चिकित्सा छवि निदान की सटीकता और लागत में सुधार करने वाला एआई एल्गोरिदम

चिकित्सा इमेजिंग, जो आधुनिक स्वास्थ्य सेवा का एक प्रमुख हिस्सा है, उन प्रौद्योगिकियों में से एक है जिसे कृत्रिम बुद्धिमत्ता (एआई) के माध्यम से बहुत सुधारा गया है। कहा जा रहा है, एआई एल्गोरिदम पर आधारित चिकित्सा छवि निदान के लिए बड़ी मात्रा में एनोटेशन की आवश्यकता होती है जो मॉडल प्रशिक्षण के लिए पर्यवेक्षण संकेत के रूप में कार्य करते हैं।

रेडियोलॉजिस्टों को अपने प्रत्येक रोगी के लिए रेडियोलॉजी रिपोर्ट तैयार करनी होती है ताकि एल्गोरिदम के लिए सटीक लेबल प्राप्त किए जा सकें। वे तब मानव-परिभाषित नियमों और मौजूदा प्राकृतिक भाषा प्रसंस्करण (एनएलपी) टूल्स के साथ रिपोर्ट से संरचित लेबल निकालने और पुष्टि करने के लिए एनोटेशन स्टाफ पर निर्भर रहते हैं। इसका मतलब है कि निकाले गए लेबल की सटीकता मानव कार्य और एनएलपी टूल्स पर बहुत अधिक निर्भर करती है, और पूरी विधि श्रमसाध्य और समय लेने वाली है।

REEFERS दृष्टिकोण

अब, हांगकांग विश्वविद्यालय (HKU) के एक इंजीनियरों की टीम ने “REEFERS” (रिव्यूइंग फ्री-टेक्स्ट रिपोर्ट्स फॉर सुपरविजन) नामक एक नई दृष्टिकोण विकसित की है। यह नई विधि सैकड़ों हजारों रेडियोलॉजी रिपोर्ट से पर्यवेक्षण संकेतों को स्वचालित रूप से प्राप्त करके मानव लागत को 90% तक कम कर सकती है, जिससे अधिक सटीक पूर्वानुमान होते हैं।

नई अनुसंधान नेचर मशीन इंटेलिजेंस में प्रकाशित की गई है। इसका शीर्षक “जनरलाइज्ड रेडियोग्राफ प्रतिनिधित्व सीखना मुक्त-पाठ रेडियोलॉजी रिपोर्ट और छवियों के बीच रोस-सुपरविजन के माध्यम से” है।

REEFERS दृष्टिकोण हमें सामान्यीकृत चिकित्सा एआई को प्राप्त करने के करीब ले जाता है।

प्रोफेसर यू यिज़ौ हांगकांग विश्वविद्यालय के कंप्यूटर विज्ञान विभाग में इंजीनियरों की टीम के नेता हैं।

“हम मानते हैं कि रेडियोलॉजी रिपोर्ट में स abstract और जटिल तर्कसंगत वाक्य पर्याप्त जानकारी प्रदान करते हैं जो आसानी से स्थानांतरण योग्य दृश्य विशेषताओं को सीखने के लिए पर्याप्त हैं। उचित प्रशिक्षण के साथ, REEFERS सीधे मानव-लेबलिंग में शामिल किए बिना मुक्त-पाठ रिपोर्ट से रेडियोग्राफ प्रतिनिधित्व सीखता है,” प्रोफेसर यू ने कहा।

सिस्टम को प्रशिक्षित करना

REEFERS को प्रशिक्षित करने के लिए, टीम ने 370,000 एक्स-रे छवियों के साथ एक सार्वजनिक डेटाबेस का उपयोग किया, साथ ही संबंधित रेडियोलॉजी रिपोर्ट। शोधकर्ताओं ने केवल 100 रेडियोग्राफ के साथ एक रेडियोग्राफ पहचान मॉडल बनाया और 83% सटीकता के साथ पूर्वानुमान हासिल किया। मॉडल ने 1,000 रेडियोग्राफ के साथ 88.2% सटीकता दर हासिल की, और 10,000 रेडियोग्राफ के साथ, सटीकता 90.1% तक बढ़ गई।

REEFERS दो रिपोर्ट-संबंधित कार्यों को पूरा करके लक्ष्य हासिल कर सकता है। पहला कार्य रेडियोग्राफ को टेक्स्ट रिपोर्ट में अनुवाद करना शामिल है जो पहले रेडियोग्राफ को मध्यवर्ती प्रतिनिधित्व में एन्कोड करता है, जिसका उपयोग डिकोडर नेटवर्क के माध्यम से टेक्स्ट रिपोर्ट की भविष्यवाणी करने के लिए किया जाता है। वास्तविक और भविष्यवाणी की गई रिपोर्ट पाठ के बीच समानता को मापने के लिए एक लागत कार्य परिभाषित किया गया है।

दूसरा कार्य रेडियोग्राफ और मुक्त-पाठ रिपोर्ट दोनों को एक ही सेमेंटिक स्थान में एन्कोड करना शामिल है। इस स्थान में, प्रत्येक रिपोर्ट और संबंधित रेडियोग्राफ के प्रतिनिधित्व को विरोधी शिक्षा के माध्यम से संरेखित किया जाता है।

डॉ। झоу होंग-यू पेपर के प्रथम लेखक हैं।

“परंपरागत विधियों की तुलना में, जो मानव एनोटेशन पर बहुत अधिक निर्भर करती हैं, REEFERS रेडियोलॉजी रिपोर्ट के प्रत्येक शब्द से पर्यवेक्षण प्राप्त करने में सक्षम है। हम डेटा एनोटेशन की मात्रा को 90% तक कम कर सकते हैं और चिकित्सा कृत्रिम बुद्धिमत्ता का निर्माण करने की लागत को कम कर सकते हैं। यह सामान्यीकृत चिकित्सा कृत्रिम बुद्धिमत्ता को वास्तविक बनाने की दिशा में एक महत्वपूर्ण कदम है,” उन्होंने कहा।