Rozdział 8 — AI w obrazowaniu medycznym: zadania, reprezentacje i ocena

Obrazy są pomiarami uzyskanymi w procesie akwizycji i umiejscowionymi w przestrzeni

Model stosowany w obrazowaniu medycznym nie otrzymuje obrazka w takim sensie, w jakim model widzenia komputerowego przeznaczony do zastosowań konsumenckich otrzymuje fotografię. Otrzymuje operacyjną reprezentację danych obrazowych: pomiary wykonane zgodnie z protokołem akwizycji, zrekonstruowane na siatce przestrzennej i opatrzone kontraktem określającym, co oznaczają próbki oraz gdzie są położone. Tensor jest wygodną implementacją tej reprezentacji; nie stanowi całych danych wejściowych ani bezpośredniej prawdy o biologii. Po utracie kontraktu model może nadal przyjąć tablicę i wytworzyć wiarygodnie wyglądający wynik, odpowiadając przy tym na pytanie inne niż zamierzone w badaniu. To, czy tak się stanie, zależy od wady kontraktu i od zadania; jest to możliwa ścieżka awarii, a nie powszechne następstwo każdego błędu kontraktu.

To rozróżnienie zmienia rolę systemu AI w ścieżce pomiarowej. Segmentacja wytwarza obszar, którego granica może wyznaczać późniejszy pomiar objętości lub obliczenie radiomiczne. Detektor wytwarza lokalizacje, które można dopasowywać do zmian chorobowych lub wskazań osób oceniających. Klasyfikator odwzorowuje obraz albo jego pochodną reprezentację na etykietę lub ryzyko, natomiast metoda rejestracji estymuje relację między układami współrzędnych. Rekonstrukcja i synteza przekształcają dane obrazowe, zamiast jedynie przypisywać etykietę. Nazwy tych zadań opisują zamierzone wyniki, ale nie gwarantują, że wyniki są poprawne geometrycznie, użyteczne klinicznie ani wierne informacjom rzeczywiście uzyskanym podczas akwizycji. Kategorie te nie wykluczają się wzajemnie: system może łączyć rodziny zadań albo zwracać wiele wyników, na przykład segmentację instancji wraz z rejestracją i obrazem po zmianie próbkowania.

Ocena musi zatem odpowiadać zadaniu i twierdzeniu. Sama miara nakładania nie pozwala ustalić, czy maska zapewnia akceptowalny pomiar objętości. Sam wynik klasyfikatora nie pozwala ustalić, czy model jest skalibrowany, wspiera użyteczne decyzje ani czy zachowuje ważność w nowym środowisku akwizycji. Sam realistyczny obraz syntetyczny nie pozwala ustalić, czy zachowano anatomię, patologię lub pomiary ilościowe. Zawsze należy zapytać, do czego posłuży wynik, jakie źródła zmienności model mógł zobaczyć oraz jakie dowody uzasadniają takie zastosowanie.

Rozdział rozwija ten tok rozumowania jako jedną ścieżkę. Najpierw traktuje geometrię, modalność i augmentację jako części kontraktu danych wejściowych. Następnie śledzi maskę segmentacji aż do dalszego pomiaru i wyjaśnia, dlaczego ocena nakładania, powierzchni, standardu referencyjnego i zadania docelowego odpowiada na różne pytania. Kolejna część przedstawia samokonfigurację jako lekcję inżynierską, a nie trwały ranking narzędzi. Potem umieszcza rekonstrukcję w definicji pomiaru, po czym omawia obrazowanie syntetyczne i różnicę między estymowaniem zdegradowanych danych a wnioskowaniem o celu, którego nie uzyskano w akwizycji. Ostatnie części łączą ocenę modelu z diagnozowaniem podgrup, a następnie porównują reprezentacje ręcznie projektowane i wyuczone na podstawie dodatkowej informacji, którą wnoszą.

Listy aktualnych modeli fundamentalnych i narzędzi zmieniają się szybciej niż stabilne pytania pomiarowe. Ich miejsce znajduje się w aktualizowanym materiale referencyjnym o AI w obrazowaniu i w internetowym materiale uzupełniającym albo w datowanym przykładzie o wyraźnie określonym czasie i zakresem. Trwałe pytanie nie brzmi, która nazwa modelu jest obecnie modna. Brzmi ono: od jakich danych treningowych, adaptacji, reprezentacji, warunków oceny i proweniencji zależy model oraz czy warunki te odpowiadają formułowanemu twierdzeniu.

Poprzedni materiał o walidacji wprowadził jednostki podziału, granice dopasowywania stanu, niepewność i przenoszalność. W tym rozdziale pojęcia te zostają zastosowane do danych wejściowych, które mają strukturę przestrzenną, są swoiste dla modalności i często służą do tworzenia kolejnych pomiarów. Następna część konkretyzuje ten kontrakt danych wejściowych, pytając, co utraciłby tensor obrazowy potraktowany jak zwykły obrazek.