Согласно отчету Accenture, ожидается, что рынок ИИ для здоровья достигнет CAGR в 40 % в 2021 году. Ожидается, что рынок ИИ для здоровья к 2021 году достичь оценки в 6,6 млрд долларов США. Согласно анализу Accenture, в сочетании с ключевыми приложениями искусственного интеллекта для клинического здравоохранения к 2026 году ежегодная экономия средств здравоохранения США может составить 150 млрд долларов США. [ "Источник"]

Новый анализ компании Frost & Sullivan, Искусственный интеллект и когнитивные вычислительные системы в здравоохранении, показывает, что выручка рынка в 2014 году составила 633,8 млн долларов, а в 2021 году она оценивается в 6 662,2 млн долларов при среднегодовом темпе роста в 40%.

Искусственный интеллект изменил практически все отрасли, и здравоохранение больше не является исключением. Некоторые ведущие организации заявляют, что ИИ обладает большим потенциалом для улучшения конечных результатов результатов на 30-40%, при этом сокращая затраты на лечение примерно 50% %. Поэтому в этом блоге мы представляем вам один такой вариант использования, демонстрирующий возможности ИИ в сфере здравоохранения.

Приход ИИ в здравоохранение

В области здравоохранения искусственный интеллект меняет жизнь. Искусственный интеллект используется для упрощения клинического процесса в области радиологии. Рентгенологи играют важную роль в преобразовании здравоохранения с точки зрения цифровых технологий. ИИ в радиологии может помочь медицинским работникам реагировать на растущие потребности в услугах диагностической визуализации, что в результате улучшит и сделает весь рабочий процесс более эффективным. Большинство руководящих органов по всему миру уделяют все больше внимания этике ИИ, что поможет обществу принять технологии, основанные на ИИ.

Влияние ИИ в радиологии

Данные, полученные в области радиологии, растут быстрыми темпами благодаря рентгенологическим исследованиям. Искусственный интеллект помогает рентгенологам реагировать на экспоненциально растущие потребности рентгенологов, упрощая процесс диагностики и прогнозирования с помощью алгоритмов машинного/глубокого обучения. Когда эти сложные модели машинного/глубокого обучения сочетаются с человеческим опытом клиницистов и радиологов, они предлагают огромный потенциал для отрасли здравоохранения.

По словам генерального директора Siemens Healthineers[LinkedIn] доктора Бернда Монтага, рабочий процесс радиологии на основе ИИ включает в себя:

  1. Начинаем процесс со все большей и большей оцифровки наших устройств и внедрения ИИ.
  2. Поскольку модели машинного/глубокого обучения становятся все более совершенными, точными и интеллектуальными из-за огромного объема данных, они способны автоматически обеспечивать нужное качество.
  3. Следующий шаг предполагает подтверждение результатов диагностики данными КТ или МРТ. Затем за этим шагом следует решение более крупной задачи, которая включает сбор всех данных из разных источников, а затем создание цифрового помощника, который обеспечит более эффективное принятие решений в сфере здравоохранения.

Работа нейронных сетей в медицинской визуализации

Благодаря доступности дешевых ресурсов и сред глубокого обучения, таких как Tensorflow и PyTorch, нейронные сети широко используются в медицинской визуализации. Мотивация нейронных сетей — это структура нашего мозга.

Нейронные сети состоят из нескольких слоев, а именно входной слой, скрытые слои и выходные слои. На входные слои поступают такие данные, как объем КТ или ультразвуковое изображение, или изображения поражений кожи, которые относятся к конкретному типу диагностики.

Затем нейронные сети изучают особенности, которые помогают им оценивать и обнаруживать конкретную диагностическую задачу. Для обучения этим нейронным сетям требуется огромное количество данных. Чтобы модель хорошо обобщала и получала лучшую точность, нам нужно высокое качество данных. Следовательно, нам потребуется аннотированный набор данных. Для этого вам просто нужно сосредоточиться на разработке и построении модели, а Labellerr возьмет на себя задачу по обработке данных и решит ее. Labellerr — это автоматизированная платформа SAAS с поддержкой искусственного интеллекта, которая позволяет пользователям эффективно аннотировать данные для своих моделей глубокого обучения.

Сегментация КТ легких COVID-19 с использованием глубокого обучения

В настоящее время спрос на эффективные инструменты для диагностики пациентов с COVID-19 стремительно растет. Следовательно, нам нужно подходящее решение для обнаружения и маркировки инфицированных тканей на компьютерных томографах изображений грудной клетки пациентов. Эта задача в первую очередь является задачей сегментации изображения.

