Algoritmo di intelligenza artificiale migliora l’accuratezza e i costi della diagnostica per immagini mediche

L’imaging medico, che è una parte importante dell’assistenza sanitaria moderna, è una delle tecnologie che è stata notevolmente migliorata attraverso l’intelligenza artificiale (AI). Tuttavia, la diagnosi delle immagini mediche che si basa sugli algoritmi di intelligenza artificiale richiede grandi quantità di annotazioni come segnali di supervisione per l’addestramento del modello.

I radiologi devono preparare referti di radiologia per ogni loro paziente per acquisire queste etichette accurate per gli algoritmi. Devono poi fare affidamento sul personale di annotazione per estrarre e confermare etichette strutturate dai referti con regole definite dall’uomo e strumenti di elaborazione del linguaggio naturale (NLP) esistenti. Ciò significa che l’accuratezza delle etichette estratte dipende notevolmente dal lavoro umano e dagli strumenti NLP, e l’intero metodo è sia laborioso che dispendioso in termini di tempo.

Approccio REEFERS

Ora, un team di ingegneri dell’Università di Hong Kong (HKU) ha sviluppato un nuovo approccio chiamato “REEFERS” (Reviewing Free-text Reports for Supervision). Questo nuovo metodo può ridurre i costi umani del 90% abilitando l’acquisizione automatica di segnali di supervisione da centinaia di migliaia di referti di radiologia. Ciò risulta in previsioni più accurate.

La nuova ricerca è stata pubblicata su Nature Machine Intelligence. Si intitola “Generalized radiograph representation learning via ross-supervision between images and free-text radiology reports.”

L’approccio REEFERS ci porta più vicini al raggiungimento di un’intelligenza artificiale medica generalizzata.

Il professor Yu Yizhou è il leader del team di ingegneria del Dipartimento di Informatica dell’HKU.

“Crediamo che le frasi di ragionamento logico astratto e complesso nei referti di radiologia forniscono informazioni sufficienti per l’apprendimento di caratteristiche visive facilmente trasferibili. Con un addestramento appropriato, REEFERS apprende direttamente le rappresentazioni dei radiogrammi dai referti in formato testo senza la necessità di coinvolgere il personale nell’etichettatura.” Ha detto il professor Yu.

Addestramento del sistema

Per addestrare REEFERS, il team utilizza un database pubblico con 370.000 immagini a raggi X, nonché referti di radiologia associati. I ricercatori hanno costruito un modello di riconoscimento di radiogrammi con solo 100 radiogrammi e hanno raggiunto un’accuratezza dell’83% nelle previsioni. Il modello ha poi raggiunto un tasso di accuratezza dell’88,2% quando il numero è stato aumentato a 1.000. Quando sono stati utilizzati 10.000 radiogrammi, l’accuratezza è aumentata nuovamente al 90,1%.

REEFERS può raggiungere l’obiettivo completando due compiti relativi ai referti. Il primo coinvolge la traduzione dei radiogrammi in referti testuali codificando prima i radiogrammi in una rappresentazione intermedia. Questa rappresentazione viene poi utilizzata per prevedere i referti testuali attraverso una rete decodificatrice. Per misurare la somiglianza tra i referti testuali previsti e reali, viene definita una funzione di costo.

Il secondo compito coinvolge REEFERS, che codifica sia i radiogrammi che i referti testuali nello stesso spazio semantico. In questo spazio, le rappresentazioni di ogni referto e dei radiogrammi associati vengono allineate attraverso l’apprendimento contrastivo.

Il dottor Zhou Hong-Yu è il primo autore del documento.

“In confronto ai metodi convenzionali che si basano fortemente sulle annotazioni umane, REEFERS ha la capacità di acquisire la supervisione da ogni parola nei referti di radiologia. Possiamo ridurre notevolmente la quantità di annotazione dei dati del 90% e il costo per costruire l’intelligenza artificiale medica. Segna un passo significativo verso la realizzazione di un’intelligenza artificiale medica generalizzata,” ha detto.