Algoritmul de inteligență artificială îmbunătățește acuratețea și costurile diagnosticii medicale prin imagini

Imagistica medicală, care reprezintă o parte importantă a sănătății moderne, este una dintre tehnologiile care au fost îmbunătățite considerabil prin inteligența artificială (IA). Cu toate acestea, diagnosticarea medicală prin imagini care se bazează pe algoritmi de IA necesită cantități mari de annotări ca semnale de supraveghere pentru antrenarea modelului.

Radiologii trebuie să pregătească rapoarte de radiologie pentru fiecare pacient pentru a obține aceste etichete precise pentru algoritmi. Ei trebuie apoi să se bazeze pe personalul de annotare pentru a extrage și confirma etichete structurate din rapoarte cu reguli definite de om și instrumente de prelucrare a limbajului natural (NLP) existente. Acest lucru înseamnă că acuratețea etichetelor extrase depinde foarte mult de munca umană și de instrumentele NLP, iar întreaga metodă este atât laborioasă, cât și consumatoare de timp.

Abordarea REEFERS

Acum, o echipă de ingineri de la Universitatea din Hong Kong (HKU) a dezvoltat o nouă abordare numită „REEFERS” (Revizuirea rapoartelor gratuite pentru supraveghere). Această nouă metodă poate reduce costurile umane cu 90% prin permiterea achiziționării automate a semnalelor de supraveghere din sute de mii de rapoarte de radiologie. Acest lucru conduce la predicții mai precise.

Cercetarea nouă a fost publicată în Nature Machine Intelligence. Este intitulată „Învățarea reprezentării radiografiei generalizate prin supraveghere între imagini și rapoarte de radiologie gratuite.”

Abordarea REEFERS ne apropie de realizarea inteligenței artificiale medicale generalizate.

Profesorul Yu Yizhou este liderul echipei de ingineri din cadrul Departamentului de Științe Computaționale al HKU.

“Credem că propozițiile abstracte și complexe de raționament logic din rapoartele de radiologie oferă informații suficiente pentru învățarea caracteristicilor vizuale ușor transferabile. Cu un antrenament adecvat, REEFERS învață direct reprezentări radiografice din rapoarte gratuite fără a necesita implicarea personalului în etichetare.” a declarat profesorul Yu.

Antrenarea sistemului

Pentru a antrena REEFERS, echipa utilizează o bază de date publică cu 370.000 de imagini cu raze X, precum și rapoarte de radiologie asociate. Cercetătorii au construit un model de recunoaștere radiografică cu doar 100 de radiografii și au obținut o acuratețe de 83% în predicții. Modelul a atins apoi o rată de acuratețe de 88,2% atunci când numărul a fost crescut la 1.000. Când s-au utilizat 10.000 de radiografii, acuratețea a crescut din nou la 90,1%.

REEFERS poate atinge acest obiectiv prin finalizarea a două sarcini legate de rapoarte. Prima implică traducerea radiografiei în rapoarte text prin codificarea radiografiei într-o reprezentare intermediară. Aceasta este apoi utilizată pentru a prezice rapoarte text prin intermediul unei rețele decodificatoare. Pentru a măsura similaritatea dintre textele rapoartelor prezise și reale, se definește o funcție de cost.

A doua sarcină implică REEFERS, care codifică atât radiografii, cât și rapoarte gratuite în același spațiu semantic. În acest spațiu, reprezentările fiecărui raport și radiografii asociate sunt aliniate prin învățarea contrastivă.

Dr. Zhou Hong-Yu este autorul principal al lucrării.

“În comparație cu metodele convenționale care se bazează puternic pe annotările umane, REEFERS are capacitatea de a obține supraveghere din fiecare cuvânt din rapoartele de radiologie. Putem reduce semnificativ cantitatea de date de annotare cu 90% și costul de a construi inteligența artificială medicală. Acesta marchează un pas semnificativ spre realizarea inteligenței artificiale medicale generalizate,” a declarat el.