医療画像診断の精度とコストを向上させるAIアルゴリズム

医療画像診断は、現代の医療において重要な役割を果たしている分野であり、人工知能（AI）によって大幅に改善されてきた技術の1つです。ただし、AIアルゴリズムを使用した医療画像診断には、モデル訓練のための大量の注釈が必要です。

放射線科医は、各患者に対して放射線レポートを作成し、アルゴリズムに正確なラベルを付ける必要があります。その後、注釈スタッフは、人間が定義したルールと既存の自然言語処理（NLP）ツールを使用して、レポートから構造化されたラベルを抽出して確認する必要があります。これにより、抽出されたラベルの精度は人間の作業とNLPツールに大きく依存し、全体的なプロセスは労働集約的で時間がかかります。

REEFERSアプローチ

香港大学（HKU）のエンジニアチームは、人間のコストを90％削減できる新しいアプローチ「REEFERS」（Reviewing Free-text Reports for Supervision）を開発しました。この新しい方法により、数十万件の放射線レポートから自動的に監督シグナルを取得できます。

この新しい研究は、Nature Machine Intelligenceに掲載されています。タイトルは「Generalized radiograph representation learning via ross-supervision between images and free-text radiology reports。」です。

REEFERSアプローチは、汎用的な医療AIの実現に近づいています。

HKUのコンピューターサイエンス学部のエンジニアチームのリーダーは、Yu Yizhou教授です。

「放射線レポートの中にある抽象的で複雑な論理的推論文は、視覚的な特徴を学習するのに十分な情報を提供します。適切な訓練により、REFERSは、ラベリングに人間の介入を必要とせずに、自由テキストレポートから放射線画像の表現を直接学習できます。」Yu教授は述べています。

システムの訓練

REEFERSを訓練するために、チームは、370,000件のX線画像と関連する放射線レポートを含む公開データベースを使用しています。研究者は、100件の放射線画像のみで放射線認識モデルを構築し、83％の精度で予測しました。1,000件の放射線画像を使用すると、精度は88.2％に上昇しました。10,000件の放射線画像を使用すると、精度は90.1％に上昇しました。

REEFERSは、2つのレポート関連タスクを実行することで目的を達成します。最初のタスクでは、放射線画像を中間表現にエンコードし、デコーダーネットワークを使用してテキストレポートを予測します。予測されたテキストレポートと実際のレポートテキストの類似性を測定するために、コスト関数が定義されます。

2番目のタスクでは、REEFERSは、放射線画像と自由テキストレポートを同じ意味の空間にエンコードします。この空間では、レポートと関連する放射線画像の表現が、対比学習を通じて整列されます。

論文の第一著者は、Zhou Hong-Yu博士です。

「従来の方法と比較して、REFERSは、放射線レポートの各単語から監督シグナルを取得する能力があります。データ注釈の量を90％削減し、医療の人工知能を構築するコストを削減できます。これは、汎用的な医療人工知能の実現に向けた重要なステップです。」と彼は述べています。