Short class covering main issues concerning current state in AI applied to cardiac ultrasound imaging (echocardiograpy) and future challenge for physicians. In Spanish.
NOTE: some pictures illustrating presentation took from the Web; reproduced only with educational purposes.
2. • Habilidad general o particular (int. múltiples) que
distingue a la especie humana, adquirida y mejorada
mediante:
• Aprendizaje,
• Entrenamiento,
• Práctica
• Permite:
• 1) comprender ideas complejas, operar bajo incertidumbre,
• 2) adaptarse al entorno,
• 3) aprender de la experiencia,
• 4) confrontar razonamientos diversos,
• 3) superar obstáculos mediante la reflexión.
¿Qué es la inteligencia?
3. Inteligencia
artificial
Ejecución de una o varias tareas por
máquinas, las cuales muestran
capacidad de:
• Aprendizaje, entrenamiento y
rapidez
• Percibir su entorno
• Tomar acciones / decisiones para
maximizar la posibilidad de éxito
en una meta (probabilidades)casi
como un humano e idealmente
mejor (singularidad)
8. Red Neural
• Gran nº tareas intelectuales se
basarían más en probabilidades
que en lógica
• Reconocimiento;
planificación; ejecución.
• Computación: almacenamiento
en masa + procesamiento rápido
potencia estadística superior
• Fraccionar un problema
(complejo) en unidades discretas
de información o “neuronas”
facilita los cálculos en
probabilidades.
10. Ejemplo: Reconocimiento facial
• Input A / sustrato fiable / ground truth:
retratos de personas, animales, cosas,…,miles de
millones de imágenes.
• Input B: imagen a estudio. ¿es un
rostro?
• Capas:
• Capa 1. Formas básicas: curvas y rectas
• Capa 2. Formas compuestas: ángulos, círculos,
elipse,…
• Capa 3. Composiciones simples: círculo dentro de
un círculo, ángulo junto a elipse, …
• Capa n+1. Composiciones complejas: Formas
compuestas + luminosidad, sombras, texturas
• Output: Resultados. Probabilidad de acierto/error.
Comparación con sustrato. Validación humana.
11.
12. Circulation. 2018;138:1623–1635
1. Cardiovascular Research Institute, Institute for Human Genetics, Institute for Computational
Health Sciences & Center for Digital Health Innovation University of California, San Francisco
2. Department of Electrical Engineering and Computer Science, University of California,
Berkeley
3. Feinberg Cardiovascular Research Institute, Northwestern University Feinberg School of
Medicine, Chicago,
4. California Institute for Quantitative Biosciences,
13. Conclusión
• Optimistas es una propuesta, no un dogma
• Introducción de métricas (cuantificación) de relativo
bajo coste en práctica clínica.
• Extracción de conocimiento de “millones” de ETT
almacenados Big Data/Sustrato fiable/Deep Lea.
• Inferir mecanismos causales que identifiquen
pacientes de especial riesgo Automatización de
actos médicos:
• Screening. MCH. Amiloidosis. Hipertensión pulmonar.
• Evolución temporal de la enfermedad. OncoFEVI-SGL
14. Automatización de actos médicos
Screening de Miocardiopatías graves
495/2244
584/2487
179/804
15. Automatización de actos médicos
Screening de Miocardiopatías graves
Las mediciones automatizadas del Strain GL permiten
la trayectoria cuantitativa de pacientes con
cáncer de mama tratados con quimioterapias cardiotóxicas
Valores de SGL automatizados calculados para 9421 Ecos (apicales) de
152 PP con cáncer de mama y monitoreo ecocardiográfico durante QTP.
16. Cuantificación auto. masiva (low-cost)
Automático vs. Manual; diferencias absolutas.
