AI 算法提高醫學影像診斷的準確性和成本

醫學影像是現代醫療的重要部分之一，通過人工智慧（AI）技術得到了很大的改善。然而，醫學影像診斷依賴於AI算法需要大量的標註作為監督信號。

放射科醫生必須為每位患者準備放射科報告，以便從中獲得準確的標註。然後，他們必須依靠標註人員從報告中提取和確認結構化標註，使用人為定義的規則和現有的自然語言處理（NLP）工具。這意味著提取的標註的準確性在很大程度上取決於人工工作和NLP工具，而整個方法既耗時又耗費人力。

REEFERS 方法

現在，香港大學（HKU）的一組工程師開發了一種新的方法，稱為“REEFERS”（審查自由文本報告以進行監督）。這種新方法可以通過從數十萬份放射科報告中自動獲取監督信號來減少90％的人工成本，從而實現更準確的預測。

這項新研究發表在 Nature Machine Intelligence。題為“通過圖像和自由文本放射科報告之間的跨監督學習進行普遍的放射圖像表示學習”。

REEFERS 方法使我們更接近實現普遍的醫學AI。

余毅教授是香港大學計算機科學系的工程團隊負責人。

“我們相信放射科報告中的抽象和複雜邏輯句子提供了足夠的信息，以便學習輕鬆轉移的視覺特徵。經過適當的訓練，REEFERS直接從自由文本報告中學習放射圖像表示，而無需人工標註，”余教授說。

訓練系統

為了訓練REEFERS，團隊使用了一個公共數據庫，包含37萬張X光片和相關的放射科報告。研究人員使用僅100張放射圖像就建立了一個放射圖像識別模型，實現了83％的預測準確率。當數量增加到1000張時，準確率提高到88.2％。當使用10000張放射圖像時，準確率再次提高到90.1％。

REEFERS可以通過完成兩個與報告相關的任務來實現這一目標。第一個任務涉及將放射圖像轉換為文本報告，首先將放射圖像編碼為中間表示。然後，使用解碼器網絡預測文本報告。為了衡量預測和真實報告文本之間的相似性，定義了一個成本函數。

第二個任務涉及REEFERS首先將放射圖像和自由文本報告編碼為相同的語義空間。在這個空間中，報告和相關放射圖像的表示通過對比學習進行對齊。

周鴻宇博士是論文的第一作者。

“與傳統方法相比，REEFERS可以從每個單詞中獲取監督信號，從而大大減少90％的數據標註成本和建造醫學人工智慧的成本。這標誌著實現普遍醫學人工智慧的一大步，”他說。