Algoritma AI Ningkatkeun Akurasi sareng Biaya Diagnostik Gambar Médis

Pencitraan médis, anu mangrupikeun bagian utama palayanan kaséhatan modéren, mangrupikeun salah sahiji téknologi anu parantos ningkat pisan ngalangkungan intelijen buatan (AI). Kalayan saurna, diagnosis gambar médis ngandelkeun algoritma AI ngabutuhkeun jumlah anotasi anu ageung salaku sinyal pangawasan pikeun pelatihan modél. 

Ahli radiologi kedah nyiapkeun laporan radiologi pikeun tiap pasienna pikeun nyandak labél anu akurat ieu pikeun algoritma. Aranjeunna teras kedah ngandelkeun staf anotasi pikeun nimba sareng mastikeun labél terstruktur tina laporan kalayan aturan anu ditetepkeun ku manusa sareng alat pamrosesan basa alami (NLP). Ieu hartosna katepatan labél anu diékstrak pisan gumantung kana padamelan manusa sareng alat NLP, sareng sadayana metodena sami-sami intensif tanaga gawé sareng nyéépkeun waktos. 

Pendekatan REEFERS

Ayeuna, tim insinyur di Universitas Hong Kong (HKU) parantos ngembangkeun pendekatan énggal anu disebut "REEFERS" (Marios Laporan Teks Gratis pikeun Pengawasan). Métode anyar ieu tiasa ngirangan biaya manusa ku 90% ku ngaktifkeun akuisisi otomatis sinyal pangawasan tina ratusan rébu laporan radiologi. Ieu nyababkeun prediksi anu langkung akurat.

Panalungtikan anyar ieu diterbitkeun dina Kecerdasan Mesin Alam. Judulna "Pembelajaran representasi radiograf umum liwat pangawasan ross antara gambar sareng laporan radiologi téks gratis." 

Pendekatan REEFERS ngadeukeutkeun urang pikeun ngahontal AI médis umum.

Profesor Yu Yizhou nyaéta pamimpin tim rékayasa di Jurusan Ilmu Komputer HKU. 

"Kami yakin kalimat penalaran logis abstrak sareng kompleks dina laporan radiologi nyayogikeun inpormasi anu cekap pikeun diajar fitur visual anu gampang ditransfer. Kalayan pelatihan anu pas, REFERS langsung diajar perwakilan radiograf tina laporan téks gratis tanpa kedah ngalibetkeun tanaga dina panyiri. ceuk Profesor Yu.

Ngalatih Sistem

Pikeun ngalatih REEFERS, tim ngagunakeun pangkalan data umum kalayan 370,000 gambar X-Ray, ogé laporan radiologi anu aya hubunganana. Para panalungtik ngawangun modél pangenalan radiograf kalayan ngan ukur 100 radiograf sareng ngahontal akurasi 83% dina prediksi. Modél ieu teras tiasa ngahontal tingkat akurasi 88.2% nalika jumlahna ningkat kana 1,000. Nalika 10,000 radiographs dipaké, akurasi naros deui ka 90.1%. 

REEFERS tiasa ngahontal tujuan ku ngarengsekeun dua tugas anu aya hubunganana sareng laporan. Kahiji ngalibatkeun tarjamah radiographs kana laporan téks ku munggaran encoding radiographs kana hiji representasi panengah. Ieu lajeng dipaké pikeun ngaduga laporan téks via jaringan decoder. Pikeun ngukur kasaruaan antara téks laporan anu diprediksi sareng nyata, fungsi biaya ditetepkeun. 

Tugas kadua ngalibatkeun REEFERS munggaran encoding duanana radiographs sarta laporan téks bébas kana spasi semantik sarua. Dina rohangan ieu, representasi unggal laporan sareng radiographs pakait dijajarkeun ngaliwatan pembelajaran kontrastif.

Dr Zhou Hong-Yu nyaéta pangarang kahiji makalah.

"Dibandingkeun sareng metode konvensional anu ngandelkeun anotasi manusa, REFERS gaduh kamampuan pikeun ngawaskeun unggal kecap dina laporan radiologi. Urang sacara signifikan tiasa ngirangan jumlah anotasi data ku 90% sareng biaya pikeun ngawangun intelijen buatan médis. Éta nandaan léngkah anu penting pikeun ngawujudkeun intelijen buatan médis umum, ”saurna.