9
16
9
23
6
1.4
16
29
16
42
11
2.7
33
56
39
91
20
5.8
0
10
20
30
40
50
60
70
80
90
100
LA volume, mL VTDVI, mL VTSVI, mL LV mass, g FEVI SGL (%)
ValorAbsoluto
50 75 90
% de ETT incluidos(desde medida central)
Tendencia a sobreestimar volúmenes atriales y diastólicos del VI especialmente
en individuos con menores valores manuales
Tendencia a sobreestimar FEVI y SGL en PP con menor FEVI/SGL manual
(n)= 8666, excepto strain (140)
Auto vs. Medidas en Informes
17. Interpretación Automática de EcoTT
Entrenamiento de la Red Neural y ejecución de la tarea
• Entrenamiento:
1) Sustrato fiable (ground truth) y
Taxonomías. Manualmente:
1. 277 ETT para identificación de
planos PEL, SAX, AP4, AP2 y AP3
(TAXONOMIA, etiquetado)
2. 7911 “clips” (130 PEL; 124 Sax; 182
AP4; 214 AP2; 141 AP3) para
segmentación (cavidad/sangre vs.
Pared/miocardio); definición
interfase; áreas-volúmenes;
espesores-masa.
18. Interpretación Automática de EcoTT
Entrenamiento de la Red Neural y ejecución de la tarea
• Ejecución Automática:
INPUT
Layer 1
Layer 2
Layer …
Layer 12
Layer 13
OUTPUT
19. …¿y esto cómo es de rápido?...
CNN ejecutada en una GPU
Nvidia GTX 1080
1)Entrenamiento
(aprox. 8000 clips; >70.000 imágenes)
• Tiempo análisis x “clip” de Eco:
60 milisegundos
- 20.000 iteraciones x imagen.
- Tiempo total Entrenamiento:
3,5 horas
¿BUENA VENTANA?
Sólo entre 3-5% de los ETT obtenidos en práctica clínica habitual no
calidad suficiente para ser analizados automáticamente
20. …hablamos de Automatización
Sustitución por máquinas de trabajos o tareas
realizadas por humanos con el fin de aumentar la
calidad y la cantidad producida a un menor coste.
(eficiencia)
Beneficios (potenciales):
1. Creación de empleo: 1) nuevos oficios; 2) ↑ demanda
2. Riqueza: eficiencia y empleo SUPERIOR a pérdida de
ocupaciones automatizadas.
3. Innovación: Eliminación/reducción RUTINAS ↑Tiempo
Creatividad + Riqueza y + Empleo
22. Reglas Interacción Máquina-Trabajador
• Sustitución de trabajos:
• Trabajo=suma de tareas.
• Máquina asume todas tareas CON >> precisión, rapidez y <<€€
• Sustitución de tareas:
• Máquina asume el TOTAL de una o varias tareas
• NO trabajo completo; reduce dependencia de acción humana
• Complemento de tareas:
• Máquina asume PARCIALMENTE una o varias tareas
• El trabajo depende POR COMPLETO de la acción humana
23. Interacción Máquina-Experto
• Máquinas inteligentes
(algoritmos) precisan
transferencia de conceptos y
relaciones (heurística).
Cantidad Transf. ∝ Complejidad Tarea
• I+D+i en AI está limitada por:
1. Disponibilidad de “Expertos en la
Materia”: Medicina, Derecho, Finanzas y
Seguros, Industriales conceptos y
relaciones incompletos
2. Formación y Accesibilidad a las
T.I.C. brecha digital (global,
regional y local)
3. Diálogo fluído entre Desarrolladores
“STEM” y “Expertos en la Materia”.
24. ...la AI es el camino a Utopía…
En un mundo perfecto, las Máquinas Inteligentes:
• Realizarán las tares más rutinarias
y aburridas,
• Le ayudarán a tomar mejores
decisiones,
• Trabajando sin interrupción, sin
descanso, 24/7/365
• Le ahorrarán (mucho) dinero,
• Le proporcionarán lo más valioso
de la vida: TIEMPO
• Para Vd., para su ocio, su placer
• Para los suyos, su pareja, su familia,
su amigos
Para que lo emplee en CREAR,
INNOVAR, MEJORAR…CRECER
25. …con una “pizca” de distopía…
Porque la Medicina es también Arte
• TIC Deshumanización.
Chatboots, e-consultas,…
• Las máquinas no son seres
emocionales.
