Computer assisted diagnosis (CAD) with enhanced cognitive architectures (BorisCAD)

Abstract

Computer-assisted medical image diagnosis plays a vital role in modern healthcare by enabling accurate and timely detection of various medical conditions. However, conventional image classification techniques often fail to integrate crucial elements such as perception, reasoning, and episodic experiences, essential for achieving optimal performance. This research endeavours to bridge this gap by designing, implementing, and evaluating a cognitive architecture incorporating these elements. The findings of this research will contribute to the development of a deployable cognitive architecture that can provide accurate and reliable diagnoses for a wide range of medical conditions, benefiting both healthcare professionals and patients alike. Furthermore, the potential impact of this research extends beyond medical image analysis, with implications in autonomous systems, robotics, and intelligent decision support systems. By harnessing the potential of cognitive architectures, computer-assisted systems can be revolutionised, leading to improved diagnostic accuracy and fostering innovation in diverse industries reliant on advanced cognitive capabilities. In order to achieve this objective, sub-symbolic methods for perception and symbolic methods for reasoning will integrate the cognitive architecture. The bottom level, responsible for sub-symbolic processing, will incorporate advanced segmentation and classification using convolutional neural networks to handle perception tasks. In contrast, the top level will utilise a decision forest, an ensemble of decision trees, to perform sophisticated reasoning tasks using symbolic data. Additionally, this study will focus on integrating episodic experiences within the architecture by incorporating working and long-term memory mechanisms, enhancing its predictive capabilities. The evaluation of the cognitive architecture demonstrated its effectiveness within the context of the tested datasets and image sizes. However, it is essential to acknowledge that developing a deployable version for medical image diagnosis requires further testing and validation. Expanding the evaluation to include a broader range of pathologies and imaging modalities is crucial to ensure the architecture’s robustness and adaptability in diverse clinical scenarios. By incorporating a more diverse set of pathologies and imaging modalities into the evaluation process, the cognitive architecture can undergo rigorous testing to assess its performance across various medical conditions. This expanded evaluation will help identify potential limitations and areas for improvement, ensuring that the architecture can deliver accurate and reliable diagnoses across a broader spectrum of medical conditions.

O diagnóstico assistido por computador a partir de imagens médicas desempenha um papel vital na saúde moderna, permitindo a detecção precisa e atempada de várias condições médicas. No entanto, as técnicas convencionais para classificação de imagens não integram elementos cruciais da análise humana, tais como a percepção, raciocínio e experiências episódicas. O trabalho apresentado procura preencher esta lacuna através do design, implementação e avaliação de uma arquitetura cognitiva que incorpora estes elementos. Os resultados obtidos contribuem para o desenvolvimento de novos métodos capazes de fornecer diagnósticos precisos e confiáveis para uma ampla gama de condições médicas, beneficiando tanto os profissionais de saúdo como os pacientes. Além disto, o potencial deste trabalho estende-se além da análise de imagens médicas, com possíveis implicações em sistemas autónomos, robótica e sistemas inteligentes de suporte à decisão. Ao aproveitar o potencial das arquiteturas cognitivas, estes sistemas podem ser revolucionados, levando a uma melhoria na precisão e a estimulação para a inovação em diversas indústrias que dependem de capacidades cognitivas avançadas. Para alcançar o objetivo principal de diagnóstico, serão integrados na arquitetura cognitiva métodos sub-simbólicos para percepção e métodos simbólicos para raciocínio. O nível mais abaixo, responsável pelo processamento sub-simbólico, incorporará redes neuronais convolucionais para segmentação e classificação, de forma a emular percepção no sistema. Por outro lado, o nível superior irá usar uma floresta de decisão, um conjunto de árvores, para realizar tarefas de raciocínio usando dados simbólicos. Além disto, este estudo irá focar-se na integração de experiências episódicas, incorporando mecanismos de memória de trabalho e a longo prazo, de forma a incluir dados passados na decisão atual. A avaliação desta arquitetura demonstrou a sua eficácia no contexto do conjunto de dados e tamanhos de imagem usados. No entanto, é essencial reconhecer que o desenvolvimento de uma versão aplicável ao diagnóstico de imagens médicas requer testes e validações adicionais. Desta forma, a expansão do sistema para incluir uma ampla gama de patologias e modalidades de imagem é crucial para garantir a robustez e adaptabilidade da arquitetura em diversos cenários clínicos. Ao incorporar um conjunto mais diversificado de patologias e modalidades de imagem no processo de avaliação, a arquitetura pode ser submetida a testes rigorosos de forma a avaliar o seu desempenho no mundo real. Esta ampla avaliação ajudará a identificar possíveis limitações, garantindo que o sistema fornece diagnósticos precisos e confiáveis num espectro vasto de condições médicas.