиста, а скорее играет вспомогательную роль. Профессионал (обычно рентгенолог) обычно несет ответственность за окончательную интерпретацию медицинского изображения. [2] Однако целью некоторых CAD-систем является обнаружение самых ранних признаков аномалий у пациентов, которые специалисты-специалисты не могут обнаружить, например, при диабетической ретинопатии, архитектурных искажениях на маммограммах, [3] [4] узлах по типу «матового стекла» на торакальной КТ, [ 5] [6] и неполипоидные («плоские») поражения при КТ-колонографии. [7]
В конце 1950-х годов, с появлением современных компьютеров, исследователи в различных областях начали изучать возможность создания систем компьютерной медицинской диагностики (САПР). [8] Эти первые CAD-системы использовали блок-схемы, статистическое сопоставление с образцом, теорию вероятностей или базы знаний для управления процессом принятия решений. [9]
С начала 1970-х годов некоторые из самых ранних CAD-систем в медицине, которые в медицине часто называли « экспертными системами », были разработаны и использовались в основном в образовательных целях. Экспертная система MYCIN , [10] экспертная система « Интернист -I» [11] и CADUCEUS (экспертная система) [12] являются некоторыми из таких примеров.
В начале ранних разработок исследователи стремились создать полностью автоматизированные CAD/экспертные системы. Ожидания этих ученых относительно того, на что способны компьютеры, были нереалистично оптимистичными. Однако после революционной статьи Ричарда М. Карпа «Сводимость среди комбинаторных задач» [13] стало ясно , что существуют ограничения, но также и потенциальные возможности при разработке алгоритмов для решения групп важных вычислительных задач. [9]
В результате нового понимания различных алгоритмических ограничений, обнаруженных Карпом в начале 1970-х годов, исследователи начали осознавать серьезные ограничения, которыми обладают CAD и экспертные системы в медицине. [9] Признание этих ограничений побудило исследователей разработать новые виды CAD-систем, используя передовые подходы. Таким образом, к концу 1980-х и началу 1990-х годов акцент сместился на использование подходов интеллектуального анализа данных с целью использования более совершенных и гибких САПР.
В 1998 году Управление по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) одобрило первую коммерческую CAD-систему для маммографии — систему ImageChecker. В последующие годы одобрение FDA также получили несколько коммерческих CAD-систем для анализа маммографии, МРТ молочной железы, медицинской визуализации легких, толстой кишки и сердца. В настоящее время системы CAD используются в качестве диагностического средства, позволяющего врачам принимать более эффективные медицинские решения. [14]
CAD фундаментально основан на очень сложном распознавании образов . Рентгеновские снимки или другие типы изображений сканируются на наличие подозрительных структур. Обычно для оптимизации алгоритма требуется несколько тысяч изображений. Данные цифрового изображения копируются на сервер САПР в формате DICOM , подготавливаются и анализируются в несколько этапов.
1. Предварительная обработка
2. Сегментация по
3. Анализ структуры/ROI (области интереса) Каждая обнаруженная область анализируется индивидуально на предмет особых характеристик:
4. Оценка/классификация. После анализа структуры каждый ROI оценивается индивидуально (балльная оценка) на вероятность ТП. Следующие процедуры являются примерами алгоритмов классификации.
Если обнаруженные структуры достигли определенного порогового уровня, они выделяются на изображении для врача-рентгенолога. В зависимости от системы CAD эти маркировки могут сохраняться постоянно или временно. Преимущество последнего заключается в том, что сохраняются только те отметки, которые одобрены рентгенологом. Ложные попадания не следует сохранять, так как в этом случае обследование в более поздние сроки становится затруднительным.
Системы CAD стремятся выделить подозрительные структуры. Сегодняшние CAD-системы не могут обнаружить 100% патологических изменений. Вероятность попадания ( чувствительность ) может достигать 90% в зависимости от системы и приложения. [24] Правильное попадание называется «истинно положительным» (TP), а неправильная маркировка здоровых участков — «ложным положительным» (FP). Чем меньше указано ФП, тем выше специфичность . Низкая специфичность снижает приемлемость системы САПР, поскольку пользователю приходится выявлять все эти неправильные совпадения. Частота FP при обзорных исследованиях легких (CAD Chest) может быть снижена до 2 на исследование. В других сегментах ( например , КТ-обследование легких) показатель FP может составлять 25 и более. В системах CAST показатель FP должен быть чрезвычайно низким (менее 1 на исследование), чтобы обеспечить значимую сортировку исследований .
