Algoritmo de inteligencia artificial mejora la precisión y los costos de la diagnóstica de imágenes médicas

La imagen médica, que es una parte importante de la atención médica moderna, es una de las tecnologías que se ha mejorado significativamente a través de la inteligencia artificial (IA). Sin embargo, el diagnóstico de imágenes médicas que depende de algoritmos de IA requiere grandes cantidades de anotaciones como señales de supervisión para el entrenamiento del modelo.

Los radiólogos deben preparar informes de radiología para cada uno de sus pacientes para adquirir estas etiquetas precisas para los algoritmos. Luego, deben confiar en el personal de anotación para extraer y confirmar etiquetas estructuradas de los informes con reglas definidas por humanos y herramientas de procesamiento de lenguaje natural (NLP) existentes. Esto significa que la precisión de las etiquetas extraídas depende en gran medida del trabajo humano y de las herramientas de NLP, y todo el método es tanto laborioso como tiempo consumido.

Enfoque REEFERS

Ahora, un equipo de ingenieros de la Universidad de Hong Kong (HKU) ha desarrollado un nuevo enfoque llamado “REEFERS” (Revisión de informes de texto libre para supervisión). Este nuevo método puede reducir los costos humanos en un 90% al permitir la adquisición automática de señales de supervisión a partir de cientos de miles de informes de radiología. Esto resulta en predicciones más precisas.

La nueva investigación se publicó en Nature Machine Intelligence. Se titula “Aprendizaje de representación de radiografías generalizado a través de la supervisión entre imágenes y informes de radiología de texto libre.”

El enfoque REEFERS nos acerca a lograr la inteligencia artificial médica generalizada.

El profesor Yu Yizhou es el líder del equipo de ingeniería en el Departamento de Ciencias de la Computación de la HKU.

“Creemos que las oraciones lógicas abstractas y complejas en los informes de radiología proporcionan información suficiente para aprender características visuales fácilmente transferibles. Con el entrenamiento adecuado, REEFERS aprende directamente representaciones de radiografías a partir de informes de texto libre sin la necesidad de involucrar a personal en la etiquetado”, dijo el profesor Yu.

Entrenamiento del sistema

Para entrenar a REEFERS, el equipo utiliza una base de datos pública con 370.000 imágenes de rayos X, así como informes de radiología asociados. Los investigadores construyeron un modelo de reconocimiento de radiografías con solo 100 radiografías y lograron una precisión del 83% en las predicciones. El modelo logró una precisión del 88,2% cuando se aumentó el número a 1.000. Cuando se utilizaron 10.000 radiografías, la precisión aumentó nuevamente al 90,1%.

REEFERS puede lograr el objetivo completando dos tareas relacionadas con informes. La primera implica la traducción de radiografías a informes de texto mediante la codificación de radiografías en una representación intermedia. Luego, se utiliza un decodificador de red para predecir los textos de los informes. Para medir la similitud entre los textos de los informes predichos y reales, se define una función de coste.

La segunda tarea implica que REEFERS codifique tanto las radiografías como los informes de texto libre en el mismo espacio semántico. En este espacio, las representaciones de cada informe y las radiografías asociadas se alinean a través del aprendizaje contrastivo.

El Dr. Zhou Hong-Yu es el primer autor del artículo.

“En comparación con los métodos convencionales que dependen en gran medida de las anotaciones humanas, REEFERS tiene la capacidad de adquirir supervisión de cada palabra en los informes de radiología. Podemos reducir sustancialmente la cantidad de anotación de datos en un 90% y el costo de construir inteligencia artificial médica. Esto marca un paso significativo hacia la realización de la inteligencia artificial médica generalizada”, dijo.