• Sentimientos, creencias,
comprensión y empatía
son esenciales en
Medicina
• La Ética de la AI será la que
el diseñador le
proporcione Deep Medicine: How Artificial
Intelligence Can Make Healthcare
Human Again. By Eric Topol
26. …la AI revolucionará las RR.LL.
• Supervisión Realización/Interpretación
• “Error Zero” de AI precisará validación Expertos…décadas.
• Nueva Tarea Rutinaria (¿y aburrida?)
VALIDADOR.
• Ahorro de Tiempo x Udad. Mercancía
• Incremento de Actos médicos x jornada
↑ PRODUCCION
• Análisis de BigData
• Auditoría del Proceso Asistencial CONTROL “tiempo real” de
ACTIVOS y PASIVOS
SESGOS LABORAL y ASISTENCIAL
• Reducción de Costes
• Predecir balance de resultados; >> retorno inversión
↑ MARGEN OPERATIVO
27. …sólo cabe adaptarse (“resilience”)
Fecha Evento Cambio social
5.000 AC Escritura Reinos. Imperios. Nobles. Sacerdotes.
Filosofía. Esclavitud. Siervos de la gleba.
S. XV
Imprenta Renacimiento. Mercantilismo
Reforma luterana. Ilustración o Siglo de
las Luces. DD.HH. Revolución francesa
S. XIX
Máquina de
vapor
Ferrocarril. Prensa
Revolución industrial. Proletariado.
Capitalismo burgués. Comunismo
S. XX
Telegrafía
sin hilos
Radio. TV. Navegación Aero-Marítima.
Crack del 29. Grandes guerras
Totalitarismos. Democracia liberal
Estado del bienestar
S. XXI
Transistor de
silicio
Computación. PC. Internet. Smartphone.
RRSS. Streaming. Automatización. AI.
Notas del editor
No existe una definición única y satisfactoria sobre la Inteligencia.
Confrontar razonamientos diversos: VERDADERO, FALSOS, INCIERTOS,
En 2017, se han formalizado casi 600 proyectos de inversión en Inteligencia Artificial, con un valor de la inversión superior a los 2200 millones de euros.
Comparado con el año 2016, los proyectos han crecido un 200% y la inversión un 300%.
Y ESTO SÓLO EN EL ESPACIO ECONOMICO EUROPEO (UE + NORUEGA) e incluyendo UK, que no sabemos si al final sale del Club o no.
Diagrama en Mosaico de la Inversión en AI por SECTORES.
CUIDADOS DE LA SALUD (e-Health) es la número 1, a la altura de Finanzas, Seguridad, Ventas y Marketing.
Si tenemos en cuenta que un empleo directo podría generar 20 empleos INDIRECTOS más, la I+D en IA habría generado a día de hoy cerca de 650.000 empleos y aportar al PIB europeo cerca de MEDIO BILLON DE EUROS.
Si las previsiones de los inversores fructifican, el retorno al cabo de 10 años (año 2030, aprox) alcanzaría MÁS de 10 BILLONES DE EUROS AL AÑO.
El aprendizaje profundo o “Deep learning” es un tipo de aprendizaje automático (“machine learning”) basado en algoritmos, es decir, instrucciones y reglas definidas, ordenadas y lógicas pero de ALTA COMPLEJIDAD denominados REDES NEURALES (no neuronales). Forma parte de un amplio subcampo de las Ciencias de Computación denominado Inteligencia Artificial, que como hemos dicho, tiene la finalidad de SUSTITUIR el trabajo humano parcial o totalmente por máquinas.
El término IA y el concepto se debe a John McCarthy, en un artículo de computación en 1955
A partir de estas premisas UNA RED formada por “NEURONAS” conectadas estaría en condiciones de CONSTRUIR MODELOS con cada vez mayor precisión y validez conforme aumenta el número de elementos finitos de datos, proceso denominado ITERACION o, coloquialmente AUTOAPRENDIZAJE. Decir aquí ya que, a pesar del nombre, el parecido de una RED NEURAL al CEREBRO HUMANO es sólo eso, su denominación. Las máquinas están muy lejos de tener las conexiones del cerebro humano y de funcionar con NEUROTRANSMISORES.
