Алгоритм штучного інтелекту покращує точність та витрати медичної діагностики зображень

Медична візуалізація, яка є важливою частиною сучасної медицини, є однією з технологій, які значно покращились завдяки штучному інтелекту (ШІ). Однак діагностика медичних зображень, що використовує алгоритми ШІ, вимагає великої кількості анотацій як сигналів нагляду для навчання моделі.

Радіологи повинні готувати радіологічні звіти для кожного пацієнта, щоб отримати ці точні мітки для алгоритмів. Потім їм потрібно покладатися на персонал анотації, щоб витягнути та підтвердити структуровані мітки з звітів за допомогою людських правил та існуючих інструментів обробки природної мови (NLP). Це означає, що точність витягнутих міток сильно залежить від людської праці та інструментів NLP, а весь метод є як трудомістким, так і часозатратним.

Підхід REEFERS

Тепер команда інженерів з Університету Гонконгу (HKU) розробила новий підхід, який називається «REEFERS» (Огляд вільних звітів для нагляду). Цей новий метод може скоротити людські витрати на 90% шляхом автоматичного отримання сигналів нагляду з сотень тисяч радіологічних звітів. Це призводить до більш точних прогнозів.

Нове дослідження було опубліковано в Nature Machine Intelligence. Воно називається «Загальне представлення радіографій через спільне наглядання між зображеннями та вільними радіологічними звітами».

Підхід REEFERS наближає нас до досягнення загального медичного ШІ.

Професор Ю Їчжоу є лідером інженерної команди в департаменті комп’ютерних наук Університету Гонконгу.

«Ми вважаємо, що абстрактні та складні логічні речення в радіологічних звітах надають достатньо інформації для вивчення легко переносячих візуальних особливостей. З відповідним тренуванням REFERS безпосередньо вивчає представлення радіографій з вільних звітів без участі людського персоналу в маркуванні», — сказав професор Ю.

Навчання системи

Для навчання REEFERS команда використовує публічну базу даних з 370 000 зображень рентгенівських променів, а також пов’язані радіологічні звіти. Дослідники побудували модель розпізнавання радіографій лише з 100 радіографій і досягли 83% точності прогнозів. Модель потім досягла 88,2% точності, коли кількість радіографій збільшилась до 1000. Коли було використано 10 000 радіографій, точність знову зросла до 90,1%.

REEFERS може досягти мети, виконавши два завдання, пов’язані з звітами. Перше завдання полягає в перекладі радіографій у текстові звіти шляхом кодування радіографій у проміжне представлення. Це представлення потім використовується для прогнозування текстових звітів через декодувальну мережу. Для вимірювання схожості між прогнозованими та реальними текстами звітів визначається функція витрат.

Друге завдання полягає в тому, що REEFERS спочатку кодує радіографії та вільні звіти в одному й тому ж семантичному просторі. У цьому просторі представлення кожного звіту та пов’язаних радіографій вирівнюються через контрастне навчання.

Доктор Чжоу Хун-Ю є першим автором статті.

«На відміну від традиційних методів, які сильно залежать від людських анотацій, REFERS має можливість отримувати наглядання з кожного слова в радіологічних звітах. Ми можемо суттєво скоротити кількість анотаційних даних на 90% та витрати на створення медичного штучного інтелекту. Це означає суттєвий крок до реалізації загального медичного штучного інтелекту», — сказав він.