Visión artificial y medicina

Han pasado cinco años desde el momento en que las redes neuronales comenzaron a pegarse en cada agujero. Hay muchos ejemplos donde todo funciona casi perfectamente: biometría, reconocimiento de información técnica (números, códigos), clasificación y búsqueda en una matriz de datos.

Hay áreas donde todo está empeorando, pero ahora se está progresando mucho: reconocimiento de voz / texto, traducciones.



Pero hay zonas misteriosas. Parece que hay progreso. Y los artículos se publican regularmente. Solo que ahora no llega a un uso práctico.

Veamos cómo funcionan las redes neuronales y la visión artificial en medicina.

Una pequeña reserva . En el artículo solo hablaré sobre visión artificial. Esto es cuando tratamos de reconocer algo por una radiografía, una fotografía, una imagen con una ecografía, CT / MRI, etc.
Estas son áreas que han mejorado mucho en los últimos años. En otras áreas, todo es algo más confuso / astuto, no quiero tocarlos.

Pequeño descargo de responsabilidad 2 . Quiero prescindir de ejemplos explícitos aquí, considerando las comunidades que son ciertas para casi todas las neuronas. Si está interesado en leer lo que las neuronas han aprendido recientemente a hacer en medicina, le aconsejo:
Reconocimiento de fluorogramas
Reconocimiento de mamografía
Retina
Cáncer de piel

Y mucho mas.

Parte 1 - con un golpe

La medicina es un área muy específica del conocimiento humano. A diferencia de lo que mencioné anteriormente (biometría / números / traducciones), existe una responsabilidad. Si el médico claramente se equivocó, la sociedad humana sugiere que debería volar. No quiere decir que esta instalación siempre se realice. Pero hay un cierto paradigma en las mentes de los médicos y en las mentes de la sociedad. Con quien hables, la gente siempre piensa en ese marco.

Y ahora venimos con nuestra red neuronal. Y decimos: "¡predecimos con la misma precisión que el médico!" (a continuación consideraremos esta declaración en detalle). El doctor mira una foto - aprox. El segundo es hermoso. Pero en el décimo, él no está de acuerdo con la opinión de la red radicalmente. El médico escribiría "sospechosamente", y la red dice "saludable". "¡¿Qué es esto ?!" - piensa el doctor. "¿Realmente dejaríamos salir a este paciente?"

Globalmente, con el enfoque de "red neuronal + médico", donde el objetivo de la red es "buscar patología", la distribución posterior puede ser la siguiente:

1. El paciente tiene una patología -> la red neuronal la encontró -> el médico la vio (más el karma del médico)
2. El paciente tiene una patología -> la red neuronal no la encontró -> el médico la vio (el médico cree que "bueno, inventaron basura aquí", menos el karma de la red)
3. El paciente tiene una patología -> la red neuronal no pudo encontrarla -> el médico tampoco ve nada (todos estaban vacíos, no hay castigo para nadie)
4. El paciente tiene una patología-> la red neuronal no la encontró -> el médico no la ve (el médico piensa "bueno, se les ocurrió una mierda aquí", y luego las dos opciones son "el médico está seguro de que tiene razón", el hallazgo va a la basura y "el médico quiere dejar la responsabilidad" - el nombramiento de análisis adicionales / estudios adicionales - y luego la victoria)
5. El paciente no tiene patología -> la red neuronal no pudo encontrarlo -> el médico tampoco ve nada (más el karma del médico)
6. El paciente no tiene una patología -> la red neuronal no la encontró -> el médico ve algo ("lo que es su neurona no ve síntomas tan obvios, incluso si no hubiera una patología aquí, ¡definitivamente es necesario verificarlo!")
7. El paciente no tiene una patología -> la red neuronal lo encontró -> el médico también encontró algo (todos están de acuerdo, todo está en más)
8. El paciente no tiene patología -> la red neuronal lo encontró -> el médico no ve nada (de nuevo, hay dos versiones de los eventos "el médico cree que tiene razón" - y todo está bien "el médico quiere rechazar la responsabilidad" - y comienza la cadena de investigación. El resultado es un médico molesto, que nuevamente tuve que nombrar un montón de pruebas y no hay nada).

Resumamos ahora todos los resultados: 1,3,5,7 : no hay cambios en el protocolo de estudio actual. Para los estudios de detección, este será el 95% de los casos. La red neuronal no cambia nada, y cualquier acción asociada con ella complicará el trabajo del médico => en el sentido global, ejercerá presión en lo negativo.

Los puntos 2 y 6 otorgan un increíble menos al karma de las redes neuronales. Crearán un claro negativo cada vez que ocurran.