Las aplicaciones son cada vez mayores destacando reconocimiento de imágenes, y facial en particular, de voz, de escritura ológrafa, autoconducción o juegos de estrategia.
Ilustración Fjodor Van Veen del Asimov Institute http://www.asimovinstitute.org/neural-network-zoo/ Vía Tuit de @jtoy
INPUT: miles de millones de imágenes almacenadas en bases de datos aportadas voluntariamente (ej. redes sociales, almacenamiento en la “nube”,…) o involuntariamente (ej. miles de cámaras de seguridad en vías y espacios públicos, comercios, etc.)
El programador define el número de INPUTS (banco de datos), el número de capas y el número de posibles OUTPUTS. El proceso, por todo lo demás es AUTOMÁTICO.
Probabilidad de identificar a través del reconocimiento facial el ÁNIMO de una persona.
Se puede combinar con otros análisis: VOZ, ESCRITURA OLÓGRAFA, CONSTRUCCIÓN SINTÁCTICA,….
Facebook tiene la CAPACIDAD de detectar VOTANTES INDECISOS, por ejemplo. Herramienta que ya ha sido empleada por los POLITICOS (Escándalo Cambridge Analytics y BREXIT o elección de Donald TRUMP) a cambio de…MUCHO MUCHO DINERO.
Después
Vamos a empezar por las conclusiones. Los autores son OPTIMISTAS, expresan un DESEO POSITIVO, pero no lo sienten aún cierto; sólo describen una nueva manera de INTERPRETAR ECOCARDIOGRAMAS realizado por MAQUINAS. Es una Teoría.
¿Cómo lo hace? A través de un modelo CAJA NEGRA en que lo que importa es el INPUT, en este caso CUANTIFICACIONES repetidas de imágenes aleatorias tomadas de VARIOS estudios del mismo paciente. Le asigna entonces una probabilidad (en este caso basado een LOGIT, es decir, en ODDS, probabilidades de ANORMAL vs. NORMAL.
No se le dan INSTRUCCIONES precisas, sólo que nos diga CUANTO de probable es que el hallazgos sea ANORMAL.
LOGIT: Si p es una probabilidad entonces p/(1 − p) es el correspondiente odds, y el logit de la probabilidad es el logaritmo de los odds; similarmente la diferencia entre los logits de dos probabilidades es el logaritmo del odds ratio (OR), obteniéndose así un mecanismo aditivo para combinar odds-ratios.
We trained separate networks for each disease, taking 3 random images per video for training. We derived separate networks for A4c and PLAX images for HCM and amyloid and only a single A4c network for PAH. We expected A4c to capture the most information about the diagnosis for PAH, whereas HCM and amyloid would be expected to benefit from both views.
Accuracy was assessed using internal 5-fold cross-validation. A probability of disease was output for each of 10 randomly selected images for each relevant video in a study. An average of these 10 probabilities was taken for each video, and then a median probability was taken across all videos in a study for each view.
La gráfica de la derecha es un ejemplo de UNA paciente tratada con ZUMABS y ANTRACICLINAS y EcoFEVI repetidos.
La gráfica de la izquierda es un gráfico de VIOLIN comparando las diferencias absolutas entre medidas PREQTP y mínimas POSTQTP de SGL en medidas repetidas en 152 pacientes. Muestra cómo el OUTPUT del algoritmo devuelve un patrón diferente entre pacientes con y sin Antraciclinas. La naturaleza convolucional de la red neural podría incluir este patrón en el algoritmo, de modo que el sistema APRENDE constantemente y mejora la probabilidad de predecir en un PACIENTE dado si caerá en un modelo de deterioro o no, aparte del ENORME TRABAJO COMPARATIVO que ahorra al especialista en imagen que no tiene que recuperar y comparar informes y estudios.
