Amélioration de l’exactitude et des coûts des diagnostics d’imagerie médicale par un algorithme d’IA

L’imagerie médicale, qui constitue une partie importante des soins de santé modernes, est l’une des technologies qui a été considérablement améliorée grâce à l’intelligence artificielle (IA). Cependant, le diagnostic d’images médicales basé sur les algorithmes d’IA nécessite de grandes quantités d’annotations en tant que signaux de supervision pour la formation du modèle.

Les radiologues doivent préparer des rapports de radiologie pour chaque patient afin d’acquérir ces étiquettes précises pour les algorithmes. Ils doivent ensuite s’appuyer sur le personnel d’annotation pour extraire et confirmer les étiquettes structurées des rapports avec des règles et des outils de traitement automatique du langage naturel (NLP) définis par l’homme. Cela signifie que l’exactitude des étiquettes extraites dépend fortement du travail humain et des outils NLP, et que la méthode entière est à la fois fastidieuse et chronophage.

Approche REEFERS

Maintenant, une équipe d’ingénieurs de l’Université de Hong Kong (HKU) a développé une nouvelle approche appelée « REEFERS » (Examen de rapports libres pour la supervision). Cette nouvelle méthode peut réduire les coûts humains de 90 % en permettant l’acquisition automatique de signaux de supervision à partir de centaines de milliers de rapports de radiologie. Cela donne lieu à des prévisions plus précises.

La nouvelle recherche a été publiée dans Nature Machine Intelligence. Elle est intitulée « Apprentissage de représentation de radiographie généralisé via la supervision entre les images et les rapports de radiologie libres ».

L’approche REEFERS nous rapproche de la réalisation de l’IA médicale généralisée.

Le professeur Yu Yizhou est le chef de l’équipe d’ingénieurs du département d’informatique de l’HKU.

« Nous croyons que les phrases de raisonnement logique abstraites et complexes dans les rapports de radiologie fournissent des informations suffisantes pour apprendre des caractéristiques visuelles facilement transférables. Avec une formation appropriée, REEFERS apprend directement les représentations de radiographie à partir de rapports libres sans avoir besoin de personnel pour l’étiquetage », a déclaré le professeur Yu.

Formation du système

Pour former REEFERS, l’équipe utilise une base de données publique avec 370 000 images de radiographie, ainsi que des rapports de radiologie associés. Les chercheurs ont construit un modèle de reconnaissance de radiographie avec seulement 100 radiographies et ont atteint une précision de 83 % dans les prévisions. Le modèle a ensuite atteint un taux de précision de 88,2 % lorsque le nombre a été augmenté à 1 000. Lorsque 10 000 radiographies ont été utilisées, la précision a encore augmenté à 90,1 %.

REEFERS peut atteindre cet objectif en effectuant deux tâches liées aux rapports. La première consiste à traduire les radiographies en rapports texte en codant d’abord les radiographies dans une représentation intermédiaire. Cette représentation est ensuite utilisée pour prédire les rapports texte via un réseau de décodage. Une fonction de coût est définie pour mesurer la similarité entre les rapports texte prédits et réels.

La deuxième tâche consiste pour REEFERS à encoder à la fois les radiographies et les rapports libres dans le même espace sémantique. Dans cet espace, les représentations de chaque rapport et des radiographies associées sont alignées via un apprentissage contrastif.

Le Dr Zhou Hong-Yu est le premier auteur de l’article.

« Par rapport aux méthodes conventionnelles qui s’appuient fortement sur les annotations humaines, REEFERS a la capacité d’acquérir une supervision à partir de chaque mot dans les rapports de radiologie. Nous pouvons réduire considérablement la quantité d’annotation de données de 90 % et le coût de construction de l’IA médicale. Cela marque une étape importante vers la réalisation de l’IA médicale généralisée », a-t-il déclaré.