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:
- Начинаем процесс со все большей и большей оцифровки наших устройств и внедрения ИИ.
- Поскольку модели машинного/глубокого обучения становятся все более совершенными, точными и интеллектуальными из-за огромного объема данных, они способны автоматически обеспечивать нужное качество.
- 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
- 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.