KI-Algorithmus verbessert Genauigkeit und Kosten der medizinischen Bild-diagnostik

Die medizinische Bildgebung, die ein wichtiger Teil der modernen Gesundheitsversorgung ist, ist eine der Technologien, die durch künstliche Intelligenz (KI) stark verbessert wurde. Mit dem gesagten, erfordert die medizinische Bild-diagnose, die auf KI-Algorithmen basiert, große Mengen an Annotationen als Überwachungssignale für die Modellierung.

Radiologen müssen für jeden ihrer Patienten Röntgenberichte erstellen, um diese genauen Labels für die Algorithmen zu erhalten. Sie müssen dann auf Annotationspersonal vertrauen, um strukturierte Labels aus den Berichten mit menschlich definierten Regeln und bestehenden Tools der natürlichen Sprachverarbeitung (NLP) zu extrahieren und zu bestätigen. Dies bedeutet, dass die Genauigkeit der extrahierten Labels stark von der menschlichen Arbeit und den NLP-Tools abhängt, und die gesamte Methode ist sowohl arbeitsintensiv als auch zeitaufwändig.

REEFERS-Ansatz

Jetzt hat ein Team von Ingenieuren an der Universität von Hongkong (HKU) einen neuen Ansatz namens “REEFERS” (Reviewing Free-text Reports for Supervision) entwickelt. Diese neue Methode kann die menschlichen Kosten um 90% reduzieren, indem sie die automatische Akquise von Überwachungssignalen aus Hunderttausenden von Röntgenberichten ermöglicht. Dies führt zu genaueren Vorhersagen.

Die neue Forschung wurde in Nature Machine Intelligence veröffentlicht. Sie trägt den Titel “Generalized radiograph representation learning via ross-supervision between images and free-text radiology reports.”

Der REEFERS-Ansatz bringt uns näher an die Erreichung der generalisierten medizinischen KI.

Professor Yu Yizhou ist der Leiter des Ingenieurteams am Department of Computer Science der HKU.

“Wir glauben, dass abstrakte und komplexe logische Sätze in Röntgenberichten ausreichend Informationen für das Lernen leicht übertragbarer visueller Merkmale bieten. Mit entsprechender Ausbildung lernt REFERS direkt Röntgenbild-Representationen aus freien Textberichten, ohne dass menschliche Arbeitskraft für die Kennzeichnung erforderlich ist.” Professor Yu sagte.

Ausbildung des Systems

Um REEFERS auszubilden, verwendet das Team eine öffentliche Datenbank mit 370.000 Röntgenbildern sowie zugehörigen Röntgenberichten. Die Forscher bauten ein Röntgenbild-erkennungsmodell mit nur 100 Röntgenbildern und erreichten eine Genauigkeit von 83% bei den Vorhersagen. Das Modell erreichte dann eine Genauigkeit von 88,2%, als die Anzahl auf 1.000 erhöht wurde. Als 10.000 Röntgenbilder verwendet wurden, stieg die Genauigkeit erneut auf 90,1%.

REEFERS kann das Ziel durch die Erledigung von zwei berichtsbezogenen Aufgaben erreichen. Die erste umfasst die Übersetzung von Röntgenbildern in Textberichte, indem zunächst Röntgenbilder in eine Zwischenrepräsentation kodiert werden. Diese wird dann verwendet, um Textberichte über ein Decoder-Netzwerk vorherzusagen. Um die Ähnlichkeit zwischen vorhergesagten und tatsächlichen Berichtstexten zu messen, wird eine Kostenfunktion definiert.

Die zweite Aufgabe umfasst, dass REEFERS zunächst Röntgenbilder und freie Textberichte in denselben semantischen Raum kodiert. In diesem Raum werden die Repräsentationen jedes Berichts und der zugehörigen Röntgenbilder durch kontrastives Lernen ausgerichtet.

Dr. Zhou Hong-Yu ist der erste Autor des Papiers.

“Im Vergleich zu herkömmlichen Methoden, die stark auf menschliche Annotationen angewiesen sind, hat REFERS die Fähigkeit, Überwachung von jedem Wort in den Röntgenberichten zu erwerben. Wir können die Menge an Datenannotationen um 90% reduzieren und die Kosten für den Bau von medizinischer künstlicher Intelligenz. Es markiert einen bedeutenden Schritt auf dem Weg zur Verwirklichung der generalisierten medizinischen künstlichen Intelligenz, ” sagte er.