Αλγόριθμος Τεχνητής Νοημοσύνης Βελτιώνει την Ακρίβεια και το Κόστος των Ιατρικών Εικόνων Διαγνωστικών

Η ιατρική απεικόνιση, η οποία αποτελεί einen σημαντικό μέρος της σύγχρονης υγείας, είναι μια από τις τεχνολογίες που έχουν βελτιωθεί σημαντικά μέσω της τεχνητής νοημοσύνης (ΤΝ). Όπως όμως αναφέρθηκε, η διάγνωση ιατρικών εικόνων που βασίζεται σε αλγόριθμους ΤΝ απαιτεί μεγάλες ποσότητες αναγραφών ως σημάδια εποπτείας για την εκπαίδευση του μοντέλου.

Οι ιατροί πρέπει να προετοιμάσουν ιατρικές αναφορές για κάθε einen από τους ασθενείς τους για να αποκτήσουν αυτές τις ακριβείς ετικέτες για τους αλγόριθμους. Στη συνέχεια, πρέπει να βασιστούν στο προσωπικό αναγραφής για να εξαγάγουν και να επιβεβαιώσουν δομημένες ετικέτες από τις αναφορές με κανόνες που ορίζονται από τον άνθρωπο και υπάρχουσες εργαλεία επεξεργασίας φυσικής γλώσσας (ΕΦΓ). Αυτό σημαίνει ότι η ακρίβεια των εξαγόμεων ετικετών εξαρτάται σε μεγάλο βαθμό από την εργασία του ανθρώπου και τα εργαλεία ΕΦΓ, και ολόκληρη η μέθοδος είναι και εργατοεξωραϊστική και χρονοβόρα.

Προσέγγιση REEFERS

Τώρα, μια ομάδα μηχανικών στο Πανεπιστήμιο του Χονγκ Κονγκ (HKU) έχει αναπτύξει μια νέα προσέγγιση που ονομάζεται «REEFERS» (Επανεξέταση Ελεύθερων Αναφορών για Εποπτεία). Αυτή η νέα μέθοδος μπορεί να μειώσει το ανθρώπινο κόστος κατά 90% ενεργοποιώντας την αυτόματη απόκτηση σημάτων εποπτείας από εκατοντάδες χιλιάδες ιατρικές αναφορές. Αυτό οδηγεί σε πιο ακριβείς προβλέψεις.

Η νέα έρευνα δημοσιεύθηκε στο Nature Machine Intelligence. Ο τίτλος της είναι «Γενικευμένη εκπρόσωπος ακτινογραφίας μέσω ροής-εποπτείας μεταξύ εικόνων και ελεύθερων αναφορών ακτινογραφίας.»

Η προσέγγιση REEFERS μας φέρνει πιο κοντά στην επίτευξη γενικευμένης ιατρικής ΤΝ.

Ο καθηγητής Yu Yizhou είναι ο ηγέτης της ομάδας μηχανικών στο τμήμα Επιστήμης Υπολογιστών του HKU.

«Πιστεύουμε ότι οι αφηρημένες και σύνθετες λογικές προτάσεις στις ιατρικές αναφορές παρέχουν επαρκείς πληροφορίες για την εκμάθηση εύκολα μεταφερόμενων οπτικών χαρακτηριστικών. Με την κατάλληλη εκπαίδευση, το REFERS μαθαίνει απευθείας τις αναπαραστάσεις ακτινογραφιών από τις ελεύθερες αναφορές χωρίς την ανάγκη να εμπλέκονται άνθρωποι στην ετικέτα.» είπε ο καθηγητής Yu.

Εκπαίδευση του Συστήματος

Για την εκπαίδευση του REEFERS, η ομάδα χρησιμοποιεί μια δημόσια βάση δεδομένων με 370.000 εικόνες ακτινογραφιών, καθώς και τις σχετικές ιατρικές αναφορές. Οι ερευνητές κατασκεύασαν ένα μοντέλο αναγνώρισης ακτινογραφιών με μόνο 100 ακτινογραφίες και πέτυχαν ακρίβεια 83% στις προβλέψεις. Το μοντέλο ήταν στη συνέχεια σε θέση να επιτύχει ποσοστό ακρίβειας 88,2% όταν ο αριθμός αυξήθηκε σε 1.000. Όταν χρησιμοποιήθηκαν 10.000 ακτινογραφίες, η ακρίβεια αυξήθηκε και πάλι στο 90,1%.

Το REEFERS μπορεί να επιτύχει τον στόχο ολοκληρώνοντας δύο εργασίες που σχετίζονται με τις αναφορές. Η πρώτη αφορά τη μετάφραση των ακτινογραφιών σε αναφορές κειμένου με πρώτο τον κωδικοποίηση των ακτινογραφιών σε μια ενδιάμεση αναπαράσταση. Αυτή χρησιμοποιείται στη συνέχεια για να προβλέψει κείμενα αναφορών μέσω ενός δικτύου αποκωδικοποιητή. Για να μετρηθεί η ομοιότητα μεταξύ των προβλεπόμενων και πραγματικών κειμένων αναφορών, ορίζεται μια συνάρτηση κόστους.

Η δεύτερη εργασία αφορά το REEFERS να κωδικοποιήσει τόσο τις ακτινογραφίες όσο και τις ελεύθερες αναφορές στο ίδιο σημασιολογικό χώρο. Σε αυτόν τον χώρο, οι αναπαραστάσεις κάθε αναφοράς και των σχετικών ακτινογραφιών ευθυγραμμίζονται μέσω της ανταγωνιστικής μάθησης.

Ο Δρ. Zhou Hong-Yu είναι ο πρώτος συγγραφέας του εγγράφου.

«Συγκριτικά με τις συμβατικές μεθόδους που βασίζονται σε μεγάλο βαθμό στις ανθρώπινες αναγραφές, το REFERS έχει τη δυνατότητα να αποκτήσει εποπτεία από κάθε λέξη στις ιατρικές αναφορές. Μπορούμε να μειώσουμε σημαντικά την ποσότητα αναγραφής δεδομένων κατά 90% και το κόστος για την κατασκευή ιατρικής τεχνητής νοημοσύνης. Αυτό σημαίνει ένα σημαντικό βήμα προς την επίτευξη γενικευμένης ιατρικής τεχνητής νοημοσύνης,» είπε.