LV ejection fraction values deviating from manual values by an absolute value of 6% (relative value of 9.7%) and longitudinal strain deviating by an absolute value of 1.4% (relative value of 7.5%)
Automated technique estimates higher values than the manual technique for those individuals with diminished systolic function.
El primer paso es ENSEÑAR al sistema. Las computadoras, como los humanos, no nacen enseñados.
Al igual que a un niño, o cualquiera de nosotros, las MÁQUINAS necesitan lo que se denomina una TAXONOMIA y una ONTOLOGIA.
Eso es lo primero que se hace, enseñar a la Red Neural la denominación de cada objeto y su posición en un orden JERARQUICO. Eso es la TAXONOMIA: definir y clasificar.
El segundo paso es realmente complejo, y los autores, por los derechos de propiedad industrial, no entran muy al detalle.
En resumen, el Algoritmo pretende 1) reconocer el plano y 2) identificar las interfases sangre-miocardio de un modo en TODO SIMILAR al “tracking” en escala de grises del “strain” o el Heart Model y, por último, IDENTIFICA en TERMINOS DE PROBABILIDAD cada cavidad ventricular y calcular sus dimensiones y derivados (masa, volumen, FEVI, etc)
Para eso usan hasta 13 capas neurales; al igual que el Reconocimiento facial, las primeras capas identifican formas sencillas, y la capa subsecuente, formas cada vez más complejas a partir de las formas de la capa anterior. Los programadores modelaron un sistema que ofrece 23 posibles resultados, CORRESPONDIENTES A CADA VISTA EN CADA PLANO con inclusión o exclusión de la AI para evaluar el VI; el algoritmo escoge automáticamente el MAS PROBABLE basándose en el ENTRENAMIENTO que ha recibido. En total, el Algoritmo analizó 14.000 ecos.
Los datos de hardware y rendimiento computacional son ASOMBROSOS POR SU ACCESIBILIDAD.
No es un PC que uno se pueda montar fácilmente en casa, y la INGENIERIA está en el diseño de la CNN y el Algoritmo (eso es muchas y muchas líneas de código).
Pero el HARDWARE es el mismo que emplean los GAMERS.
Habría Tareas en este proceso en las que la TRANSFERENCIA
ALGORTIMO: herramienta diseñada para la resolución de problemas a través de la ejecución jerárquica de operaciones bien definidas.
CONSECUENCIA: Retrasos en la ejecución y finalización de proyectos; retorno de la inversión, quebranto económico.
SOLUCION: muy, muy compleja, pues se enfrentan concepto LIBERALES del trabajo (AUTONOMIA) con otros de índole AUTORITARIO (BENEFICIO PARA LA SOCIEDAD)
Efectivamente, resulta fácilmente INTUITIVO que en aquellos aspectos más RUTINARIOS del Proceso Asistencial la AI puede facilitar el trabajo al asumir TAREAS repetitivas, esencialmente ADMINISTRATIVAS como pueda ser la tramitación de solicitudes, la asignación a Agendas Temáticas (ej. PREVENCION, MIOCARDIOPATIAS, VALVULOPATIAS, CARDIOONCOLOGIA, etc) y también en la ELABORACION y DIFUSION del INFORME mediante herramientas como el RECONOCIMIENTO de VOZ o las BASES de DATOS RELACIONALES, reordenando por ejemplo la Lista de Espera de la Consulta de Resultados según el mismo. Sí, a los médicos definitivamente eso nos hará FELICES. (no sé a los Administrativos que vean su Tarea desplazada por una Máquina).
Los ACTIVOS es el eufemismo para lo que Marx denominó MEDIOS DE PRODUCCION, e incluye la ahora denominada “Fuerza Laboral” es decir la masa salarial o trabajadores.
PASIVOS es todo aquello que MENOSCABA el beneficio, eufemísitmcamente la EFICIENCIA. Por ejemplo, grupos de población con patologías crónicas y MARCADORES de mal pronóstico
MARGEN OPERATIVO=BENEFICIO NETO después de IMPUESTOS, TASAS y AMORTIZACIONES. Es variable, el patrón son las petroleras (8-10%). En Salud llega al 30%