Для сегментации мы использовали архитектуру U-Net. U-Net — это архитектура на основе сверточной нейронной сети (CNN) для быстрой и точной сегментации изображений. Он превзошел многие традиционные способы сегментации изображений, такие как сверточная сеть со скользящим окном. [ "Источник"]

Архитектура U-Net в основном использовалась в качестве бинарного сегментатора для сегментации легких из исходной компьютерной томографии легких, а затем использовалась как мультисегментатор для сегментации различных инфицированных областей. в легких.

Входное изображение (первое изображение) и результирующие выходные данные (второе изображение и далее)

Необходимость нашего варианта использования

Это решение будет семантически сегментировать изображения КТ легких, особенно у пациентов с диагнозом COVID-19. Это поможет медицинским работникам определить уровень риска и тяжесть инфекции, что, в свою очередь, поможет им расставить приоритеты у пациентов в соответствии с ними. Это автоматизированный компьютерный метод, который оказался надежным методом обнаружения инфицированных тканей. Это решение поможет профессионалам бороться с пандемией за счет автоматизации, расстановки приоритетов и расширения лечения пациентов с COVID-19 во всем мире.

Приступаем к реализации

Введение в набор данных

Компьютерная томография является ключевой процедурой для анализа степени тяжести инфекции, с которой борется человек с положительным результатом на COVID-19. Поскольку рентгенологов не хватает, модели ИИ играют решающую роль в оптимизации диагностики и лечения. Этот набор данных содержит 20 КТ пациентов с диагнозом COVID-19, а также сегментацию легких и инфекций, сделанную экспертами.

Источники данных

[1] — Пайва, О., 2020 г. CORONACASES.ORG — Помощь радиологам в оказании помощи людям более чем в 100 странах! | Случаи коронавируса — 冠状病毒病例. [онлайн] Coronacases.org. Доступно по адресу: ‹ ссылка›

[2] — Глик Ю., 2020 г. Просмотр плейлиста: Пневмония COVID-19 | Радиопедия.Орг. [онлайн] Radiopaedia.org. Доступно по адресу: ‹ ссылка›

Экспертные аннотации

[3] — Ма Цзюнь, Гэ Чэн, Ван Исинь, Ань Синлэ, Гао Цзяньтао, Юй Цзыци, … Хэ Цзянь. (2020). COVID-19 CT Lung and Infect Segmentation Dataset (Версия Версия 1.0) [Набор данных]. Зенодо. ДОИ

Написание кодов

  1. Вся реализация выполняется на платформе Kaggle. Вот ссылка на тот же блокнот. Мы импортировали библиотеки, которые будем использовать в этой реализации.

2. Теперь мы будем читать метаданные, предоставленные с нашим набором данных.

3. Поскольку КТ-сканы предоставляются нам в формате .nii, нам потребуется преобразовать их в массив, который впоследствии можно будет ввести в модель. Мы будем передавать путь к функции, и функция вернет соответствующий массив.

4. Теперь мы прочитаем данные КТ легких, которые включают исходное изображение, маску легкого и маску инфекции.

5. Быстро просмотреть наши данные, загрузив образец изображения и соответствующие ему маски.

6. Нам нужно преобразовать все изображение и соответствующие ему маски в массив, чтобы его можно было передать в модель.

7. Данные разделены на данные обучения и тестирования. 10% данных будут использоваться для тестирования, а 90% данных будут использоваться для обучения модели.

8. Запуск части построения модели.

9. Поскольку архитектура U-Net включает как увеличение, так и уменьшение масштаба. Итак, сначала мы создадим архитектуру для масштабирования, также известную как путь сжатия.

10. Теперь пришло время построить расширенный путь и скомпилировать модель.

11. Запуск обучения модели.

12. Построение метрики оценки и ее анализ.

13. Модель была обучена, и из показателей оценки мы можем сделать вывод, что она хорошо показала себя на проверочном наборе. Поэтому теперь приступим к задаче предсказания.

О писателе

Эй, ребята, поздравляю с завершением! Меня зовут Акшат Дубей, и я работаю стажером по науке о данных в Labellerr. Я учусь на четвертом курсе и получаю степень интегрированного магистра наук в области математики и вычислительной техники в Технологическом институте Бирла — Месра, Ранчи. Мой курс посвящен внедрению математики в области искусственного интеллекта. Я Kaggle Master хорошо разбираюсь в машинном обучении, глубоком обучении, компьютерном зрении и обработке естественного языка. Мои основные интересы связаны с применением искусственного интеллекта в области здравоохранения и розничной торговли. Чтобы связаться со мной, вы можете нажать на следующие ссылки:
Kaggle: https://www.kaggle.com/akshat0007/
Linkedin: https://www.linkedin.com/in/akshat0007/
Github: https://github.com/dubeyakshat07

Свяжитесь с командой Labellerr:
Веб-сайт: https://www.labellerr.com/

Первоначально опубликовано на https://blog.labellerr.com 21 июня 2021 г.