手动评估组织部分使用显微镜是一个非常耗时的过程。采用人工智能解决方案可以自动识别并计数视觉信息可以帮助增加图像分析的速度和准确性,同时也释放时间病理学家。
188金宝搏备用Gillian投影机博士最近与病理学家和塔夫茨大学的助理教授托马斯•Westerling-Bui主任Aiforia科学战略和业务发展,学习如何基于云计算平台的实现有助于推进科学研究结核分枝杆菌。
安娜·麦克唐纳(AM):你能概述典型的日常工作是什么?你遇到的一些挑战是什么这样做手工吗?
吉莉安投影机(GB):我典型的日常工作包括三级生物安全水平的实验室条件下运行一个研究实验室(部分评估组织学的幻灯片tuberculosis-infected老鼠),教学和训练学生和研究技术人员,评估病理诊断服务和幻灯片的幻灯片评估使用实验动物疾病模型研究的合作者。人工注释的挑战包括:1)耗时;2)单调乏味;3)无聊。我认为人工注释为“爱的劳动”,我为我自己的研究,量化细胞和病变下游分析是必要的。
问:有什么不同人工智能的实现使你的研究?
GB:一个很大的区别。十五年前当我还是一个病理学居民和研究生)我开始寻找图像识别工具,可以自动识别复杂的细胞和组织模式。更精确的比较利益驱动的肺结核病变不同品种的老鼠。现在,我激动,AI平台更广泛使用,我兴奋地尝试任何人工智能工具,其从组织学图像中提取视觉信息的能力。
肺结核,在我们的研究目标是生成量化的数据组织部分,允许2 d测量实验小组进行统计比较。最终,我们想从glass-free生成3 d重建结核肉芽肿,显微图像,我们可以使体积对比实验群体,整合结构数据与功能信息和构建肉芽肿,我们可以操作的计算机模拟在网上。结核病目前在我们的研究中,我们使用人工智能工具和平台,商用(Aiforia),我们使用监督学习方法与学术合作者(计算机科学家)生成自定义算法和探索较少监管或无监督分类方法。
问:你认为多么重要的采用人工智能在病理是什么?有什么障碍需要克服之前得到更广泛的应用呢?
GB:AI工具有直接好处的研究和发现应用程序在病理学家的两个主要任务1)病变检测(模式识别)和2)严重程度比较实验团体(计数或评分)。在研究环境中,这些任务通常是执行“蒙蔽”没有知识的组减少偏见(利益),但可以有缺点的病理学一步移除,从而减少病理学家的解释能力的生物相关性损伤在正确的上下文中。与自动模式识别和量化工具,我希望病理学家将成为更有价值的贡献,因为我们可以专注于应用广泛的疾病表现的专业知识了解上下文的病变的潜在机制在活的有机体内模型在研究中。
任何新技术的障碍是一样的:资源(时间、技能/知识、资金、硬件、软件),未知的恐惧和不完美的预测意想不到的负面后果,变革阻力的能力。没有一个是不可逾越的。
Ruairi Mackenzie (RM):哪些数据被用来训练Aiforia软件识别功能的结核病在组织吗?
托马斯Westerling-Bui (TW):几种不同的化验和不断发展。为了识别结核肉芽肿和坏死,Aiforia科学团队使用42整体滑动的组织学图像TB-infected肺部组织。影响肺组织的组织学幻灯片包含薄片和沾着一个共同的一般叫苏木精和伊红染色或“他”。这个污点用于可视化组件的细胞核和细胞质和常用的大部分组织考试。美联储数据训练神经网络结构的人工智能模型1 - 10小区域每张幻灯片(~ 1 - 5%的总幻灯片)注解为训练数据。这是一个非常常见的大多数项目的平均数量。深卷积神经网络非常善于识别复杂的模式在医学成像,尤其是组织学,更重要的是覆盖多个情况下(在本例中幻灯片)比提供大量的例子(像素)相同的幻灯片。这涉及到生物学的复杂性和微妙的小幻灯片与个人之间存在细微差别。博士投影机使用深度学习平台继续这项工作我们称之为Aiforia创建并能进一步培养人工智能模式识别巨噬细胞与生物相关的特殊类结核引起的病态。
RM: Aiforia不同工具利用人工智能识别功能的癌症?
