Algoritma AI Meningkatkan Akurasi dan Biaya Diagnostik Gambar Medis

Pencitraan medis, yang merupakan bagian utama dari perawatan kesehatan modern, adalah salah satu teknologi yang telah sangat ditingkatkan melalui kecerdasan buatan (AI). Dengan demikian, diagnosis citra medis yang mengandalkan algoritme AI memerlukan anotasi dalam jumlah besar sebagai sinyal pengawasan untuk pelatihan model. 

Ahli radiologi harus menyiapkan laporan radiologi untuk setiap pasiennya guna mendapatkan label algoritma yang akurat. Mereka kemudian harus bergantung pada staf anotasi untuk mengekstrak dan mengonfirmasi label terstruktur dari laporan dengan aturan yang ditentukan manusia dan alat pemrosesan bahasa alami (NLP) yang ada. Ini berarti keakuratan label yang diekstraksi sangat bergantung pada pekerjaan manusia dan alat NLP, dan keseluruhan metode ini membutuhkan banyak tenaga dan waktu. 

Pendekatan REEFERS

Sekarang, tim insinyur di Universitas Hong Kong (HKU) telah mengembangkan pendekatan baru yang disebut “REEFERS” (Meninjau Laporan Teks Bebas untuk Pengawasan). Metode baru ini dapat memangkas biaya manusia hingga 90% dengan mengaktifkan akuisisi otomatis sinyal pengawasan dari ratusan ribu laporan radiologi. Ini menghasilkan prediksi yang lebih akurat.

Penelitian baru dipublikasikan di Kecerdasan Mesin Alam. Itu berjudul "Pembelajaran representasi radiografi umum melalui pengawasan ross antara gambar dan laporan radiologi teks bebas." 

Pendekatan REEFERS membawa kita lebih dekat untuk mencapai AI medis umum.

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

“Kami percaya kalimat penalaran logis yang abstrak dan kompleks dalam laporan radiologi memberikan informasi yang cukup untuk mempelajari fitur visual yang dapat ditransfer dengan mudah. Dengan pelatihan yang tepat, REFERS langsung mempelajari representasi radiograf dari laporan teks bebas tanpa perlu melibatkan tenaga manusia dalam pelabelan.” Kata Profesor Yu.

Melatih Sistem

Untuk melatih REEFERS, tim menggunakan database publik dengan 370,000 gambar X-Ray, serta laporan radiologi terkait. Para peneliti membangun model pengenalan radiografi hanya dengan 100 radiografi dan mencapai akurasi 83% dalam prediksi. Model tersebut kemudian mampu mencapai tingkat akurasi 88.2% ketika jumlahnya ditingkatkan menjadi 1,000. Ketika 10,000 radiografi digunakan, akurasinya naik lagi menjadi 90.1%. 

REEFERS dapat mencapai tujuan dengan menyelesaikan dua tugas terkait laporan. Yang pertama melibatkan terjemahan radiografi ke dalam laporan teks dengan terlebih dahulu menyandikan radiografi ke dalam representasi perantara. Ini kemudian digunakan untuk memprediksi laporan teks melalui jaringan dekoder. Untuk mengukur kesamaan antara prediksi dan teks laporan nyata, fungsi biaya didefinisikan. 

Tugas kedua melibatkan REEFERS pertama-tama mengkodekan radiografi dan laporan teks bebas ke dalam ruang semantik yang sama. Di ruang ini, representasi dari setiap laporan dan radiografi terkait diselaraskan melalui pembelajaran kontrastif.

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

“Dibandingkan dengan metode konvensional yang sangat bergantung pada anotasi manusia, REFERS memiliki kemampuan untuk memperoleh pengawasan dari setiap kata dalam laporan radiologi. Kami dapat secara substansial mengurangi jumlah anotasi data hingga 90% dan biaya untuk membangun kecerdasan buatan medis. Ini menandai langkah signifikan untuk mewujudkan kecerdasan buatan medis umum, ”katanya.