AI-algoritme forbedrer nøjagtighed og omkostninger ved medicinsk billedanalyse

Medicinsk billedanalyse, der er en stor del af moderne sundhedspleje, er en af de teknologier, der er blevet betydeligt forbedret gennem kunstig intelligens (AI). Med det sagt kræver medicinsk billedanalyse, der afhænger af AI-algoritmer, store mængder af annoteringer som vejledningssignaler for modeltræning. 

Radiologer må forberede radiologirapporter for hver af deres patienter for at opnå disse nøjagtige mærker for algoritmerne. De må derefter afhænge af annoteringspersonale til at udtrække og bekræfte strukturerede mærker fra rapporterne med menneskedefinerede regler og eksisterende natur-sprogprocesseringsværktøjer. Dette betyder, at nøjagtigheden af de udtrukne mærker i høj grad afhænger af menneskeligt arbejde og natur-sprogprocesseringsværktøjerne, og den samlede metode er både arbejdskrævende og tidskrævende. 

REEFERS-tilgang

Nu har et hold af ingeniører på University of Hong Kong (HKU) udviklet en ny tilgang kaldet “REEFERS” (Reviewing Free-text Reports for Supervision). Denne nye metode kan reducere menneskelige omkostninger med 90% ved at aktivere den automatiske opnåelse af vejledningssignaler fra hundredtusinder af radiologirapporter. Dette resulterer i mere nøjagtige forudsigelser.

Den nye forskning blev offentliggjort i Nature Machine Intelligence. Den er titlen “Generalized radiograph representation learning via ross-supervision between images and free-text radiology reports.” 

REEFERS-tilgangen bringer os tættere på at opnå generel medicinsk AI.

Professor Yu Yizhou er leder af ingeniørholdet på HKU’s Computer Science-afdeling. 

“Vi tror, at abstrakte og komplekse logiske sætninger i radiologirapporter giver tilstrækkelig information til at lære let overførbare visuelle funktioner. Med passende træning lærer REFERS direkte radiografiske repræsentationer fra fri-text-rapporter uden at involvere menneskeligt arbejde i mærkning.” Professor Yu sagde.

Træning af systemet

For at træne REEFERS bruger holdet en offentlig database med 370.000 røntgenbilleder samt tilhørende radiologirapporter. Forskerne byggede en radiograf-genkendelsesmodel med kun 100 radiografier og opnåede 83% nøjagtighed i forudsigelser. Modellen opnåede derefter en nøjagtighedsrate på 88,2%, da antallet blev øget til 1.000. Da 10.000 radiografier blev brugt, steg nøjagtigheden igen til 90,1%. 

REEFERS kan opnå målet ved at fuldføre to rapport-relaterede opgaver. Den første involverer oversættelse af radiografier til tekst-rapporter ved først at kodificere radiografier til en mellemrepræsentation. Dette bruges derefter til at forudsige tekst-rapporter via en decoder-netværk. For at måle ligheden mellem forudsagte og virkelige rapport-tekster defineres en kostfunktion. 

Den anden opgave involverer REEFERS, der først kodificerer både radiografier og fri-text-rapporter til samme semantiske rum. I dette rum er repræsentationer af hver rapport og tilhørende radiografier aligneret gennem kontrastlæring.

Dr. Zhou Hong-Yu er første forfatter på artiklen.

“I forhold til konventionelle metoder, der i høj grad afhænger af menneskelige annoteringer, har REFERS evnen til at opnå vejledning fra hvert ord i radiologirapporterne. Vi kan reducerer mængden af data-annotering med 90% og omkostningerne til at bygge medicinsk kunstig intelligens. Det markerer et betydeligt skridt mod at realisere generel medicinsk kunstig intelligens, ” sagde han.