Thuật toán AI Cải thiện Độ chính xác và Chi phí Chẩn đoán Hình ảnh Y tế

Hình ảnh y tế, là một phần quan trọng của chăm sóc sức khỏe hiện đại, là một trong những công nghệ đã được cải thiện đáng kể thông qua trí tuệ nhân tạo (AI). Tuy nhiên, chẩn đoán hình ảnh y tế dựa trên thuật toán AI đòi hỏi số lượng lớn các chú thích để đào tạo mô hình.

Các bác sĩ X quang phải chuẩn bị báo cáo X quang cho từng bệnh nhân để có được các nhãn chính xác cho các thuật toán. Sau đó, họ phải dựa vào nhân viên chú thích để trích xuất và xác nhận các nhãn có cấu trúc từ các báo cáo bằng các quy tắc và công cụ xử lý ngôn ngữ tự nhiên (NLP) hiện có. Điều này có nghĩa là độ chính xác của các nhãn trích xuất phụ thuộc rất nhiều vào công việc của con người và các công cụ NLP, và toàn bộ phương pháp này vừa tốn thời gian và tốn kém.

Phương pháp REEFERS

Giờ đây, một nhóm các kỹ sư tại Đại học Hồng Kông (HKU) đã phát triển một phương pháp mới gọi là “REEFERS” (Xem xét báo cáo miễn phí để giám sát). Phương pháp mới này có thể cắt giảm chi phí lao động của con người xuống 90% bằng cách cho phép việc thu thập tín hiệu giám sát từ hàng trăm nghìn báo cáo X quang một cách tự động. Điều này dẫn đến dự đoán chính xác hơn.

Nghiên cứu mới này đã được công bố trên Nature Machine Intelligence. Nó có tiêu đề “Học biểu diễn X quang tổng quát thông qua giám sát chéo giữa hình ảnh và báo cáo X quang miễn phí.”

Phương pháp REEFERS mang chúng ta gần hơn với việc đạt được trí tuệ nhân tạo y tế tổng quát.

Giáo sư Yu Yizhou là người đứng đầu nhóm kỹ sư tại Khoa Khoa học Máy tính của HKU.

“Chúng tôi tin rằng các câu logic trừu tượng và phức tạp trong báo cáo X quang cung cấp đủ thông tin để học các tính năng trực quan có thể chuyển đổi dễ dàng. Với đào tạo phù hợp, REEFERS trực tiếp học biểu diễn X quang từ báo cáo miễn phí mà không cần sự tham gia của con người trong việc gắn nhãn.” Giáo sư Yu nói.

Đào tạo Hệ thống

Để đào tạo REEFERS, nhóm sử dụng một cơ sở dữ liệu công khai với 370.000 hình ảnh X quang, cũng như các báo cáo X quang liên quan. Các nhà nghiên cứu đã xây dựng một mô hình nhận dạng X quang với chỉ 100 hình X quang và đạt được độ chính xác 83% trong dự đoán. Mô hình sau đó đạt được tỷ lệ chính xác 88,2% khi số lượng tăng lên 1.000. Khi 10.000 hình X quang được sử dụng, độ chính xác tăng lên 90,1%.

REEFERS có thể đạt được mục tiêu này bằng cách hoàn thành hai nhiệm vụ liên quan đến báo cáo. Nhiệm vụ đầu tiên liên quan đến việc dịch hình X quang thành báo cáo văn bản bằng cách mã hóa hình X quang thành một biểu diễn trung gian. Sau đó, nó được sử dụng để dự đoán báo cáo văn bản thông qua mạng giải mã. Để đo lường sự tương tự giữa báo cáo văn bản dự đoán và thực tế, một hàm chi phí được định nghĩa.

Nhiệm vụ thứ hai liên quan đến việc REEFERS mã hóa cả hình X quang và báo cáo miễn phí vào cùng một không gian ngữ nghĩa. Trong không gian này, các biểu diễn của mỗi báo cáo và hình X quang liên quan được sắp xếp thông qua học đối lập.

Tiến sĩ Zhou Hong-Yu là tác giả đầu tiên của bài báo.

“So với các phương pháp thông thường phụ thuộc nặng vào chú thích của con người, REEFERS có khả năng thu thập giám sát từ mỗi từ trong báo cáo X quang. Chúng tôi có thể giảm đáng kể số lượng chú thích dữ liệu xuống 90% và chi phí xây dựng trí tuệ nhân tạo y tế. Điều này đánh dấu một bước tiến quan trọng hướng tới thực hiện trí tuệ nhân tạo y tế tổng quát, ” ông nói.