Абсолютная частота обнаружения рентгенолога является альтернативным показателем чувствительности и специфичности. В целом, результаты клинических исследований относительно чувствительности, специфичности и абсолютной скорости обнаружения могут заметно различаться. Каждый результат исследования зависит от его основных условий и должен оцениваться исходя из этих условий. Сильное влияние оказывают следующие факты:
Несмотря на многочисленные достижения САПР с момента появления компьютеров, существуют определенные проблемы, с которыми САПР сталкиваются и сегодня. [25]
Некоторые проблемы связаны с различными алгоритмическими ограничениями в процедурах системы САПР, включая сбор входных данных, предварительную обработку, обработку и оценку системы. Алгоритмы обычно разрабатываются для выбора единственного вероятного диагноза, что обеспечивает неоптимальные результаты для пациентов с множественными сопутствующими заболеваниями. [26] Сегодня исходные данные для CAD в основном поступают из электронных медицинских карт (EHR). Эффективное проектирование, внедрение и анализ EHR является основной необходимостью в любой системе САПР. [25]
Из-за массовой доступности данных и необходимости их анализа большие данные также являются одной из самых больших проблем, с которыми сегодня сталкиваются CAD-системы. Растущее количество данных о пациентах является серьезной проблемой. Часто данные пациентов сложны и могут быть полуструктурированными или неструктурированными . Это требует высокоразвитых подходов к их хранению, извлечению и анализу в разумные сроки. [25]
На этапе предварительной обработки входные данные необходимо нормализовать. Нормализация входных данных включает в себя шумоподавление и фильтрацию. Обработка может содержать несколько подэтапов в зависимости от приложений. Основными тремя этапами медицинской визуализации являются сегментация, извлечение /выбор признаков и классификация. Эти подэтапы требуют передовых методов анализа входных данных с меньшими вычислительными затратами. Хотя много усилий было потрачено на создание инновационных методов для этих процедур в CAD-системах, до сих пор не существует единственного лучшего алгоритма для каждого шага. Крайне важно продолжать исследования по созданию инновационных алгоритмов для всех аспектов CAD-систем. [25]
Также отсутствуют стандартизированные меры оценки для систем САПР. [25] Этот факт может затруднить получение одобрения FDA на коммерческое использование. Более того, хотя многие положительные разработки CAD-систем уже доказаны, исследования по валидации их алгоритмов для клинической практики практически не получили подтверждения. [27]
Другие проблемы связаны с проблемой внедрения новых CAD-систем в клиническую практику для медицинских работников. Некоторые отрицательные исследования могут препятствовать использованию CAD. Кроме того, отсутствие подготовки медицинских работников по использованию CAD иногда приводит к неправильной интерпретации результатов системы. Более подробно эти проблемы описаны в [25] .
CAD используется для диагностики рака молочной железы , рака легких , рака толстой кишки , рака простаты , метастазов в костях , ишемической болезни сердца , врожденного порока сердца , обнаружения патологий головного мозга, обнаружения переломов, болезни Альцгеймера и диабетической ретинопатии .
CAD используется при скрининговой маммографии (рентгеновском исследовании женской груди). Скрининговая маммография используется для раннего выявления рака молочной железы. Системы CAD часто используются, чтобы помочь классифицировать опухоль как злокачественную или доброкачественную. CAD особенно распространен в США и Нидерландах и используется в дополнение к оценке состояния человека, обычно рентгенологом . Первая система CAD для маммографии была разработана в рамках исследовательского проекта Чикагского университета. Сегодня его коммерчески предлагают iCAD и Hologic . Однако, несмотря на высокую чувствительность, CAD-системы, как правило, имеют очень низкую специфичность, и преимущества использования CAD остаются неопределенными. Систематический обзор 2008 года по компьютерному выявлению при скрининговой маммографии пришел к выводу, что ИБС не оказывает существенного влияния на частоту выявления рака, но нежелательно увеличивает частоту вспоминаний ( т. е . частоту ложноположительных результатов). Тем не менее, он отметил значительную неоднородность влияния на скорость запоминания в разных исследованиях. [28]
Последние достижения в области машинного обучения , глубокого обучения и технологий искусственного интеллекта позволили разработать CAD-системы, которые, как клинически доказано, помогают рентгенологам решать проблемы считывания маммографических изображений за счет повышения показателей выявления рака, уменьшения ложноположительных результатов и ненужных отзывов пациентов, в то же время значительно сокращается время чтения. [29]
Также существуют процедуры оценки маммографии на основе магнитно-резонансной томографии .
