Yapay Zeka Algoritması, Tıbbi Görüntü Teşhisinin Doğruluğunu ve Maliyetlerini İyileştiriyor

Modern sağlık hizmetlerinin önemli bir parçası olan tıbbi görüntüleme, yapay zeka (AI) sayesinde büyük ölçüde geliştirilen teknolojilerden biridir. Bununla birlikte, AI algoritmalarına dayanan tıbbi görüntü teşhisi, model eğitimi için denetim sinyalleri olarak büyük miktarlarda açıklama gerektirir. 

Radyologların, algoritmalara yönelik bu doğru etiketleri alabilmesi için her hastası için radyoloji raporu hazırlaması gerekir. Daha sonra raporlardan insan tanımlı kurallara ve mevcut doğal dil işleme (NLP) araçlarına sahip yapılandırılmış etiketleri çıkarmak ve onaylamak için açıklama personeline güvenmek zorundadırlar. Bu, çıkarılan etiketlerin doğruluğunun büyük ölçüde 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) bir mühendis ekibi, "REEFERS" (Denetim için Serbest Metin Raporlarını İnceleme) adlı yeni bir yaklaşım geliştirdi. Bu yeni yöntem, yüzbinlerce radyoloji raporundan süpervizyon sinyallerinin otomatik olarak alınmasını sağlayarak insan maliyetlerini %90 oranında azaltabilir. Böylece daha doğru tahminler elde edilir.

Yeni araştırma yayınlandı Doğa Makine Zekası. "Görüntüler ve serbest metin radyoloji raporları arasında çapraz denetim yoluyla genelleştirilmiş radyografi temsili öğrenimi" başlığını taşıyor. 

REEFERS yaklaşımı, bizi genelleştirilmiş tıbbi yapay zekaya ulaşmaya yaklaştırıyor.

Profesör Yu Yizhou, HKU'nun Bilgisayar Bilimleri Bölümü'ndeki mühendislik ekibinin lideridir. 

“Radyoloji raporlarındaki soyut ve karmaşık mantıksal akıl yürütme cümlelerinin, kolayca aktarılabilen görsel özelliklerin öğrenilmesi için yeterli bilgi sağladığına inanıyoruz. Uygun eğitim ile REFERS, etiketlemede insan gücüne ihtiyaç duymadan doğrudan serbest metin raporlarından radyografi temsillerini öğrenir.” dedi Profesör Yu.

Sistemi Eğitmek

Ekip, REEFERS'ı eğitmek için 370,000 X-Ray görüntüsünün yanı sıra ilgili radyoloji raporlarını içeren halka açık bir veritabanı kullanıyor. Araştırmacılar, yalnızca 100 radyografla bir radyografi tanıma modeli oluşturdu ve tahminlerde %83 doğruluk elde etti. Model daha sonra, sayı 88.2'e çıkarıldığında %1,000'lik bir doğruluk oranı elde edebildi. 10,000 radyograf kullanıldığında doğruluk oranı tekrar %90.1'e yükseldi. 

REEFERS, raporla ilgili iki görevi tamamlayarak hedefe ulaşabilir. İlki, önce radyografları bir ara gösterime kodlayarak radyografların metin raporlarına çevrilmesini içerir. Bu daha sonra bir kod çözücü ağı aracılığıyla metin raporlarını tahmin etmek için kullanılır. Tahmin edilen ve gerçek rapor metinleri arasındaki benzerliği ölçmek için bir maliyet fonksiyonu tanımlanır. 

İkinci görev, REEFERS'ın önce hem radyografileri hem de serbest metin raporlarını aynı semantik alana kodlamasını içerir. Bu alanda, her bir raporun ve ilişkili radyografların temsilleri, karşılaştırmalı öğrenme yoluyla hizalanır.

Dr. Zhou Hong-Yu makalenin ilk yazarıdır.

"İnsan açıklamalarına büyük ölçüde dayanan geleneksel yöntemlerle karşılaştırıldığında REFERS, radyoloji raporlarındaki her kelimeden denetim elde etme yeteneğine sahiptir. Veri açıklama miktarını %90 oranında ve tıbbi yapay zeka oluşturma maliyetini önemli ölçüde azaltabiliriz. Bu, genelleştirilmiş tıbbi yapay zekayı gerçekleştirme yolunda önemli bir adımı işaret ediyor” dedi.