Tervishoid
AI-algoritm parandab meditsiinilise pildidiagnostika täpsust ja kulusid
Meditsiiniline pildistamine, mis on tänapäevase tervishoiu suur osa, on üks tehnoloogiatest, mida on tehisintellekti (AI) abil oluliselt täiustatud. Seda arvestades nõuab AI-algoritmidele tuginev meditsiinilise kujutise diagnoosimine mudelitreeningu jaoks suurel hulgal annotatsioone kui järelevalvesignaale.
Radioloogid peavad koostama radioloogiaaruanded iga patsiendi kohta, et saada algoritmide jaoks täpsed märgised. Seejärel peavad nad tuginema annotatsioonitöötajatele, et eraldada ja kinnitada aruannetest struktureeritud sildid inimese määratletud reeglite ja olemasolevate loomuliku keele töötlemise (NLP) tööriistadega. See tähendab, et ekstraheeritud siltide täpsus sõltub suuresti inimese tööst ja NLP tööriistadest ning kogu meetod on nii töömahukas kui ka aeganõudev.
REEFERS Lähenemine
Nüüd on Hongkongi ülikooli (HKU) inseneride meeskond välja töötanud uue lähenemisviisi nimega "REEFERS" (vabatekstiaruannete ülevaatamine järelevalve jaoks). See uus meetod võib vähendada inimeste kulusid 90% võrra, võimaldades sadadest tuhandetest radioloogiaaruannetest automaatselt saada järelevalvesignaale. Selle tulemuseks on täpsemad prognoosid.
Uus uurimus avaldati aastal Loodusmasina intelligentsus. Selle pealkiri on "Üldine radiograafia esituse õppimine piltide ja vabatekstiliste radioloogiaaruannete vahelise ross-järelevalve kaudu".
REEFERSi lähenemine toob meid lähemale üldise meditsiinilise tehisintellekti saavutamisele.
Professor Yu Yizhou on HKU arvutiteaduse osakonna insenerimeeskonna juht.
"Usume, et radioloogiaaruannete abstraktsed ja keerulised loogilised arutluslaused annavad piisavalt teavet hõlpsasti ülekantavate visuaalsete tunnuste õppimiseks. Asjakohase väljaõppega õpib REFERS otse vabatekstiaruannetest radiograafia kujutisi, ilma et oleks vaja märgistamisse tööjõudu kaasata. Professor Yu ütles.
Süsteemi koolitamine
REEFERSi koolitamiseks kasutab meeskond avalikku andmebaasi 370,000 100 röntgenpildi ja nendega seotud radioloogiaaruannetega. Teadlased koostasid vaid 83 röntgenpildiga radiograafiatuvastusmudeli ja saavutasid ennustuste täpsuse 88.2%. Seejärel suutis mudel saavutada 1,000% täpsuse, kui arvu suurendati 10,000-ni. Kui kasutati 90.1 XNUMX radiograafiat, tõusis täpsus taas XNUMX%-ni.
REEFERS suudab eesmärgi saavutada, täites kaks aruandega seotud ülesannet. Esimene hõlmab radiograafiate tõlkimist tekstiaruanneteks, kodeerides kõigepealt radiograafiad vahepealseks esituseks. Seda kasutatakse seejärel tekstiaruannete ennustamiseks dekoodrivõrgu kaudu. Ennustatud ja tegelike aruannete tekstide sarnasuse mõõtmiseks määratletakse kulufunktsioon.
Teine ülesanne hõlmab REEFERSi esmalt nii radiograafiate kui ka vabatekstiaruannete kodeerimist samasse semantiilisse ruumi. Selles ruumis joondatakse iga raporti ja nendega seotud radiograafiate kujutised kontrastiivse õppimise abil.
Dr Zhou Hong-Yu on artikli esimene autor.
"Võrreldes tavapäraste meetoditega, mis sõltuvad suuresti inimeste märkustest, on REFERSil võimalus jälgida radioloogiaaruannete iga sõna. Saame oluliselt vähendada andmete annotatsiooni hulka 90% ja meditsiinilise tehisintellekti ehitamise kulusid. See on märkimisväärne samm üldise meditsiinilise tehisintellekti realiseerimise suunas, ”sõnas ta.
