Algoritmus AI zlepšuje přesnost a náklady na diagnostiku medicínských obrazů

Medicínské zobrazování, které je velkou součástí moderní zdravotní péče, je jednou z technologií, které byly výrazně zlepšeny pomocí umělé inteligence (AI). S tím said, diagnostika medicínských obrazů pomocí algoritmů AI vyžaduje velké množství anotací jako signály pro školení modelu.

Radiologové musí připravovat radiologické zprávy pro každého svého pacienta, aby získali tyto přesné značky pro algoritmy. Poté musí spoléhat na anotační personál, aby extrahovali a potvrdili strukturované značky ze zpráv pomocí lidsky definovaných pravidel a existujících nástrojů pro zpracování přirozeného jazyka (NLP). To znamená, že přesnost extrahovaných značek závisí silně na lidské práci a nástrojích NLP, a celý postup je jak časově náročný, tak nákladný.

Přístup REEFERS

Nyní tým inženýrů na Univerzitě v Hongkongu (HKU) vyvinul nový přístup nazvaný „REEFERS“ (Reviewing Free-text Reports for Supervision). Tato nová metoda může snížit lidské náklady o 90 % tím, že umožňuje automatické získání signálů pro dohled z hundred tisíc radiologických zpráv. To vede k přesnějším předpovědím.

Nový výzkum byl zveřejněn v Nature Machine Intelligence. Je nazvaný „Generalized radiograph representation learning via ross-supervision between images and free-text radiology reports.”

Přístup REEFERS nás přivádí blíže k dosažení obecné medicínské AI.

Profesor Yu Yizhou je vedoucím inženýrského týmu na katedře počítačových věd HKU.

“Věříme, že abstraktní a komplexní logické věty v radiologických zprávách poskytují dostatečné informace pro učení snadno přenositelných vizuálních funkcí. S vhodným školením REEFERS přímo učí radiografické reprezentace z volných textových zpráv bez potřeby zapojení lidské síly do značek.” řekl profesor Yu.

Školení systému

Pro školení REEFERS tým používá veřejnou databázi s 370 000 rentgenovými snímky, stejně jako přidružené radiologické zprávy. Výzkumníci vytvořili model rozpoznávání radiografických snímků se 100 radiografickými snímky a dosáhli 83% přesnosti v předpovědích. Model poté dosáhl 88,2% přesnosti, když počet vzrostl na 1 000. Když bylo použito 10 000 radiografických snímků, přesnost opět vzrostla na 90,1%.

REEFERS může dosáhnout tohoto cíle dokončením dvou úkolů souvisejících se zprávami. První úkol zahrnuje překlad radiografických snímků do textových zpráv tím, že nejprve kóduje radiografické snímky do mezitímní reprezentace. Ta se poté používá k předpovědi textových zpráv prostřednictvím dekodéru. Pro měření podobnosti mezi předpovězenými a skutečnými textovými zprávami je definována funkce nákladů.

Druhý úkol zahrnuje REEFERS, který nejprve kóduje radiografické snímky a volné textové zprávy do stejného sémantického prostoru. V tomto prostoru jsou reprezentace každé zprávy a přidružené radiografické snímky zarovnány pomocí kontrastního učení.

Dr. Zhou Hong-Yu je prvním autorem článku.

“Ve srovnání s konvenčními metodami, které silně závisí na lidských anotacích, REEFERS má schopnost získat dohled z každého slova v radiologických zprávách. Můžeme podstatně snížit množství anotací dat o 90 % a náklady na stavbu medicínské umělé inteligence. To představuje významný krok směrem k realizaci obecné medicínské umělé inteligence, ” řekl.