AI-algoritm förbättrar noggrannhet och kostnader för medicinsk bilddiagnostik

Medicinsk avbildning, som är en stor del av modern hälsovård, är en av de tekniker som har förbättrats avsevärt genom artificiell intelligens (AI). Det sagt kräver medicinsk bildanalys som använder AI-algoritmer stora mängder annoteringar som övervakningssignaler för modellträning.

Radiologer måste förbereda radiologirapporter för varje patient för att få dessa exakta etiketter för algoritmerna. De måste sedan förlita sig på annoteringspersonal för att extrahera och bekräfta strukturerade etiketter från rapporterna med mänskligt definierade regler och befintliga verktyg för naturlig språkbehandling (NLP). Detta innebär att noggrannheten hos de extraherade etiketterna till stor del beror på mänskligt arbete och NLP-verktygen, och hela metoden är både arbetskrävande och tidskrävande.

REEFERS-ansats

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

Den nya forskningen publicerades i Nature Machine Intelligence. Den heter “Generalized radiograph representation learning via ross-supervision between images and free-text radiology reports.”

REEFERS-ansatsen bringar oss närmare att uppnå allmän medicinsk AI.

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

“Vi tror att abstrakta och komplexa logiska meningar i radiologirapporter tillhandahåller tillräcklig information för att lära sig lätt överförbara visuella funktioner. Med lämplig utbildning lär sig REFERS direkt radiografiska representationer från fria texter utan att behöva involvera mänsklig personal i märkning”, sa professor Yu.

Träning av systemet

För att träna REEFERS använder teamet en offentlig databas med 370 000 röntgenbilder samt associerade radiologirapporter. Forskarna byggde en radiografisk erkänningsmodell med bara 100 radiografier och uppnådde 83 % noggrannhet i förutsägelser. Modellen kunde sedan uppnå en noggrannhetsgrad på 88,2 % när antalet ökades till 1 000. När 10 000 radiografier användes ökade noggrannheten igen till 90,1 %.

REEFERS kan uppnå målet genom att slutföra två rapportrelaterade uppgifter. Den första innebär översättning av radiografier till texter genom att först koda radiografier till en mellanliggande representation. Denna används sedan för att förutsäga texter via en dekodningsnätverk. För att mäta likheten mellan förutsagda och verkliga rapporttexter definieras en kostnadsfunktion.

Den andra uppgiften innebär att REEFERS först kodar både radiografier och fria texter till samma semantiska utrymme. I detta utrymme justeras representationer av varje rapport och associerade radiografier via kontrastiv inlärning.

Dr. Zhou Hong-Yu är huvudförfattare till artikeln.

“Jämfört med konventionella metoder som i stor utsträckning förlitar sig på mänskliga annoteringar har REFERS förmågan att förvärva övervakning från varje ord i radiologirapporterna. Vi kan avsevärt minska mängden dataannotering med 90 % och kostnaden för att bygga medicinsk artificiell intelligens. Det markerar ett betydande steg mot att förverkliga allmän medicinsk artificiell intelligens”, sa han.