При диагностике рака легких компьютерная томография со специальными трехмерными CAD-системами считается подходящим вторым мнением. [30] При этом подготавливается и анализируется набор объемных данных, содержащий до 3000 отдельных изображений. Выявляются образования круглой формы ( рак легкого , метастазы и доброкачественные изменения) размером от 1 мм. Сегодня все известные производители медицинских систем предлагают соответствующие решения.
Раннее выявление рака легких имеет большое значение. Однако случайное выявление рака легких на ранней стадии (1 стадия) на рентгеновском снимке затруднено. Округлые поражения диаметром 5–10 мм легко не заметить. [31] Регулярное применение CAD Chest Systems может помочь обнаружить небольшие изменения без первоначальных подозрений. Ряд исследователей разработали CAD-системы для обнаружения узлов в легких (круглые образования размером менее 30 мм) при рентгенографии грудной клетки [32] [33] [34] и КТ [35] [36] и CAD-системы для диагностики ( например , различения между злокачественными и доброкачественными) узелков легких на КТ. Виртуальная двухэнергетическая визуализация [37] [38] [39] [40] улучшила производительность CAD-систем при рентгенографии грудной клетки. [41]
CAD доступен для обнаружения колоректальных полипов в толстой кишке при КТ-колонографии. [42] [43] Полипы — это небольшие разрастания, возникающие на внутренней оболочке толстой кишки. CAD обнаруживает полипы, определяя их характерную форму, напоминающую шишку. Чтобы избежать чрезмерных ложноположительных результатов, CAD игнорирует нормальную стенку толстой кишки, включая гаустральные складки.
Современные методы сердечно-сосудистых вычислений, сердечно-сосудистой информатики, а также математического и вычислительного моделирования могут стать ценными инструментами для принятия клинических решений. [44] CAD-системы с новыми маркерами на основе анализа изображений в качестве входных данных могут помочь сосудистым врачам с большей уверенностью принимать решения о наиболее подходящем лечении пациентов с сердечно-сосудистыми заболеваниями .
Надежное раннее выявление и стратификация риска атеросклероза сонных артерий имеют первостепенное значение для прогнозирования инсультов у бессимптомных пациентов. [45] С этой целью были предложены различные неинвазивные и недорогие маркеры, использующие функции ультразвукового изображения. [46] Они сочетают в себе характеристики эхогенности , текстуры и движения [47] [48] [49] [50] для помощи в принятии клинических решений в целях улучшения прогнозирования, оценки и управления сердечно-сосудистым риском. [51]
CAD доступен для автоматического обнаружения значительных (вызывающих стеноз более 50% ) ишемической болезни сердца при исследованиях коронарной КТ-ангиографии (CCTA). [52]
Раннее выявление патологии может стать решающим фактором между жизнью и смертью. CADe можно выполнить путем аускультации с помощью цифрового стетоскопа и специального программного обеспечения, также известного как компьютерная аускультация . Шумы, нерегулярные сердечные тоны, вызванные прохождением крови через поврежденное сердце, можно обнаружить с высокой чувствительностью и специфичностью. Компьютерная аускультация чувствительна к внешнему шуму и звукам тела и для точного функционирования требует почти бесшумной обстановки.
