Algorytm AI poprawia dokładność i koszty diagnostyki obrazowej w medycynie

Obrazowanie medyczne, które jest ważną częścią nowoczesnej opieki zdrowotnej, jest jedną z technologii, które zostały znacznie udoskonalone dzięki sztucznej inteligencji (AI). Jak jednak podkreśla się, diagnostyka obrazowa oparta na algorytmach AI wymaga dużych ilości adnotacji jako sygnałów nadzoru dla szkolenia modelu.

Radiolodzy muszą przygotować raporty radiologiczne dla każdego ze swoich pacjentów, aby uzyskać dokładne etykiety dla algorytmów. Następnie muszą polegać na personelu do adnotacji, aby wyodrębnić i potwierdzić strukturalne etykiety z raportów przy użyciu zdefiniowanych przez człowieka reguł i istniejących narzędzi przetwarzania języka naturalnego (NLP). Oznacza to, że dokładność wyodrębnionych etykiet w dużej mierze zależy od pracy ludzkiej i narzędzi NLP, a cały proces jest zarówno czasochłonny, jak i wymagający dużo pracy.

Podejście REEFERS

Teraz zespół inżynierów z Uniwersytetu w Hongkongu (HKU) opracował nowe podejście zwane „REEFERS” (Recenzja raportów w celu nadzoru). Ta nowa metoda może obniżyć koszty pracy o 90% poprzez umożliwienie automatycznego pozyskiwania sygnałów nadzoru z setek tysięcy raportów radiologicznych. To skutkuje bardziej dokładnymi przewidywaniami.

Nowe badanie zostało opublikowane w Nature Machine Intelligence. Jego tytuł to „Uogólnione uczenie reprezentacji radiograficznych za pomocą nadzoru między obrazami i raportami radiologicznymi w postaci tekstu.”

Podejście REEFERS przybliża nas do osiągnięcia uogólnionej sztucznej inteligencji medycznej.

Profesor Yu Yizhou jest liderem zespołu inżynierów w Departamencie Informatyki Uniwersytetu w Hongkongu.

“Uważamy, że abstrakcyjne i złożone zdania logiczne w raportach radiologicznych dostarczają wystarczającej ilości informacji do nauki łatwo przenoszalnych cech wizualnych. Z odpowiednim szkoleniem, REEFERS bezpośrednio uczy reprezentacji radiograficznych z raportów w postaci tekstu bez konieczności angażowania personelu w etykietowanie.” – powiedział profesor Yu.

Szkolenie systemu

Aby przeszkolić REEFERS, zespół wykorzystuje publiczną bazę danych z 370 000 obrazów rentgenowskich, a także powiązane raporty radiologiczne. Naukowcy zbudowali model rozpoznawania radiogramów przy użyciu tylko 100 radiogramów i osiągnęli 83% dokładności w przewidywaniach. Model osiągnął 88,2% dokładności, gdy liczba radiogramów wzrosła do 1000. Gdy wykorzystano 10 000 radiogramów, dokładność ponownie wzrosła do 90,1%.

REEFERS może osiągnąć ten cel, wykonując dwa zadania związane z raportami. Pierwsze zadanie polega na tłumaczeniu radiogramów na raporty tekstowe, najpierw kodując radiogramy w postaci pośredniej reprezentacji. Następnie jest ona wykorzystywana do przewidywania raportów tekstowych za pomocą sieci dekodującej. Aby zmierzyć podobieństwo między przewidywanymi a rzeczywistymi tekstami raportów, zdefiniowano funkcję kosztu.

Drugie zadanie polega na tym, że REEFERS najpierw koduje radiogramy i raporty w postaci tekstu w tym samym przestrzeni semantycznej. W tej przestrzeni reprezentacje każdego raportu i powiązanych radiogramów są wyrównane za pomocą uczenia kontrastowego.

Dr Zhou Hong-Yu jest pierwszym autorem artykułu.

“W porównaniu z konwencjonalnymi metodami, które silnie opierają się na adnotacjach ludzkich, REEFERS ma możliwość pozyskiwania nadzoru z każdego słowa w raportach radiologicznych. Możemy znacznie zmniejszyć ilość adnotacji danych o 90% i koszty budowy sztucznej inteligencji medycznej. To stanowi znaczący krok w kierunku realizacji uogólnionej sztucznej inteligencji medycznej,” – powiedział.