Algoritmo de IA mejora la precisión y los costos del diagnóstico por imágenes médicas

Las imágenes médicas, que son una parte importante de la atención médica moderna, son una de las tecnologías que se han mejorado enormemente a través de la inteligencia artificial (IA). Dicho esto, el diagnóstico de imágenes médicas que se basa en algoritmos de IA requiere grandes cantidades de anotaciones como señales de supervisión para el entrenamiento del modelo. 

Los radiólogos deben preparar informes radiológicos para cada uno de sus pacientes a fin de adquirir estas etiquetas precisas para los algoritmos. Luego deben confiar en el personal de anotaciones para extraer y confirmar etiquetas estructuradas de los informes con reglas definidas por humanos y herramientas de procesamiento del lenguaje natural (PLN) existentes. Esto significa que la precisión de las etiquetas extraídas depende en gran medida del trabajo humano y de las herramientas de PNL, y todo el método requiere mucha mano de obra y mucho tiempo. 

Aproximación de los REFRIGERADOS

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 de cientos de miles de informes de radiología. Esto da como resultado predicciones más precisas.

La nueva investigación fue publicada en Nature Machine Intelligence. Se titula “Aprendizaje generalizado de representación de radiografías a través de la supervisión cruzada entre imágenes e informes de radiología de texto libre”. 

El enfoque de REEFERS nos acerca a lograr una IA médica generalizada.

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

“Creemos que las oraciones de razonamiento lógico abstracto y complejo en los informes de radiología brindan suficiente información para aprender características visuales fácilmente transferibles. Con la capacitación adecuada, REFERS aprende directamente las representaciones radiográficas de los informes de texto libre sin necesidad de involucrar mano de obra en el etiquetado”. Dijo el profesor Yu.

Entrenamiento del sistema

Para capacitar a los REEFERS, el equipo utiliza una base de datos pública con 370,000 100 imágenes de rayos X, así como informes radiológicos asociados. Los investigadores construyeron un modelo de reconocimiento de radiografías con solo 83 radiografías y lograron una precisión del 88.2 % en las predicciones. Luego, el modelo pudo lograr una tasa de precisión del 1,000% cuando el número se incrementó a 10,000. Cuando se utilizaron 90.1 radiografías, la precisión aumentó de nuevo al XNUMX%. 

REEFERS puede lograr el objetivo completando dos tareas relacionadas con el informe. El primero implica la traducción de radiografías en informes de texto codificando primero las radiografías en una representación intermedia. Esto luego se usa para predecir informes de texto a través de una red decodificadora. Para medir la similitud entre los textos de informes previstos y reales, se define una función de coste. 

La segunda tarea consiste en que REEFERS primero 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, REFERS 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. Marca un paso significativo hacia la realización de inteligencia artificial médica generalizada”, dijo.