Чаплот и др. был первым, кто использовал коэффициенты дискретного вейвлет-преобразования (DWT) для обнаружения патологического мозга. [53] Майтра и Чаттерджи использовали преобразование Слантлета, которое является улучшенной версией DWT. Их вектор признаков каждого изображения создается путем рассмотрения величин выходных данных преобразования Slantlet, соответствующих шести пространственным позициям, выбранным в соответствии с определенной логикой. [54]
В 2010 году Ван и Ву представили метод, основанный на прямой нейронной сети (FNN), позволяющий классифицировать данное МРТ-изображение мозга как нормальное или ненормальное. Параметры FNN были оптимизированы с помощью адаптивной оптимизации роя хаотических частиц (ACPSO). Результаты более 160 изображений показали, что точность классификации составила 98,75%. [55]
В 2011 году Ву и Ван предложили использовать DWT для извлечения признаков, PCA для уменьшения признаков и FNN с масштабированной хаотичной искусственной пчелиной семьей (SCABC) в качестве классификатора. [56]
В 2013 году Сарита и др. были первыми, кто применил вейвлет-энтропию (WE) для обнаружения патологий мозга. Сарита также предложила использовать паутину. [57] Позже Чжан и др. оказалось, что удаление паутинных участков не повлияло на производительность. [58] Метод поиска генетических закономерностей был применен для выявления аномального мозга среди нормального контроля. Точность классификации составила 95,188%. [59] Дас и др. предложил использовать преобразование Риплета. [60] Чжан и др. предложил использовать оптимизацию роя частиц (PSO). [61] Калбхани и др. предложил использовать модель GARCH. [62]
В 2014 году Эль-Дахшан и др. предложил использовать нейронную сеть с импульсной связью. [63]
В 2015 году Чжоу и др. предложил применить наивный классификатор Байеса для обнаружения патологий мозга. [64]
CAD можно использовать для выявления субъектов с болезнью Альцгеймера и легкими когнитивными нарушениями среди здоровых пожилых людей.
В 2014 году Падма и др . использовали комбинированные характеристики вейвлет-статистической текстуры для сегментации и классификации срезов доброкачественных и злокачественных опухолей AD. [57] Чжан и др. Обнаруженное дерево решений машины опорных векторов ядра имело точность классификации 80% со средним временем вычисления 0,022 с для каждой классификации изображений. [65]
В 2019 году Сигнаевский и др . впервые сообщили о обученной полностью сверточной сети (FCN) для обнаружения и количественной оценки нейрофибриллярных клубков (NFT) при болезни Альцгеймера и ряде других тауопатий. Обученный FCN достиг высокой точности и отзыва при простой семантической сегментации цифрового изображения всего слайда (WSI), правильно идентифицируя объекты NFT с использованием модели SegNet, обученной в течение 200 эпох. FCN достиг почти практической эффективности со средним временем обработки 45 минут на WSI на графический процессор (GPU), что обеспечивает надежное и воспроизводимое крупномасштабное обнаружение NFT. Измеренная производительность на тестовых данных восьми наивных WSI с различными тауопатиями привела к тому, что запоминаемость , точность и показатель F1 составили 0,92, 0,72 и 0,81 соответственно. [66]
Собственный мозг — это новая функция мозга, которая может помочь обнаружить болезнь Альцгеймера на основе анализа главных компонентов [67] или разложения анализа независимых компонентов . [68] Было показано, что SVM с полиномиальным ядром обеспечивает хорошую точность. Полиномиальный KSVM работает лучше, чем линейный SVM и SVM с ядром RBF. [69] Другие подходы с достойными результатами включают использование текстурного анализа, [70] морфологических признаков, [71] или статистических признаков высокого порядка [72].
