Algoritmo de IA Melhora a Precisão e os Custos de Diagnósticos de Imagens Médicas

A imagem médica, que é uma parte importante dos cuidados de saúde modernos, é uma das tecnologias que foi grandemente melhorada por meio da inteligência artificial (IA). No entanto, o diagnóstico de imagens médicas que depende de algoritmos de IA requer grandes quantidades de anotações como sinais de supervisão para o treinamento do modelo.

Os radiologistas devem preparar relatórios de radiologia para cada um de seus pacientes para adquirir essas etiquetas precisas para os algoritmos. Em seguida, eles devem confiar no pessoal de anotação para extrair e confirmar etiquetas estruturadas dos relatórios com regras humanas definidas e ferramentas de processamento de linguagem natural (NLP) existentes. Isso significa que a precisão das etiquetas extraídas depende muito do trabalho humano e das ferramentas de NLP, e o método todo é laborioso e demorado.

Abordagem REEFERS

Agora, uma equipe de engenheiros da Universidade de Hong Kong (HKU) desenvolveu uma nova abordagem chamada “REEFERS” (Revisando Relatórios de Texto Livre para Supervisão). Este novo método pode reduzir os custos humanos em 90% permitindo a aquisição automática de sinais de supervisão a partir de centenas de milhares de relatórios de radiologia. Isso resulta em previsões mais precisas.

A nova pesquisa foi publicada em Nature Machine Intelligence. Ela é intitulada “Aprendizado de Representação de Radiografias Geralizadas via Supervisão entre Imagens e Relatórios de Radiologia de Texto Livre.”

A abordagem REEFERS nos aproxima de alcançar a inteligência artificial médica generalizada.

O Professor Yu Yizhou é o líder da equipe de engenharia do Departamento de Ciência da Computação da HKU.

“Acreditamos que frases de raciocínio lógico abstrato e complexo nos relatórios de radiologia forneçam informações suficientes para aprender recursos visuais facilmente transferíveis. Com o treinamento apropriado, o REEFERS aprende diretamente representações de radiografias a partir de relatórios de texto livre sem a necessidade de envolver mão de obra na etiquetagem.” Disse o Professor Yu.

Treinando o Sistema

Para treinar o REEFERS, a equipe usa um banco de dados público com 370.000 imagens de raios-X, bem como relatórios de radiologia associados. Os pesquisadores construíram um modelo de reconhecimento de radiografias com apenas 100 radiografias e alcançaram 83% de precisão nas previsões. O modelo foi capaz de alcançar uma taxa de precisão de 88,2% quando o número foi aumentado para 1.000. Quando 10.000 radiografias foram usadas, a precisão subiu novamente para 90,1%.

O REEFERS pode alcançar o objetivo completando duas tarefas relacionadas a relatórios. A primeira envolve a tradução de radiografias em relatórios de texto por meio da codificação de radiografias em uma representação intermediária. Isso é então usado para prever relatórios de texto por meio de uma rede decodificadora. Para medir a semelhança entre os textos dos relatórios previstos e reais, uma função de custo é definida.

A segunda tarefa envolve o REEFERS primeiro codificando radiografias e relatórios de texto livre no mesmo espaço semântico. Nesse espaço, as representações de cada relatório e radiografias associadas são alinhadas por meio do aprendizado contrastivo.

O Dr. Zhou Hong-Yu é o primeiro autor do artigo.

“Em comparação com os métodos convencionais que dependem fortemente de anotações humanas, o REEFERS tem a capacidade de adquirir supervisão a partir de cada palavra nos relatórios de radiologia. Podemos reduzir substancialmente a quantidade de anotação de dados por 90% e o custo para construir inteligência artificial médica. Isso marca um passo significativo em direção à realização da inteligência artificial médica generalizada, ” disse ele.