AI-algoritmen förbättrar noggrannheten och kostnaderna för medicinsk bilddiagnostik

Medicinsk bildbehandling, som är en stor del av modern sjukvård, är en av de teknologier som har förbättrats avsevärt genom artificiell intelligens (AI). Med det sagt kräver medicinsk bilddiagnos som förlitar sig på AI-algoritmer stora mängder anteckningar som övervakningssignaler för modellträning. 

Radiologer måste förbereda röntgenrapporter för var och en av sina patienter för att få dessa exakta etiketter för algoritmerna. De måste sedan förlita sig på anteckningspersonal för att extrahera och bekräfta strukturerade etiketter från rapporterna med mänskligt definierade regler och befintliga verktyg för bearbetning av naturligt språk (NLP). Detta innebär att noggrannheten hos extraherade etiketter i hög grad beror på mänskligt arbete och NLP-verktygen, och hela metoden är både arbetsintensiv och tidskrävande. 

REEFERS Approach

Nu har ett team av ingenjörer vid University of Hong Kong (HKU) utvecklat ett nytt tillvägagångssätt som kallas "REEFERS" (Reviewing Free-text Reports for Supervision). Denna nya metod kan minska mänskliga kostnader med 90 % genom att möjliggöra automatisk insamling av övervakningssignaler från hundratusentals radiologirapporter. Detta resulterar i mer exakta förutsägelser.

Den nya forskningen publicerades i Nature Machine Intelligence. Den har titeln "Generaliserad röntgenrepresentation inlärning via tvärövervakning mellan bilder och fritextradiologirapporter." 

REEFERS-metoden för oss närmare att uppnå generaliserad medicinsk AI.

Professor Yu Yizhou är ledare för ingenjörsteamet vid HKU:s institution för datavetenskap. 

"Vi tror att abstrakta och komplexa logiska resonemangsmeningar i röntgenrapporter ger tillräcklig information för att lära sig lätt överförbara visuella egenskaper. Med lämplig utbildning lär sig REFERS direkt röntgenbilder från fritextrapporter utan att behöva involvera personal i märkningen." sa professor Yu.

Utbildning av systemet

För att träna REEFERS använder teamet en offentlig databas med 370,000 100 röntgenbilder, samt tillhörande röntgenrapporter. Forskarna byggde en röntgenigenkänningsmodell med bara 83 röntgenbilder och uppnådde 88.2 % noggrannhet i förutsägelser. Modellen kunde sedan uppnå en noggrannhetsgrad på 1,000 % när antalet ökades till 10,000 90.1. När XNUMX XNUMX röntgenbilder användes steg noggrannheten igen till XNUMX%. 

REEFERS kan uppnå målet genom att utföra två rapportrelaterade uppgifter. Den första innefattar översättning av röntgenbilder till textrapporter genom att först koda röntgenbilder till en mellanliggande representation. Detta används sedan för att förutsäga textrapporter via ett avkodarnätverk. För att mäta likheten mellan predikterade och verkliga rapporttexter definieras en kostnadsfunktion. 

Den andra uppgiften innebär att REEFERS först kodar både röntgenbilder och fritextrapporter i samma semantiska utrymme. I detta utrymme är representationerna av varje rapport och tillhörande röntgenbilder anpassade genom kontrastiv inlärning.

Dr. Zhou Hong-Yu är första författare till tidningen.

"Jämfört med konventionella metoder som i hög grad förlitar sig på mänskliga kommentarer, har REFERS förmågan att få övervakning från varje ord i röntgenrapporterna. Vi kan avsevärt minska mängden datakommentarer med 90 % och kostnaden för att bygga medicinsk artificiell intelligens. Det markerar ett viktigt steg mot att förverkliga generaliserad medicinsk artificiell intelligens”, sa han.