L'algorithme d'IA améliore la précision et les coûts des diagnostics d'images médicales

L'imagerie médicale, qui est une partie importante des soins de santé modernes, est l'une des technologies qui a été grandement améliorée grâce à l'intelligence artificielle (IA). Cela dit, le diagnostic d'images médicales reposant sur des algorithmes d'IA nécessite de grandes quantités d'annotations en tant que signaux de supervision pour la formation de modèles. 

Les radiologues doivent préparer des rapports de radiologie pour chacun de leurs patients 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 définies par l'homme et les outils de traitement du langage naturel (NLP) existants. Cela signifie que la précision des étiquettes extraites dépend grandement du travail humain et des outils de PNL, et que l’ensemble de la méthode demande beaucoup de travail et de temps. 

Approche REEFERS

Aujourd'hui, une équipe d'ingénieurs de l'Université de Hong Kong (HKU) a développé une nouvelle approche appelée "REEFERS" (Reviewing Free-text Reports for Supervision). Cette nouvelle méthode peut réduire les coûts humains de 90 % en permettant l'acquisition automatique des signaux de supervision à partir de centaines de milliers de rapports de radiologie. Cela se traduit par des prédictions plus précises.

La nouvelle recherche a été publiée dans Intelligence artificielle de la nature. Il est intitulé "Apprentissage généralisé de la représentation radiographique via la supervision croisée entre les images et les rapports de radiologie en texte libre". 

L'approche REEFERS nous rapproche de la réalisation d'une IA médicale généralisée.

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

« Nous pensons que les phrases de raisonnement logique abstraites et complexes dans les rapports de radiologie fournissent suffisamment d'informations pour apprendre des caractéristiques visuelles facilement transférables. Avec une formation appropriée, REFERS apprend directement les représentations radiographiques à partir de rapports en texte libre sans avoir besoin d'impliquer la main-d'œuvre dans l'étiquetage. dit le professeur Yu.

Formation du système

Pour former les REEFERS, l'équipe utilise une base de données publique avec 370,000 100 images radiographiques, ainsi que les rapports de radiologie associés. Les chercheurs ont construit un modèle de reconnaissance radiographique avec seulement 83 radiographies et ont atteint une précision de 88.2 % dans les prédictions. Le modèle a ensuite pu atteindre un taux de précision de 1,000 % lorsque le nombre a été porté à 10,000 90.1. Lorsque XNUMX XNUMX radiographies ont été utilisées, la précision est remontée à XNUMX %. 

Les REEFERS peuvent atteindre cet objectif en accomplissant deux tâches liées au rapport. La première implique la traduction des radiographies en rapports textuels en encodant d'abord les radiographies dans une représentation intermédiaire. Ceci est ensuite utilisé pour prédire les rapports de texte via un réseau de décodeurs. Pour mesurer la similarité entre les textes de rapport prédits et réels, une fonction de coût est définie. 

La deuxième tâche implique que REEFERS encode d'abord les radiographies et les rapports en texte libre dans le même espace sémantique. Dans cet espace, les représentations de chaque rapport et des radiographies associées sont alignées par apprentissage contrastif.

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

"Par rapport aux méthodes conventionnelles qui reposent fortement sur des annotations humaines, REFERS a la capacité d'acquérir une supervision à partir de chaque mot dans les rapports de radiologie. Nous pouvons réduire considérablement la quantité d'annotations de données de 90 % et le coût de construction de l'intelligence artificielle médicale. Cela marque une étape importante vers la réalisation de l'intelligence artificielle médicale généralisée », a-t-il déclaré.