El punto 4 es la única situación en la que una neurona puede recuperarse. Pero ella debe pasar por la negatividad del médico. Y será eliminado por completo en el párrafo 8 . Para que los médicos entiendan que la neurona es efectiva, el número de casos descritos en el párrafo 4 debe ser comparable o mayor que en el párrafo 8. Pero esto solo se puede lograr en los casos en que el número de pacientes con patología es alto. Para la detección, esto no ocurre.

La realidad se ve aún peor, para ser honesto. Si la neurona ve lo que no estaba en el entrenamiento, pero lo que está claro para el médico, dará algunas respuestas aleatorias. Bueno, por ejemplo, los restos de intervenciones médicas complejas durante la fluorografía (suturas / prótesis / fragmentos). E, incluso si la red es estadísticamente mejor que el médico, pero cada dos semanas el médico ve el mismo error obvio: se quemará.

Ok Llegamos a la conclusión de que cuando se integra con un médico calificado, la red neuronal prácticamente no puede aumentar la detección de enfermedades, solo agregará problemas. Y pensemos en cómo se puede arruinar una neurona sin un médico. El verdadero problema de las clínicas en Rusia son muchos especialistas de baja calidad en el campo. Hablé con médicos de centavos federales, y hay dos quejas:

• Los médicos a la más mínima duda envían al centro federal para el diagnóstico.
• Los médicos no ven tumores en el piso del pecho (poca experiencia)

Debe entenderse que en tales situaciones, cualquier red neuronal produce una precisión un orden de magnitud mayor que la de dicho médico.

Pero cuando intentas atraer a la realidad, todo se vuelve un poco más triste:

1. La legislación no permitirá reemplazar a un médico por completo; de nuevo, "quién será responsable"
2. Un médico de bajo nivel probablemente seguirá uno de dos caminos:
   
   • Considérese más inteligente que la red y no escuche sus decisiones. A juzgar por lo que vi, habrá mayoría.
   • Cumplir plenamente con sus decisiones. Esto no es malo, pero no podemos obligar al médico a hacerlo burocráticamente, porque el médico es el responsable.
3. En un nivel bajo, hay médicos bastante buenos, y esto debe tenerse en cuenta. Dichos médicos pueden socavar la reputación de cualquier programa, indicando sus errores.

Lo más triste es que este problema de "baja calificación de un médico" se resuelve de otras maneras, no en redes neuronales. Un enfoque sistemático competente, con capacitación constante de un médico / pruebas de competencia / creación de una infraestructura de red para que un médico pueda atender a muchos hospitales a la vez / duplicación para 2-3 médicos. Resolver este problema con las redes neuronales es casi lo mismo que acercarse a la reparación de automóviles con las palabras "Tengo un rollo de cinta adhesiva, ¿por qué no intentarlo?"

El mismo DIT en Moscú también está en camino "primero reduciremos todo a un solo lugar y luego lo reconoceremos". Promovieron su decisión con neuronas en las conferencias. Pero comienzan a trabajar precisamente con soluciones de sistema. Las neuronas llegarán a esos lugares más tarde, en algún lugar acelerando el trabajo, en algún lugar mejorando la calidad. Es necesario comenzar con la infraestructura.

Por supuesto, hay una manera de solucionar este problema en parte con una neurona. Verifique automáticamente todas las imágenes tomadas en la institución. Establezca un umbral de tal manera que casi no haya falsos positivos (sí, deje pasar el 20% de los pacientes). Y, si estamos seguros de que el paciente está enfermo, evite al médico y asígnele exámenes adicionales.
Se ve simple. En realidad, esta es una opción infernal: destruye la lógica de la toma de decisiones (el paciente fue dado de alta, cómo llamarlo ahora), destruye la reputación de los médicos (¡¿cómo está cortando Vasily Petrovich?!), Es inaceptable para la administración (¿cómo omitir el 20%?!). No trabajará si los médicos son competentes. Para el hospital, el beneficio de este sistema no está claro, por qué gastar dinero en la instalación. Y solo es posible si la institución médica ya tiene un buen sistema de información.

Pero, la mitad de los proyectos que encontré miran en esta dirección ...

Otra buena opción es resaltar al médico lo que ve la red. Tumores / órganos / algunas características. Pero esto no es una prioridad. Y antes que nada, los fabricantes de equipos lo necesitan. En algún momento, tales "asistentes" podrán aprobar el estándar en el campo. Este enfoque no requiere una licencia estricta, alivia parcialmente al médico, es una buena ventaja competitiva para el dispositivo / software. He visto varios proyectos de este tipo. Pero, de nuevo, se trata de otra cosa. Esto no reemplaza al médico, no mejora la detección.

Parte 2. ¿Y qué hay de las estadísticas?

