Алгоритм ИИ улучшает точность и стоимость диагностики медицинских изображений

Медицинская визуализация, которая является важной частью современного здравоохранения, является одной из технологий, которые были значительно улучшены с помощью искусственного интеллекта (ИИ). Однако диагностика медицинских изображений с помощью алгоритмов ИИ требует больших объемов аннотаций в качестве сигналов управления для обучения модели.

Радиологам необходимо подготовить радиологические отчеты для каждого пациента, чтобы получить точные метки для алгоритмов. Затем они должны полагаться на персонал, занимающийся аннотацией, для извлечения и подтверждения структурированных меток из отчетов с помощью правил, определенных человеком, и существующих инструментов обработки естественного языка (NLP). Это означает, что точность извлеченных меток в значительной степени зависит от работы человека и инструментов NLP, и весь метод является как трудоемким, так и длительным.

Подход REEFERS

Теперь команда инженеров из Университета Гонконга (HKU) разработала новый подход под названием «REEFERS» (Reviewing Free-text Reports for Supervision). Этот новый метод может сократить человеческие затраты на 90% за счет автоматического получения сигналов управления из сотен тысяч радиологических отчетов. Это приводит к более точным прогнозам.

Новое исследование было опубликовано в Nature Machine Intelligence. Оно озаглавлено «Обобщенное представление радиографий посредством совместного обучения между изображениями и свободными радиологическими отчетами».

Подход REEFERS приближает нас к достижению обобщенного медицинского ИИ.

Профессор Ю Ичжоу является лидером инженерной команды в департаменте компьютерных наук HKU.

«Мы считаем, что абстрактные и сложные логические предложения в радиологических отчетах предоставляют достаточную информацию для изучения легко передаваемых визуальных особенностей. С соответствующим обучением REFERS直接 изучает представления радиографий из свободных отчетов без необходимости участия человека в маркировке», – сказал профессор Ю.

Обучение системы

Для обучения REEFERS команда использует публичную базу данных с 370 000 рентгеновских изображений, а также связанные радиологические отчеты. Исследователи построили модель распознавания радиографий всего с 100 радиографий и достигли 83% точности прогнозов. Модель смогла достичь 88,2% точности прогнозов, когда количество было увеличено до 1000. Когда использовалось 10 000 радиографий, точность снова возросла до 90,1%.

REEFERS может достичь цели, выполнив два задания, связанных с отчетами. Первое включает в себя перевод радиографий в текстовые отчеты путем сначала кодирования радиографий в промежуточное представление. Затем это представление используется для прогнозирования текстовых отчетов через декодерную сеть. Для измерения сходства между прогнозируемыми и реальными текстами отчетов определяется функция стоимости.

Второе задание включает в себя кодирование как радиографий, так и свободных отчетов в одно и то же семантическое пространство. В этом пространстве представления каждого отчета и связанных радиографий выравниваются посредством контрастного обучения.

Доктор Чжоу Хунъю является первым автором статьи.

«По сравнению с традиционными методами, которые сильно полагаются на человеческие аннотации, REFERS имеет возможность получить управление из каждого слова радиологических отчетов. Мы можем существенно сократить объем аннотации данных на 90% и стоимость создания медицинского искусственного интеллекта. Это знаменует собой значительный шаг на пути к реализации обобщенного медицинского искусственного интеллекта», – сказал он.