CADx доступен для изображений ядерной медицины. Существуют коммерческие системы CADx для диагностики костных метастазов при сканировании костей всего тела и ишемической болезни сердца на изображениях перфузии миокарда. [73]
Компьютерная автоматическая система обнаружения поражений, обладающая высокой чувствительностью и приемлемой частотой обнаружения ложных поражений, оказалась полезной и, вероятно, в будущем сможет помочь врачам ядерной медицины выявлять возможные поражения костей. [74]
Диабетическая ретинопатия — заболевание сетчатки, которое диагностируется преимущественно на основании изображений глазного дна. Пациенты с диабетом в промышленно развитых странах обычно проходят регулярный скрининг на наличие этого заболевания. Визуализация используется для распознавания ранних признаков аномальных кровеносных сосудов сетчатки. Ручной анализ этих изображений может занять много времени и быть ненадежным. [75] [76] CAD использовался для повышения точности, чувствительности и специфичности метода автоматического обнаружения. Использование некоторых систем САПР для замены грейдеров-людей может быть безопасным и экономически эффективным. [76]
Предварительная обработка изображений, извлечение и классификация признаков — два основных этапа этих алгоритмов САПР. [77]
Нормализация изображения минимизирует вариации по всему изображению. Сообщалось, что изменения интенсивности в областях между периферией и центральной макулярной областью глаза приводят к неточности сегментации сосудов. [78] Согласно обзору 2014 года, этот метод использовался наиболее часто и фигурировал в 11 из 40 недавно (с 2011 года) опубликованных первичных исследований. [77]
Выравнивание гистограммы полезно для повышения контрастности изображения. [80] Этот метод используется для увеличения локального контраста. В конце обработки темные области входного изображения станут ярче, что значительно увеличит контраст между элементами, присутствующими в этой области. С другой стороны, более яркие области входного изображения останутся яркими или уменьшится по яркости, чтобы сравняться с другими областями изображения. Помимо сегментации сосудов, с помощью этого метода предварительной обработки можно дополнительно выделить другие особенности, связанные с диабетической ретинопатией. Микроаневризмы и кровоизлияния представляют собой очаги красного цвета, тогда как экссудаты представляют собой желтые пятна. Увеличение контраста между этими двумя группами позволяет лучше визуализировать поражения на изображениях. Обзор 2014 года показал, что с помощью этого метода 10 из 14 недавно (с 2011 года) опубликовали первичные исследования. [77]
Фильтрация зеленых каналов — еще один метод, который полезен для дифференциации поражений, а не сосудов. Этот метод важен, поскольку он обеспечивает максимальный контраст между поражениями, связанными с диабетической ретинопатией. [81] Микроаневризмы и кровоизлияния представляют собой красные образования, которые кажутся темными после применения фильтрации зеленых каналов. Напротив, экссудаты, которые на обычном изображении кажутся желтыми, после зеленой фильтрации превращаются в ярко-белые пятна. Согласно обзору 2014 года, этот метод чаще всего используется: за последние три года он появился в 27 из 40 опубликованных статей. [77] Кроме того, фильтрация зеленого канала может использоваться для обнаружения центра диска зрительного нерва в сочетании с системой двойного окна. [ нужна цитата ]
Коррекция неравномерного освещения — это метод, который корректирует неравномерное освещение на глазном изображении. Неравномерное освещение может быть потенциальной ошибкой автоматического обнаружения диабетической ретинопатии из-за изменений статистических характеристик изображения. [77] Эти изменения могут повлиять на последующую обработку, например на извлечение признаков, и не заметны для человека. Коррекция неравномерной освещенности (f') может быть достигнута путем изменения интенсивности пикселей, используя известную исходную интенсивность пикселей (f) и средние интенсивности локальных (λ) и желаемых пикселей (μ) (см. формулу ниже). [82] Затем применяется преобразование Вальтера-Клейна для достижения равномерного освещения. [82] Этот метод является наименее используемым методом предварительной обработки в обзоре 2014 года.
Морфологические операции — второй наименее используемый метод предварительной обработки в обзоре 2014 года. [77] Основная цель этого метода — обеспечить усиление контраста, особенно в более темных областях по сравнению с фоном.
После предварительной обработки изображения глазного дна изображение будет дополнительно проанализировано с использованием различных вычислительных методов. Однако современная литература согласилась с тем, что некоторые методы используются чаще, чем другие, во время анализа сегментации сосудов. К этим методам относятся SVM, многомасштабный подход, отслеживание судов, подход к расширению региона и подходы, основанные на моделях.
