Tekoälyalgoritmi parantaa tarkkuutta ja kustannuksia lääketieteellisissä kuvadiagnostiikoissa

Lääketieteellinen kuvantaminen, joka on suuri osa nykypäivän terveydenhuoltoa, on yksi niistä teknologioista, jotka ovat parantuneet merkittävästi tekoälyllä (AI). Sanottuna, lääketieteellinen kuvadiagnostiikka, joka perustuu tekoälyalgoritmeihin, vaatii suuria määriä annotaatioita valvontasignaaleiksi mallin koulutukseen.

Radiologit on valmisteltava radiologiset raportit kullekin potilaalleen voidakseen hankkia nämä tarkat merkinnät algoritmien koulutukseen. He joutuvat sitten luottamaan annotaatiotiimiin, joka poimii ja vahvistaa rakenteelliset merkinnät raporteista käyttäen ihmisen määrittelemiä sääntöjä ja olemassa olevia luonnollisen kielen prosessointityökaluja. Tämä tarkoittaa, että poimittujen merkintöjen tarkkuus riippuu voimakkaasti ihmistyöstä ja NLP-työkaluista, ja koko menetelmä on sekä työvoimavaltaista että aikaa vievää.

REEFERS-lähestymistapa

Nyt, yksi insinöörien tiimistä Hong Kongin yliopistossa (HKU) on kehittänyt uuden lähestymistavan nimeltä ”REEFERS” (Reviewing Free-text Reports for Supervision). Tämä uusi menetelmä voi leikata ihmiskustannukset 90 %:lla mahdollistaen valvontasignaaleiden automaattisen hankkimisen satojen tuhansien radiologisten raporttien avulla. Tämä johtaa tarkempiin ennusteisiin.

Uusi tutkimus julkaistiin Nature Machine Intelligence -julkaisussa. Sen otsikko on ”Generalized radiograph representation learning via ross-supervision between images and free-text radiology reports.”

REEFERS-lähestymistapa tuo meidät lähemmäs yleistyneen lääketieteellisen tekoälyn saavuttamista.

Professori Yu Yizhou on insinööritiimin johtaja HKU:n tietojenkäsittelytieteen laitoksella.

“Uskomme, että abstraktit ja monimutkaiset loogiset lauseet radiologisissa raporteissa tarjoavat riittävästi tietoa helposti siirrettävien visuaalisten ominaisuuksien oppimiseen. Asianmukaisen koulutuksen myötä REEFERS oppii suoraan radiografiset esitykset vapaan tekstin raporteista ilman, että tarvitaan ihmisten osallistumista merkintöihin.” Professori Yu sanoi.

Järjestelmän koulutus

REEFERSin kouluttamiseksi tiimi käyttää julkista tietokantaa, jossa on 370 000 röntgenkuva sekä liittyvät radiologiset raportit. Tutkijat rakensivat radiografisen tunnistusmallin vain 100 radiografian avulla ja saavuttivat 83 %:n tarkkuuden ennusteissa. Malli saavutti 88,2 %:n tarkkuuden, kun lukumäärää kasvatettiin 1 000:een. Kun 10 000 radiografiaa käytettiin, tarkkuus nousi jälleen 90,1 %:iin.

REEFERS voi saavuttaa tavoitteensa suorittamalla kaksi raporttiin liittyvää tehtävää. Ensimmäinen tehtävä kääntää radiografioita tekstiraporteiksi koodaamalla radiografioita välimuotoon, josta dekooderiverkko ennustaa tekstiraportit. Määritellään kustannusfunktiota, jotta voidaan mitata ennustettujen ja todellisten raporttitekstien välistä samankaltaisuutta.

Toisessa tehtävässä REEFERS koodaa sekä radiografioita että vapaan tekstin raportteja samaan semanttiseen avaruuteen. Tässä avaruudessa raporttien ja niiden radiografien edustukset ovat kohdistettuina kontrastiivisen oppimisen kautta.

Tohtori Zhou Hong-Yu on tutkimuksen ensisijainen kirjoittaja.

“Vertailukelpoisissa menetelmissä, jotka perustuvat voimakkaasti ihmisen annotaatioihin, REEFERSillä on kyky hankkia valvontaa kustakin sanasta radiologisissa raporteissa. Voimme vähentää merkittävästi datan annotaation määrää 90 %:lla ja lääketieteellisen tekoälyn rakentamiskustannuksia. Se merkitsee merkittävää askelta kohti yleistyneen lääketieteellisen tekoälyn toteuttamista, ” hän sanoi.