Tıbbi Görüntü Teşhisinde AI Algoritmasının Doğruluğu ve Maliyetini İyileştirilmesi

Tıbbi görüntüleme, modern sağlık hizmetlerinin önemli bir parçasıdır ve yapay zeka (AI) aracılığıyla büyük ölçüde iyileştirilen teknolojilerden biridir. Bununla birlikte, AI algoritmalarına dayalı tıbbi görüntü teşhisi, model eğitimi için büyük miktarlarda etiketleme gerektirir.

Radyologlar, her hasta için radyoloji raporları hazırlamak zorundadırlar ve bu raporlardan insan tarafından tanımlanmış kurallar ve mevcut doğal dil işleme (NLP) araçları ile yapılandırılmış etiketler çıkarmak için etiketleme personeline güvenmek zorundadırlar. Bu, çıkarılan etiketlerin doğruluğunun insan çalışmasına ve NLP araçlarına bağlı olduğu ve tüm yöntemin hem emek yoğun hem de zaman alıcı olduğu anlamına gelir.

REEFERS Yaklaşımı

Şimdi, Hong Kong Üniversitesi’ndeki (HKU) mühendisler ekibi, “REEFERS” (Reviewing Free-text Reports for Supervision) adlı yeni bir yaklaşım geliştirdi. Bu yeni yöntem, yüz binlerce radyoloji raporundan denetim sinyallerinin otomatik olarak edinilmesini sağlayarak insan maliyetlerini %90 oranında azaltabilir ve daha doğru tahminler sağlar.

Yeni araştırma Nature Machine Intelligence‘de yayımlandı. “Generalized radiograph representation learning via ross-supervision between images and free-text radiology reports” başlıklı bir makale.

REEFERS yaklaşımı, genel tıbbi AI’yi gerçekleştirmeye bizi daha da yaklaştırıyor.

HKU Bilgisayar Bilimi Bölümü’nde mühendislik ekibinin lideri Profesör Yu Yizhou’dur.

“Radyoloji raporlarındaki soyut ve karmaşık mantıksal cümlelerin, kolayca aktarılabilir görsel özellikler öğrenmek için yeterli bilgi sağladığını düşünüyoruz. Uygun eğitimle, REFERS doğrudan insan gücü olmadan free-text raporlardan radyografik temsil öğrenir.” Profesör Yu söyledi.

Sistemin Eğitimi

REEFERS’i eğitmek için, ekip 370.000 X-Ray görüntüsünü ve ilgili radyoloji raporlarını içeren bir kamu veritabanını kullanıyor. Araştırmacılar, yalnızca 100 radyograf ile bir radyograf tanıma modeli oluşturdular ve %83’lük bir tahmin doğruluğu elde ettiler. Model, 1.000 radyograf kullanıldığında %88,2’lik bir doğruluk oranına ulaştı. 10.000 radyograf kullanıldığında, doğruluk %90,1’e yükseldi.

REEFERS, iki rapor ile ilgili görevi tamamlayarak bunu başarmaktadır. İlk görev, radyografları önce bir ara temsile kodlayarak metin raporlarına çevirmektir, daha sonra bir kodlayıcı ağ aracılığıyla metin raporlarını tahmin eder. Tahmin edilen ve gerçek rapor metinleri arasındaki benzerliği ölçmek için bir maliyet fonksiyonu tanımlanır.

İkinci görev, REEFERS’in hem radyografları hem de free-text raporlarını aynı anlamsal alana kodlamasıdır. Bu alanda, her raporun ve ilgili radyografın temsilleri, karşıt öğrenme yoluyla hizalanır.

Makalenin ilk yazarı Dr. Zhou Hong-Yu’dur.

“İnsan etiketlemelerine büyük ölçüde bağımlı olan geleneksel yöntemlerle karşılaştırıldığında, REFERS’in radyoloji raporlarındaki her kelimeye göre denetim kazanma yeteneği vardır. Veri etiketlemesinin miktarını %90 oranında azaltabilir ve tıbbi yapay zekanın oluşturulma maliyetini azaltabilir. Genel tıbbi yapay zekanın gerçekleştirilmesine doğru önemli bir adım olduğunu düşünüyoruz, ” dedi.