DMTS landsmøde 2019 Kunstig intelligens i medicinsk billedanalyse Computeren er fænomenal til at analysere billeder, og den bliver hastigt bedre. Men teknikken har også grundlæggende begrænsninger, som det er værd at holde sig for øje. Af Søren Bang Hansen - Hvad er medicinske billeder? Mit syn på den sag er, at de er data! Meget af det, vi laver i medicinsk billedanalyse, går ud på at forvandle de visuelle indtryk til hårde data, vi kan lave statistiske analyser på. Den nøgterne konstatering kommer fra professor Mads Nielsen, som leder Datalogisk Institut på Københavns Universitet. Denne onsdag i oktober er han mødt op i Vingsted for at gøre DMTS-medlemmerne klogere på status og perspektiver inden for medicinsk billedanalyse. Indtil for få år siden begyndte disse ana- lyser med, at forskerne manuelt udvalgte, hvilke visuelle aspekter de ville tage ud af billedet. Efter bedste evne identificerede man billedets kanter, klatter, linjer osv., og så proppede man det hele ind i sin foretrukne maskinlæringsalgoritme. En af de første anvendelser var profilering af tumorer, og således blev betegnelsen »radiomics« født. - I den virkelige verden har vi ikke nok information til entydigt at løse de fleste problemer. Så vi må i stedet finde den mindst dårlige, mest sandsynlige og mindst risikable løsning. Og det er faktisk den udvikling, kunstig intelligens har været igennem, fortæller Mads Nielsen. Vi har lært computerne at nå frem til en konklusion på basis af en række givne oplysninger og præmisser. Professor Mads Nielsen fortalte om AI-teknologiens muligheder og begrænsninger. (Foto: Haslefoto.dk). Generalisering virker - Hele kunsten og filosofien bag maskinlæring er, at vi skal være gode til at generalisere på nye data. Det virker magisk, at vi kan sige noget om nye data, erkender Mads Nielsen - men viser så et eksempel: En graf med bolde adskilt af en buet linje. Boldene til højre er blå, på nær en enkelt rød tæt på linjen. Boldene til venstre er røde, på nær en enkelt, hvis farve vi ikke kender. Men den er langt fra linjen, så sandsynligheden taler for, at den også er rød. Det er generalisering - formaliseret i en masse matematik. Og det virker. For det meste! Mads Nielsen peger på, at et af de mest udbredte koncepter inden for maskinlæring hedder »PAC«, som simpelthen står for »Probably Approximately Correct«. Altså formentlig sådan cirka korrekt« . - Det er meget vigtigt at forstå, at kunstig intelligens ikke er mere end det. Men vi forsøger at finde de bud, der med så stor sandsynlighed som muligt er korrekte, forklarer Mads Nielsen. Dyb læring i neurale net - De sidste år er der sket den udvikling inden for maskinlæring, at vi bruger neurale net til at vælge elementer ud af billederne og putte dem ind i andre neurale net. Vi bruger altså neurale net ovenpå andre neurale net. Det har den fordel, at vi kan træne tilbage og justere vægtene. Det er det, vi kalder »deep learning«. Vi lærer af de kendetegn, vi tager ud af billederne, samtidig med at vi lærer klassifikationen eller regressionen på data, siger Mads Nielsen. At disse algoritmer er et kvantespring, illustreres på dramatisk vis af en anden type netværk, som ikke bare tolker, men faktisk skaber billeder. Netværket får her til opgave at generere naturlige ansigter. Et andet netværk skal så prøve at regne ud, om billederne er computerskabte eller ægte. Det ene netværk prøver altså at lave billeder, som det andet netværk ikke kan skelne fra den ægte vare. Og så står de der og kæmper mod hinanden, mens de begge bliver klogere. Næste billede på lærredet illustrerer, hvor hurtigt udviklingen er gået. Det computerskabte ansigt fra 2014 er grynet, udtværet og i sort/hvid. På det følgende billede ser vi, hvor langt teknologien er nået blot fire år senere: To rækker af vidt forskellige, men totalt naturtro, ansigter. - I 2018 så billederne sådan her ud. Har I mon et bud på, hvilken af disse to rækker, der er kunstigt genereret? De er 14 | November 2019 |
Download PDF fil
Se arkivet med udgivelser af Medicoteknik her
TechMedias mange andre fagblade kan læses her