Комментарии 6
Я надеюсь, вы не только в телеграмме :) Можете прокомментировать этот пункт :
найдётся место и для очень узко специализированных экспертных ИИ-систем - например, направленных на стадирование и определение гистологического подтипа рака без инвазивных процедур
Технологически это возможно , делать скриннинг и типирование на одном оборудовании? За "один проход".
И всё таки хотелось бы больше инфы как именно происходит например женитьба условного ЧатЖПТ с Рентген аппаратом? или как ИИ читает снимки и диагностирует по ним заболевания? А то хайп ИИ темы продолжает качать, но как сталкиваешься с практическим применением - понимаешь что всё это просто хайп. Например - казалось бы простейшая задача для ИИ - настроить аутлук и приклеить подпись. При том что все параметры -логины пароли хоснэйм сервака и прочее лежат рядом в файлике. Попробуйте - найти более-менее рабочее решение - будет тот еще челендж. Ач его стОит генерация несчастной поверпоинт-презентации даже в чатжпт4 - это вообще верх маразма. Такое ощущение, что функционал ИИ пока специально "душат", непонятно зачем.
Рентгенолог не диагностирует заболеваний, он описывает структуры, что видит на снимке
Диагноз ставит лечащий врач
Суть не меняется из-за этого. Попробуйте "скормить" даже простейший снимочек в чатжпт - уверяю вас, ответ ИИ будет бесполезным чуть менее чем полностью.
я не эксперт в области ИИ, но "чат" на то и "чат", наверное, что взаимодействие происходит посредством текста?
Ну Собянин как-то отчитывается, что в поликлиниках активно используется ИИ. Скоро и к нам доберется, Воробьев все подсматривает у старшего брата. А там расскажу из вторых рук, я сотрудник здравоохранения, но не рентгенолог, а клиницист
Я не из радиологии, но из радиографии, причём промышленной. По существу вопроса имею сказать следующее — на волне хайпа в ИИ многие производители промышленного оборудования утверждают "да у нас тут ИИ в полный рост". На поверку же оказывается мягко говоря не совсем так. Типичный пример — батареи для электромобилей/планшетов/смартфонов, их сейчас иногда проверяют рентгеном, делая томографию (частичную или полную), и проверяют геометрию катодов и анодов с точки зрения перехлёста, деформации и т.п. Так вот когда начинаешь дотошно выяснять — тут оказывается Canny, там Sobel, а потом классическая аналитическая геометрия и ни намёка на машинное обучение. Очевидно, что классическое ML тут задача нетривиальная, хотя бы в том, что батареи все разные, набрать хоть сколько-нибудь приемлемый по размеру сет для тренинга — непросто, просто нет столько дефектных. С дефектами литья тоже самое — в лучшем случае машинное обучение используется в небольшой части общего пайплайна обработки картинок (скажем в бинарной классификации), а большая часть процессинга — классика на модифицированных медианных фильтрах или около того. В медицине ситуация чуть проще в том, что все люди плюс-минус однаковы с точки зрения внутреннего устройства, а вот головка блока циилиндров несколько отличается от рычагов подвески, да и даже в пределах одного производителя конструктивные особенности и геометрия могут быть принципиально различны. На Kaggle, кстати, выкладывали много изображений поражения лёгких при Covid, и там методы машинного обучения вполне себе успешно использовались, хотя о практическом применении я честно не слышал, хотя статей типа Hospital-wide survey of clinical experience with artificial intelligence applied to daily chest radiographs встречал довольно много (но это опять же не моя область). Технически там обычно на DICOM всё нанизано, и воткнуться в цепь обработки можно, но нужно ещё передать результаты дальше, в какие-то теги это записать, конечное ПО (которое ещё надо сертифицировать) должно всё это поддерживать и т.д. В промышленности мы DICONDE используем, что в общем тоже самое, только вид сбоку. Но факт в том, что от демки, открывающей dcm файл и показывающей результат, до интегрированного решения — как от земли до неба (хотя тут скорее просто рутинное программирование). Ещё есть чисто технические затыки. Вот прямо сейчас я неспешно сращиваю поиск дефектов с YOLO 8.1 (там ввели ориентированные регионы — это когда я не просто прямоугольник в ответ получаю, а повёрнутый), так вот, картинки-то у меня 16 бит, и YOLO банально их не понимает. И хотя в теории это можно допилить, на практике это непросто там кода дофига. Народ просил поддержку 16 бит в прошлом году, но пока висит статус "не планируется". Да даже и с разметкой датасета в YOLO 8.1 — информации ноль, в каком формате это подавать, есть примеры предобученных сеток, и они вполне себе успешно находят всякие объекты, но когда у вас есть просто набор 16 бит картинок, то от него до обученной функциональной сетки — очень большая дистанция. То есть ещё работать и работать. Но потенциал тут есть определённо. Уже есть довольно большие наборы данных, полученных на "классических" алгоритмах, хотя и тут в промышленности есть тонкость — эти данные не публичные, внутреннее устройство деталей — это закрытая интеллектуальная собственность. Пока что для предварительных "пристрелочных" упраженний я просто генерирую искуственные дефекты, слегка корёжа их морфологией, но через всё приходится продираться как через лесную чащу.
Будущее ИИ в радиологии — обзор конференции RSNA 2023