אלגוריתם AI משפר את הדיוק והעלויות של אבחון תמונה רפואית

הדמיה רפואית, המהווה חלק מרכזי משירותי הבריאות המודרניים, היא אחת הטכנולוגיות ששופרו מאוד באמצעות בינה מלאכותית (AI). עם זאת, אבחון תמונה רפואי בהסתמך על אלגוריתמי בינה מלאכותית דורש כמויות גדולות של הערות כאותות פיקוח לאימון מודלים. 

רדיולוגים חייבים להכין דוחות רדיולוגיה עבור כל אחד מהמטופלים שלהם כדי לרכוש את התוויות המדויקות הללו עבור האלגוריתמים. לאחר מכן עליהם להסתמך על צוות ההערות כדי לחלץ ולאשר תוויות מובנות מהדוחות עם כללים מוגדרים על ידי אדם וכלים קיימים לעיבוד שפה טבעית (NLP). משמעות הדבר היא שהדיוק של התוויות שחולצו תלוי מאוד בעבודה אנושית ובכלי ה-NLP, והשיטה כולה דורשת עבודה וזמן רב. 

גישה של REEFERS

כעת, צוות מהנדסים באוניברסיטת הונג קונג (HKU) פיתח גישה חדשה בשם "REEFERS" (סקירת דוחות טקסט חופשי לפיקוח). שיטה חדשה זו יכולה לקצץ בעלויות אנושיות ב-90% על ידי הפעלת רכישה אוטומטית של אותות פיקוח ממאות אלפי דוחות רדיולוגיים. זה מביא לתחזיות מדויקות יותר.

המחקר החדש פורסם ב מחשב המודיעין. הכותרת היא "למידת ייצוג רנטגן כללי באמצעות פיקוח רוחבי בין תמונות ודוחות רדיולוגיה בטקסט חופשי." 

גישת REEFERS מקרבת אותנו להשגת AI רפואי כללי.

פרופסור Yu Yizhou הוא מנהיג צוות ההנדסה במחלקה למדעי המחשב של HKU. 

"אנו מאמינים שמשפטי חשיבה לוגיים מופשטים ומורכבים בדוחות רדיולוגיה מספקים מידע מספיק ללימוד תכונות חזותיות הניתנות להעברה בקלות. עם הכשרה מתאימה, REFERS לומד ישירות ייצוגי רנטגן מדוחות בטקסט חופשי ללא צורך לערב כוח אדם בתיוג". אמר פרופסור יו.

אימון המערכת

כדי להכשיר REEFERS, הצוות משתמש במסד נתונים ציבורי עם 370,000 תמונות רנטגן, כמו גם דוחות רדיולוגיה קשורים. החוקרים בנו מודל זיהוי רנטגן עם 100 צילומי רנטגן בלבד והשיגו דיוק של 83% בתחזיות. לאחר מכן, המודל הצליח להשיג שיעור דיוק של 88.2% כאשר המספר הוגדל ל-1,000. כאשר נעשה שימוש ב-10,000 צילומי רנטגן, הדיוק עלה שוב ל-90.1%. 

REEFERS יכולים להשיג את המטרה על ידי השלמת שתי משימות הקשורות לדוח. הראשון כולל תרגום של צילומי רנטגן לדוחות טקסט על ידי קידוד ראשון של צילומי רנטגן לייצוג ביניים. זה משמש לאחר מכן כדי לחזות דוחות טקסט באמצעות רשת מפענח. כדי למדוד את הדמיון בין טקסטים חזויים לדוח אמיתי, מוגדרת פונקציית עלות. 

המשימה השנייה כוללת קידוד של REEFERS תחילה גם צילומי רנטגן וגם דוחות טקסט חופשי לאותו מרחב סמנטי. במרחב זה, ייצוגים של כל דיווח וצילומי רנטגן קשורים מיושרים באמצעות למידה ניגודית.

ד"ר ג'ואו הונג-יו הוא המחבר הראשון של המאמר.

"בהשוואה לשיטות קונבנציונליות שמסתמכות במידה רבה על הערות אנושיות, ל-REFERS יש את היכולת לרכוש פיקוח מכל מילה בדוחות הרדיולוגיה. אנו יכולים להפחית באופן משמעותי את כמות הערות הנתונים ב-90% ואת העלות לבניית בינה מלאכותית רפואית. זה מסמן צעד משמעותי לקראת מימוש אינטליגנציה רפואית מלאכותית כללית", אמר.