AI-algoritme verbetert nauwkeurigheid en kosten van medische beeldvormingdiagnostiek

Medische beeldvorming, dat een belangrijk onderdeel is van de moderne gezondheidszorg, is een van de technologieën die sterk is verbeterd door kunstmatige intelligentie (AI). Met dat gezegd hebbende, vereist medische beeldvormingdiagnostiek die op AI-algoritmen is gebaseerd grote hoeveelheden annotaties als supervisiesignalen voor modeltraining.

Radiologen moeten radiologierapporten voor elke patiënt voorbereiden om deze nauwkeurige labels voor de algoritmen te verkrijgen. Ze moeten vervolgens afhankelijk zijn van annotatiestaf om gestructureerde labels uit de rapporten te extraheren en te bevestigen met door de mens gedefinieerde regels en bestaande natuurlijke taalverwerkingstools (NLP). Dit betekent dat de nauwkeurigheid van de geëxtraheerde labels sterk afhankelijk is van menselijk werk en de NLP-tools, en de hele methode is zowel arbeidsintensief als tijdrovend.

REEFERS-benadering

Nu heeft een team van ingenieurs aan de Universiteit van Hong Kong (HKU) een nieuwe benadering ontwikkeld genaamd “REEFERS” (Reviewing Free-text Reports for Supervision). Deze nieuwe methode kan de menselijke kosten met 90% verminderen door de automatische verwerving van supervisiesignalen uit honderdduizenden radiologierapporten mogelijk te maken. Dit resulteert in nauwkeurigere voorspellingen.

Het nieuwe onderzoek is gepubliceerd in Nature Machine Intelligence. Het heet “Generalized radiograph representation learning via ross-supervision between images and free-text radiology reports.”

De REEFERS-benadering brengt ons dichter bij het bereiken van gegeneraliseerde medische AI.

Professor Yu Yizhou is de leider van het ingenieursteam aan de afdeling Computerwetenschappen van de HKU.

“We geloven dat abstracte en complexe logische redeneersentences in radiologierapporten voldoende informatie bieden voor het leren van gemakkelijk overdraagbare visuele kenmerken. Met de juiste training leert REFERS rechtstreeks radiografische representaties uit vrije-tekstrapporten zonder dat er menselijke inspanning nodig is voor labeling,” zei professor Yu.

Training van het systeem

Om REEFERS te trainen, gebruikt het team een openbare database met 370.000 röntgenfoto’s, evenals de bijbehorende radiologierapporten. De onderzoekers bouwden een radiografische herkenningmodel met slechts 100 radiografische afbeeldingen en bereikten een nauwkeurigheid van 83% in voorspellingen. Het model bereikte een nauwkeurigheid van 88,2% toen het aantal werd verhoogd tot 1.000. Toen 10.000 radiografische afbeeldingen werden gebruikt, steeg de nauwkeurigheid opnieuw tot 90,1%.

REEFERS kan dit doel bereiken door twee rapport-gerelateerde taken te voltooien. De eerste taak houdt in dat radiografische afbeeldingen worden vertaald in tekstuele rapporten door eerst radiografische afbeeldingen te coderen in een tussenliggende representatie. Deze wordt vervolgens gebruikt om tekstuele rapporten te voorspellen via een decoderingsnetwerk. Om de overeenkomst tussen voorspelde en werkelijke rapportteksten te meten, wordt een kostfunctie gedefinieerd.

De tweede taak houdt in dat REEFERS eerst radiografische afbeeldingen en vrije-tekstrapporten codeert in dezelfde semantische ruimte. In deze ruimte worden de representaties van elk rapport en de bijbehorende radiografische afbeeldingen uitgelijnd via contrastief leren.

Dr. Zhou Hong-Yu is de eerste auteur van het artikel.

“In vergelijking met conventionele methoden die sterk afhankelijk zijn van menselijke annotaties, heeft REFERS de mogelijkheid om supervisie te verkrijgen uit elk woord in de radiologierapporten. We kunnen het aantal geannoteerde gegevens met 90% verminderen en de kosten voor het bouwen van medische kunstmatige intelligentie. Dit markeert een significante stap naar het realiseren van gegeneraliseerde medische kunstmatige intelligentie,” zei hij.