Recientemente, salió un artículo impresionante. Un metaestudio sobre qué precisión logran las redes neuronales y cómo combate a las personas. No contiene respuestas sobre cómo se puede implementar / usar algo. Pero al menos le permite evaluar la vanguardia moderna en la ciencia.
El cronograma final del artículo es aproximadamente el siguiente (calificación de precisión para todos los estudios):



¡Parece que incluso las personas pierden significativamente! Pero no olvide que este es un metaestudio, donde los puntos en el gráfico son la precisión final de los algoritmos.

Si dejamos esos artículos donde la evaluación de las personas y el algoritmo se basa en un conjunto de datos idéntico (solo hay 14 de ellos), entonces el gráfico final será mucho más interesante:



Se puede ver que con una comparación adecuada, los algoritmos producen casi la misma precisión que los médicos profesionales.

Pero no olvides algunos puntos:

1. Solo puedes entrenar a una neurona en una tarea claramente definida. Si de repente hay algo extraño en la imagen, el médico lo comprenderá de inmediato y no se determinará la salida de la neurona.
2. La precisión del médico depende de las calificaciones. Este será un ejemplo a continuación. Es probable que la neurona proporcione cierta precisión promedio.
3. La neurona puede depender del método / del conjunto de entrenamiento. La invariancia del doctor es mucho mayor.

Sobre la precisión de los médicos. Encontré varios estudios donde analizaban la precisión de los médicos. De hecho, una neurona realmente buena no se puede hacer sin tal estudio. De este último, realmente me gustó este. Leer mamografías es una de las áreas más difíciles en radiología. Es necesario restaurar espacialmente 4 imágenes tomadas de diferentes direcciones y comprender si todo está bien o no. Una neurona proporciona un 87% de precisión en la clasificación de enfermos / sanos. Médicos: del 70% al 86%. Además, según el estudio, los médicos tenían experiencia en esta tarea.

No es necesario generalizar este estudio a todas las demás tareas. Pero es visible un momento genial: "la neurona definitivamente ayuda a los malos médicos". Pero los buenos son un poco lentos.

Parte 3. Acerca de dónde las neuronas en medicina realmente ayudan

Todo lo que dije anteriormente fue una discusión sobre el tema de "neuronas y la búsqueda de patologías". Pasemos unos minutos y hablemos sobre un tema más general: las neuronas y la medicina. ¿Pueden las neuronas ayudar en la medicina, en el análisis de imágenes?

Y entonces la respuesta es definitivamente sí. Y ya se usa activamente. De los últimos ejemplos que aparecieron (traigo aquí nuevas empresas rusas puramente médicas que han llegado al producto):

La UNIM es una red de laboratorios que realizan investigaciones sobre muestras de biopsia (los médicos llaman a esto estudios patológicos). Estos estudios son bastante largos y tristes. El médico se sienta y cuenta el número de células de un tipo, otro tipo, el número de células teñidas, etc. Hace solo un par de años, todos estos cálculos se realizaron bajo microscopios y con un contador en la mano.

Esto se resuelve rápida y bien a través de las neuronas. La precisión aumenta (algo ya es posible y el número de celdas es algorítmicamente más fácil que con los ojos + puede procesar un área más grande en menos tiempo). Y lo más importante: el tiempo de trabajo del médico se acelera enormemente.

DiagnoCat - Tomografía computarizada para detectar enfermedades dentales . Una persona tiene muchos dientes. El médico tratante generalmente presta atención al diente que sana + por lo que llama la atención. Nadie describe los 32 dientes completamente. Pero el algoritmo puede. Este enfoque aumenta la conversión, mejora la condición final de los pacientes.

Solo en Rusia vi 3-4 empresas / startups más que introdujeron con éxito el aprendizaje automático en tecnologías casi médicas. Y estas soluciones han mejorado la calidad de los servicios / reducido su precio.
La característica principal de tales startups es que no provienen de "resolver todos los problemas", sino de "acelerar el procesamiento de datos" / "mejorar la eficiencia".

Epílogo

Las redes neuronales ahora no provienen de una idea como "pero reconozcamos X". Y a partir de una idea como "gastamos un montón en Y -> ¿podemos optimizar esto de alguna manera?". Bueno, por ejemplo, completar automáticamente un diagnóstico si pasamos mucho tiempo haciendo garabatos. Desafortunadamente, muchos no entienden esto.

¿Cambiará la medicina en los próximos 10 años? Yo creo que si. Pero no por redes neuronales, sino por informatización. Control automático de flujo, estaciones de trabajo virtuales, combinando todos los datos en una base de datos común. Y visión artificial ... Aparecerá en esos proyectos que crecerán antes. Tranquilo y silencioso.