의료 이미지 진단의 정확도와 비용을 개선하는 AI 알고리즘

의료 영상은 현대 의료의 주요 부분 중 하나로, 인공 지능(AI)을 통해 크게 개선된 기술 중 하나입니다. 그러나 AI 알고리즘을 사용한 의료 이미지 진단은 모델 훈련을 위한 감독 신호로大量의 주석이 필요합니다.

의사는 각 환자에 대해 정확한 레이블을 얻기 위해 의료 보고서를 준비해야 하며, 주석 직원이 보고서에서 인간이 정의한 규칙과 기존의 자연어 처리(NLP) 도구를 사용하여 구조화된 레이블을 추출하고 확인해야 합니다. 이는 추출된 레이블의 정확도가 인간의 작업과 NLP 도구에 크게 의존하며, 전체 방법은 노동 집약적이고 시간이 많이 걸리는 것입니다.

REEFERS 접근법

현재 홍콩 대학(HKU)의 엔지니어 팀은 “REEFERS”라는 새로운 접근법을 개발했습니다. 이 새로운 방법은 수십 만 개의 의료 보고서에서 감독 신호를 자동으로 획득하여 인간 비용을 90% 절감할 수 있습니다. 이는 더 정확한 예측을 가능하게 합니다.

새로운 연구는 Nature Machine Intelligence에 발표되었습니다. 제목은 “Generalized radiograph representation learning via ross-supervision between images and free-text radiology reports”입니다.

REEFERS 접근법은 일반화된 의료 AI를 달성하는 데 더 가까이 다가갑니다.

홍콩 대학 컴퓨터 과학부의 엔지니어 팀을 이끄는 교수 유 이즈하우(Yu Yizhou)입니다.

“의료 보고서의 추상적이고 복잡한 논리적 推論 문장이 쉽게 전이 가능한 시각적 특징을 제공한다고 믿습니다. 적절한 훈련을 통해 REFERS는 레이블링에 인간의 개입 없이 자유 텍스트 보고서에서 직접 방사선 사진 표현을 학습할 수 있습니다.” 유 교수는 말했다.

시스템 훈련

REEFERS를 훈련시키기 위해 팀은 공공 데이터베이스에 370,000개의 엑스레이 이미지와 관련된 의료 보고서를 사용합니다. 연구자들은 100개의 방사선 사진만으로 방사선 사진 인식 모델을 구축하여 83%의 정확도를 달성했습니다. 모델은 1,000개의 방사선 사진으로 정확도를 88.2%로 높였으며, 10,000개의 방사선 사진으로 정확도를 90.1%로 높였습니다.

REEFERS는 두 가지 보고서 관련 작업을 통해 목표를 달성할 수 있습니다. 첫 번째 작업은 방사선 사진을 중간 표현으로 인코딩한 다음 디코더 네트워크를 통해 텍스트 보고서를 예측하는 것입니다. 예측된 보고서 텍스트와 실제 보고서 텍스트의 유사성을 측정하기 위해 비용 함수를 정의합니다.

두 번째 작업은 REEFERS가 방사선 사진과 자유 텍스트 보고서를 동일한 의미 공간으로 인코딩하는 것입니다. 이 공간에서 각 보고서와 관련된 방사선 사진의 표현이 대조적 학습을 통해 정렬됩니다.

zhou 홍유(Zhou Hong-Yu) 박사는 논문의 첫 번째 저자입니다.

“인간 주석에 크게 의존하는 기존 방법과 달리 REFERS는 의료 보고서의 각 단어에서 감독 신호를 획득할 수 있습니다. 우리는 데이터 주석의 양을 90% 줄이고 의료 인공 지능을 구축하는 비용을 줄일 수 있습니다. 이는 일반화된 의료 인공 지능을 실현하는 데 중요한 단계입니다.” 그는 말했다.