La premisa no es precisa. NIH mantiene conjuntos de datos de imágenes de cadáveres bastante extensos y detallados con RMN y TC junto con imágenes de corte transversal de tejido. El acceso es gratuito para todos los investigadores adscritos a la institución.
Otras razones:
- No puede tomar imágenes en casa y luego compartirlas en Facebook : es mejor que las imágenes médicas no se tomen como selfies, sin una guía o causa médica explícita. Entonces los volúmenes son limitados.
- El etiquetado es difícil : los casos de esquina en el diagnóstico no se descubren hasta que se hayan agotado todas las demás explicaciones posibles. Entonces, lo que puede ser un tumor puede descartarse inicialmente como un lipoma, etc. Por lo tanto, sus etiquetas son, en el mejor de los casos, inciertas. No se sabe con mucha confiabilidad sin una biopsia.
- Las modalidades no son independientes de la física : un ultrasonido está muy alejado de la imagen de RMN. Diferentes artefactos, física diferente, características de tejido diferentes, etc. No se puede separar realmente la física de las imágenes. Por lo tanto, dos píxeles de ubicaciones comparables generados utilizando diferentes modalidades tienen interpretaciones físicas completamente diferentes.
- La instrumentación no es una mercancía : dos instrumentos de calidad de laboratorio tendrán rendimientos variables (profundidad de enfoque, frecuencia máxima, etc.). Esto es muy diferente a los arreglos CMOS modernos donde la imagen básica y la arquitectura h / w son más o menos las mismas.
- La experiencia / habilidad del operador es un factor masivo : dos operadores que toman imágenes de la misma ubicación, con el mismo instrumento, producirán dos imágenes distintas. Los radiólogos tienen diferentes técnicas y diferentes prácticas basadas en la parte del cuerpo a ser fotografiada. El mismo radiólogo ni siquiera producirá imágenes similares cada vez.
- Las variables son mucho mayores que simplemente muestrear una longitud de onda particular : su cuerpo es una bestia estadística. Todos somos muy parecidos pero muy diferentes. Esas diferencias menores significan que sus características cambian todo el tiempo, incluso dentro de una sola sesión. Los radiólogos no se dan cuenta de lo que están mirando mirando una sola imagen: deben tener en cuenta todos los parámetros (conocimiento previo de cómo se ven ubicaciones similares, habilidad para manejar sondas / equipos, etc.), lo que realmente ven; por ejemplo, cómo se comportan las partes anecoicas cuando se abordan desde un ángulo diferente.
Pero si busca, encontrará conjuntos de datos por docenas. Y recuerde que los cuerpos de imágenes ML se construyen raspando y luego redimensionando / procesando manualmente por personas que saben muy bien lo que están mirando. En general y fuera de los casos triviales, muy pocos radiólogos capacitados podrían incluso decir lo que están viendo sin contexto o antecedentes o información de la modalidad de adquisición.
- ¿Los hackers de crecimiento y los ingenieros de crecimiento están aquí para quedarse?
- ¿Por qué los virus informáticos parecen una amenaza mucho menor que hace 10 años?
- ¿Cómo es el trabajo en Broadcom, Hyderabad?
- ¿Qué incluye todo Inteligencia Artificial?
- ¿Es IOStream de C ++ un mal diseño?
Esto no es simplemente un problema de volumen o escala de datos. Me sorprendió ver el tipo de técnicas que los profesionales de la imagen médica usaban a mediados de la década de 2010. Pero dicho esto, las técnicas de imagen de pacientes no vivos o no vivos están tan avanzadas como pueden ser. El análisis de sangre / espectros es bastante sofisticado.