TW:Aiforia是一个集成的平台由领域专家使用,如投影机博士。能够使用云计算集群,世界一流的智能建筑和一个灵活的用户界面,快速、灵活地部署极其复杂的人工智能模型就是使Aiforia有别于其他替代品。许多商业提供者以及学术实验室可以提供一些个人的组件,但民主化和部署AI世界可伸缩的方式需要大量的组件一起工作效率。
Aiforia我们的任务之一是提供平台,为了给用户带来AI如投影机博士而清除一切障碍如需要程序员,超级计算机集群等。有趣的是,Aiforia已经被用作病理学支持工具在撒哈拉以南的非洲国家(肯尼亚和坦桑尼亚)在多个网站使用人工智能模型筛选和可疑的结果呈现给临床医生,谁能迅速判断病变的性质。的能力这些诊所上传他们的临床样本图像(由一个小型模块化生产的扫描仪Grundium)为分析Aiforia云允许他们放弃所有的经常缺医少药地区遭受挑战采购和基础设施问题。
此外,随着这一领域的发展和推进,最终用户的本地依赖等中级专业技术数据和计算机科学家需要减少,通过Aiforia已经可以实现这一目标,彻底改变他们的工作流程为一个AI版本没有通常假定AI技术的需求。
此外,涉及大量的数据需要复杂的代码,不仅为了内存管理培训的人工智能模块,而且对幻灯片的快速可视化,呈现的结果和注释工具的可用性。Brightfield图像可以达到15 GB大小20 x放大和多个10 GB的年代多重免疫荧光图像。
最后,最需要的组件是健壮的代码,当这些平台进入诊所必须接近100%正常运行时间,系统有时是不可接受的,代码维护工作变得很重要。深入研究,学术的代码通常可用只在出版的前几年,甚至代码可用性是可疑的,即使开放获取。这些类型的代码没有测试项目通常是根据行业标准和无数的方式打破如从这样一个简单的系统软件更新,包括各种包的依赖关系。一起把所有这些功能的产品一直是Aiforia的主要集中在过去的几年里,同时保持行业和临床质量的代码,所以利益相关者和监管环境可以信任,验证产品。
面临的最新更新我们的公共平台自动验证功能,允许快速和精确的分析验证在一个偏远的,分布式的方式。
RM:科学和医学实践的领域你认为人工智能能改善吗?
TW:AI系统站可能改善科研和卫生保健的方方面面。最直接的改善情况可以很容易地达到质量保证,分析和诊断速度和自动筛选。我们很多的发现和诊断过程依赖于精确pre-analytical因素和大量样品失败这些标准。在某些情况下,这是注意到只有在专家最终用户阶段和宝贵的时间和资源。组织病理学分析我们可以自动化这个过程并提供前期,节省时间和其他资源,本质上的水平影响所谓的样本不足或其他质量控制系统变得不显明的失败。此外,增加的速度和一致性的能力组织病理学评估已经被用于研究设置和很快来诊断使用。这些进步将使我们的系统更加高效且不易出错,应该尽快接受监管和安全要求。
,我们将能够看到人类不能使用人工智能能力。一个这样的学术兴趣的例子描述在府绸等。,一面的结果研究人工智能模型的能力来确定个体的性别从视网膜照片。有明显更有效和准确的方法来确定这个,但这确实是“超越人类能力”的概念。
今天的治疗决策是通过和大型分裂两个或几个类别的患者人群,如没有疾病,低风险,高的风险。很明显,这个分裂的最高及最低的百分比将被放置在正确的“水桶”并得到适当的治疗,然而这两个类别之间的界限已经正确分类的低得多的信心。我们在这种情况下的原因是很难量化和评估在连续的规模。知道这是一个小餐或大餐是很容易的,准确的了解卡路里数量和影响我们的健康更加困难。以同样的方式临床药物研究是传统上根据分类数据。为了摆脱这个并获得“真正的”价值为每个人一切我们需要连续的数据和数据模型,可以分析它。这必须从RD空间开始,逐步进入诊断和治疗决策空间。在组织病理学领域实现连续数据的唯一方法是自动图像分析和人工智能提供完美的能力。
卫生研发和卫生保健供给在10年内将截然不同的感谢更微妙,定量和可伸缩的系统和人工智能将发挥很大的作用在这个转换。
Gillian投影机和托马斯Westerling-Bui说安娜·麦克唐纳和Ruairi Mackenzie科学作家、技术网络。188金宝搏备用
诊断
诊断
