Algoritma AI Meningkatkan Akurasi dan Biaya Diagnostik Gambar Medis

Penggunaan teknologi penggambaran medis, yang merupakan bagian besar dari perawatan kesehatan modern, adalah salah satu teknologi yang telah sangat ditingkatkan melalui kecerdasan buatan (AI). Dengan demikian, diagnosis gambar medis yang mengandalkan algoritma AI memerlukan sejumlah besar anotasi sebagai sinyal pengawasan untuk pelatihan model.

Radiolog harus menyiapkan laporan radiologi untuk setiap pasien mereka untuk memperoleh label akurat untuk algoritma. Mereka kemudian harus mengandalkan staf anotasi untuk mengekstrak dan mengonfirmasi label terstruktur dari laporan dengan aturan yang didefinisikan manusia dan alat pemrosesan bahasa alami (NLP) yang ada. Ini berarti akurasi label yang diekstrak sangat bergantung pada pekerjaan manusia dan alat NLP, dan metode keseluruhan sangat memakan waktu dan biaya.

Pendekatan REEFERS

Sekarang, tim insinyur di Universitas Hong Kong (HKU) telah mengembangkan pendekatan baru yang disebut “REEFERS” (Reviewing Free-text Reports for Supervision). Metode baru ini dapat memotong biaya manusia sebesar 90% dengan memungkinkan akuisisi otomatis sinyal pengawasan dari ratusan ribu laporan radiologi. Ini menghasilkan prediksi yang lebih akurat.

Penelitian baru ini diterbitkan di Nature Machine Intelligence. Judulnya adalah “Generalized radiograph representation learning via ross-supervision between images and free-text radiology reports.”

Pendekatan REEFERS membawa kita lebih dekat untuk mencapai kecerdasan buatan medis yang umum.

Profesor Yu Yizhou adalah pemimpin tim insinyur di Departemen Ilmu Komputer HKU.

“Kami percaya bahwa kalimat logika abstrak dan kompleks dalam laporan radiologi menyediakan informasi yang cukup untuk mempelajari fitur visual yang dapat dipindahkan dengan mudah. Dengan pelatihan yang tepat, REFERS secara langsung mempelajari representasi radiograf dari laporan teks bebas tanpa perlu melibatkan tenaga manusia dalam pelabelan.” Profesor Yu mengatakan.

Melatih Sistem

Untuk melatih REEFERS, tim menggunakan basis data publik dengan 370.000 gambar X-Ray, serta laporan radiologi yang terkait. Peneliti membangun model pengenalan radiograf dengan hanya 100 radiograf dan mencapai akurasi 83% dalam prediksi. Model tersebut kemudian dapat mencapai tingkat akurasi 88,2% ketika jumlahnya ditingkatkan menjadi 1.000. Ketika 10.000 radiograf digunakan, akurasi meningkat lagi menjadi 90,1%.

REEFERS dapat mencapai tujuan dengan menyelesaikan dua tugas terkait laporan. Yang pertama melibatkan terjemahan radiograf menjadi laporan teks dengan mengkodekan radiograf menjadi representasi antara. Ini kemudian digunakan untuk memprediksi teks laporan melalui jaringan decoder. Untuk mengukur kesamaan antara teks laporan yang diprediksi dan teks laporan nyata, fungsi biaya didefinisikan.

Tugas kedua melibatkan REEFERS yang pertama kali mengkodekan radiograf dan laporan teks bebas ke dalam ruang semantik yang sama. Dalam ruang ini, representasi setiap laporan dan radiograf yang terkait diselaraskan melalui pembelajaran kontras.

Dr. Zhou Hong-Yu adalah penulis pertama makalah tersebut.

“Dibandingkan dengan metode konvensional yang sangat bergantung pada anotasi manusia, REFERS memiliki kemampuan untuk memperoleh pengawasan dari setiap kata dalam laporan radiologi. Kami dapat mengurangi sejumlah besar anotasi data sebesar 90% dan biaya untuk membangun kecerdasan buatan medis. Ini menandai langkah penting menuju realisasi kecerdasan buatan medis yang umum, ” katanya.