Thuật toán AI cải thiện độ chính xác và chi phí chẩn đoán hình ảnh y tế

Hình ảnh y tế, một phần quan trọng của chăm sóc sức khỏe hiện đại, là một trong những công nghệ đã được cải thiện rất nhiều thông qua trí tuệ nhân tạo (AI). Như đã nói, chẩn đoán hình ảnh y tế dựa trên thuật toán AI yêu cầu một lượng lớn chú thích làm tín hiệu giám sát để đào tạo mô hình. 

Các bác sĩ X quang phải chuẩn bị các báo cáo X quang cho từng bệnh nhân của họ để có được những nhãn chính xác này 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 báo cáo bằng các quy tắc do con người xác định và các công cụ xử lý ngôn ngữ tự nhiên (NLP) hiện có. Điều này có nghĩa là độ chính xác của các nhãn được trích xuất phụ thuộc rất nhiều vào công việc của con người và các công cụ NLP, đồng thời toàn bộ phương pháp vừa tốn nhiều công sức vừa tốn thời gian. 

REEFERS

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

Nghiên cứu mới được xuất bản trong Máy thông minh tự nhiên. Nó có tiêu đề “Học biểu diễn X quang tổng quát thông qua giám sát chéo giữa các hình ảnh và báo cáo X quang văn bản tự do.” 

Phương pháp REEFERS đưa chúng ta đến gần hơn với việc đạt được AI y tế tổng quát.

Giáo sư Yu Yizhou là trưởng nhóm kỹ thuật tại Khoa Khoa học Máy tính của HKU. 

“Chúng tôi tin rằng các câu suy luận logic phức tạp và trừu tượng trong các báo cáo X quang cung cấp đủ thông tin để học các đặc điểm hình ảnh có thể chuyển đổi dễ dàng. Với sự đào tạo phù hợp, REFERS trực tiếp học các biểu diễn X quang từ các báo cáo dạng văn bản tự do mà không cần phải có nhân lực tham gia ghi nhãn.” Giáo sư Yu nói.

Đào tạo hệ thống

Để đào tạo REEFERS, nhóm sử dụng cơ sở dữ liệu công cộng 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 ảnh chụp X quang chỉ với 100 ảnh chụp X quang và đạt được độ chính xác 83% trong các dự đoán. Sau đó, mô hình có thể đạt được tỷ lệ chính xác 88.2% khi số lượng được tăng lên 1,000. Khi 10,000 bức ảnh X quang được sử dụng, độ chính xác lại tăng lên 90.1%. 

REEFERS có thể đạt được mục tiêu bằng cách hoàn thành hai nhiệm vụ liên quan đến báo cáo. Đầu tiên liên quan đến việc dịch các bức ảnh chụp X quang thành các báo cáo văn bản bằng cách mã hóa các bức ảnh chụp X quang đầu tiên thành một biểu diễn trung gian. Điều này sau đó được sử dụng để dự đoán các báo cáo văn bản thông qua mạng bộ giải mã. Để đo lường sự giống nhau giữa các văn bản báo cáo được dự đoán và thực tế, một hàm chi phí được xác định. 

Nhiệm vụ thứ hai liên quan đến việc REEFERS đầu tiên mã hóa cả ảnh chụp X quang và báo cáo văn bản tự do vào cùng một không gian ngữ nghĩa. Trong không gian này, các biểu diễn của từng báo cáo và các ảnh chụp X quang liên quan được căn chỉnh thông qua học tập tương phản.

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

“So với các phương pháp thông thường chủ yếu dựa vào chú thích của con người, REFERS có khả năng giám sát từng từ trong báo cáo X quang. Chúng tôi có thể giảm đáng kể 90% lượng chú thích dữ liệu và chi phí xây dựng trí tuệ nhân tạo y tế. Nó đánh dấu một bước quan trọng hướng tới hiện thực hóa trí tuệ nhân tạo y tế tổng quát,” ông nói.