AI-algoritme forbedrer nøyaktighet og kostnader for medisinske bilddiagnoser

Medisinske bilder, som er en stor del av moderne helsevesen, er en av teknologiene som har blitt sterkt forbedret gjennom kunstig intelligens (AI). Med det sagt, krever medisinske bilddiagnoser som baserer seg på AI-algoritmer store mengder annotasjoner som overvåkningssignaler for modelltrening.

Radiologer må forberede radiologirapporter for hver av sine pasienter for å skaffe disse nøyaktige merkene for algoritmene. De må deretter stole på annotasjonsansatte for å trekke ut og bekrefte strukturerte merkene fra rapportene med menneske-definerte regler og eksisterende naturlig språkbehandling (NLP)-verktøy. Dette betyr at nøyaktigheten av de uttrukne merkene i stor grad avhenger av menneskelig arbeid og NLP-verktøyene, og hele metoden er både arbeidskrevende og tidskrevende.

REEFERS-tilnærmingen

Nå har et team av ingeniører ved University of Hong Kong (HKU) utviklet en ny tilnærming kalt “REEFERS” (Gjennomgang av fritekst-rapporter for overvåkning). Denne nye metoden kan kutte menneskelige kostnader med 90% ved å aktivere automatisk tilegnelse av overvåkningssignaler fra hundredtusener av radiologirapporter. Dette resulterer i mer nøyaktige forutsigelser.

Den nye forskningen ble publisert i Nature Machine Intelligence. Den har tittelen “Generalisert radiograf-representasjonslæring via ross-overvåkning mellom bilder og fritekst-radiologirapporter.”

REEFERS-tilnærmingen bringer oss nærmere å oppnå generalisert medisinsk AI.

Professor Yu Yizhou er leder for ingeniørteamet ved HKU’s Department of Computer Science.

“Vi tror at abstrakte og komplekse logiske setninger i radiologirapporter gir tilstrekkelig informasjon for å lære lett overførbare visuelle egenskaper. Med passende trening, lærer REFERS direkte radiograf-representasjoner fra fritekst-rapporter uten å involvere menneskelig arbeid i merking.” Professor Yu sa.

Trening av systemet

For å trene REEFERS, bruker teamet en offentlig database med 370 000 røntgenbilder, samt tilhørende radiologirapporter. Forskerne bygget en radiograf-gjenkjenningmodell med bare 100 radiografer og oppnådde 83% nøyaktighet i forutsigelser. Modellen kunne deretter oppnå en nøyaktighetsrate på 88,2% når antallet ble økt til 1 000. Når 10 000 radiografer ble brukt, økte nøyaktigheten igjen til 90,1%.

REEFERS kan oppnå målet ved å fullføre to rapport-relaterte oppgaver. Den første involverer oversettelse av radiografer til tekst-rapporter ved å kode radiografer inn i en midlertidig representasjon. Dette brukes deretter til å forutsi tekst-rapporter via en dekoder-nettverk. For å måle likheten mellom forutsagte og faktiske rapport-tekster, defineres en kost-funksjon.

Den andre oppgaven involverer REEFERS som først koder både radiografer og fritekst-rapporter inn i samme semantiske rom. I dette rommet, er representasjoner av hver rapport og tilhørende radiografer justert gjennom kontrastiv læring.

Dr. Zhou Hong-Yu er første forfatter av artikkelen.

“I sammenligning med konvensjonelle metoder som sterkt avhenger av menneskelig merking, har REFERS evnen til å tilegne seg overvåkning fra hver ord i radiologirapportene. Vi kan substansielt redusere mengden av data-merking med 90% og kostnadene til å bygge medisinsk kunstig intelligens. Dette markerer et betydelig skritt mot å realisere generalisert medisinsk kunstig intelligens, ” han sa.