Машина опорных векторов на сегодняшний день является наиболее часто используемым классификатором при сегментации сосудов (до 90% случаев). [ нужна цитация ] SVM — это модель обучения с учителем, которая принадлежит к более широкой категории методов распознавания образов. Алгоритм работает, создавая наибольший разрыв между отдельными выборками в данных. Цель состоит в том, чтобы создать наибольший разрыв между этими компонентами, чтобы минимизировать потенциальную ошибку классификации. [83] Чтобы успешно отделить информацию о кровеносных сосудах от остальной части изображения глаза, алгоритм SVM создает опорные векторы, которые отделяют пиксель кровеносного сосуда от остальной части изображения через контролируемую среду. Обнаружение кровеносных сосудов на новых изображениях можно выполнить аналогичным образом, используя опорные векторы. Сочетание с другими методами предварительной обработки, такими как фильтрация зеленых каналов, значительно повышает точность обнаружения аномалий кровеносных сосудов. [77] Некоторые полезные свойства SVM включают [83]
Многомасштабный подход — это подход с множественным разрешением при сегментации сосудов. При низком разрешении сначала можно извлечь сосуды большого диаметра. Увеличивая разрешение, можно легко распознать более мелкие ответвления крупных сосудов. Таким образом, одним из преимуществ использования этого метода является повышенная аналитическая скорость. [75] Кроме того, этот подход можно использовать с 3D-изображениями. Поверхностное представление представляет собой поверхность, нормальную к кривизне сосудов, что позволяет обнаруживать аномалии на поверхности сосудов. [ нужна цитата ]
Отслеживание сосудов — это способность алгоритма обнаруживать «осевую линию» сосудов. Эти осевые линии являются максимальным пиком кривизны сосуда. Центры сосудов можно найти, используя информацию о направлении, предоставляемую фильтром Гаусса. [ нужна цитация ] Подобные подходы, которые используют концепцию осевой линии, основаны на скелете и дифференциальной геометрии. [75]
Подход выращивания региона — это метод обнаружения соседних пикселей, имеющих сходство. Для запуска такого метода необходима начальная точка. Для работы этой техники необходимы два элемента: сходство и пространственная близость. Соседний с исходным пикселем с аналогичной интенсивностью, скорее всего, будет того же типа и будет добавлен в растущую область. Одним из недостатков этого метода является то, что он требует ручного выбора исходной точки, что вносит предвзятость и несогласованность в алгоритм. [75] Этот метод также используется для идентификации оптического диска. [ нужна цитата ]
Подходы , основанные на моделях, используют представление для извлечения сосудов из изображений. Известны три широкие категории моделей на основе: деформируемые, параметрические и сопоставление шаблонов. [75] Деформируемые методы используют объекты, которые будут деформироваться, чтобы соответствовать контурам объектов на изображении. Параметрический использует геометрические параметры, такие как трубчатое, цилиндрическое или эллипсоидное представление кровеносных сосудов. Классический контур змеи в сочетании с топологической информацией кровеносных сосудов также может использоваться в качестве подхода, основанного на модели. [84] Наконец, сопоставление шаблонов — это использование шаблона, подобранного с помощью процесса стохастической деформации с использованием скрытого марковского режима 1.
Автоматизация медицинского диагностического труда (например, количественного определения эритроцитов ) имеет исторический прецедент. [85] Революция глубокого обучения 2010-х годов уже привела к появлению ИИ, которые во многих областях визуальной диагностики более точны, чем рентгенологи и дерматологи, и ожидается, что этот разрыв будет расти. Некоторые эксперты, в том числе многие врачи, пренебрежительно относятся к влиянию ИИ на медицинские специальности. Напротив, многие экономисты и эксперты по искусственному интеллекту полагают, что такие области, как радиология, будут массово разрушены из-за безработицы или снижения заработной платы радиологов; больницам в целом понадобится меньше радиологов, а многим из оставшихся радиологов потребуется существенная переподготовка. Джеффри Хинтон , «Крестный отец глубокого обучения», утверждает, что (принимая во внимание вероятные достижения, ожидаемые в ближайшие пять или десять лет) больницы должны немедленно прекратить подготовку рентгенологов, поскольку их трудоемкое и дорогостоящее обучение визуальной диагностике вскоре будет прекращено. в основном устаревшие, что приводит к перенасыщению традиционных рентгенологов. [86] [87] В статье в JAMA утверждается, что патологи и рентгенологи должны объединиться в единую роль «специалиста по информации», и утверждается, что «чтобы избежать замены компьютерами, радиологи должны позволить компьютерам вытеснить себя». Информационные специалисты будут обучены «байесовской логике, статистике, науке о данных», а также некоторым геномике и биометрии; ручное визуальное распознавание образов будет значительно уменьшено по сравнению с нынешним обременительным обучением радиологии. [88]
{{cite journal}}
: CS1 maint: numeric names: authors list (link)