2022. 04. 21. - 09:50
Pontosabb és olcsóbb orvosi diagnosztikát hozhat az új mesterséges intelligencia-algoritmus
Az orvosi képalkotás a modern egészségügy fontos része - széles körben alkalmazzák a mesterséges intelligenciát a folyamat továbbfejlesztésére.
Az orvosi képalkotás igen fontos része a modern egészségügynek. Növeli a különböző betegségek kezelésének pontosságát, megbízhatóságát és fejlettségét. A mesterséges intelligenciát ma már szintén széles körben alkalmazzák a folyamat továbbfejlesztésére.
A hagyományos, mesterséges intelligencia algoritmusokat alkalmazó orvosi képdiagnosztika ugyanakkor nagy mennyiségű magyarázatot igényel a modellképzéshez. Ahhoz, hogy a mesterséges intelligencia algoritmusainak pontos címkéit megszerezzék, a radiológusok a klinikai rutin részeként radiológiai jelentéseket készítenek minden egyes páciensükről. Ezután az ún. annotációs személyzet a jelentésekből kivonja és megerősíti a strukturált címkéket az ember által meghatározott szabályok és a meglévő természetes nyelvi feldolgozás (NLP eszközök) segítségével.
A módszer költséges, ráadásul munka- és időigényes.
Most azonban a Hongkongi Egyetem (HKU) mérnöki csapata új megközelítést dolgozott ki ezen a téren. A neve REFERS (Szabadszöveges jelentések áttekintése felügyelet céljából), amely 90 százalékkal csökkentheti a költségeket, mivel több száz felügyeleti jel automatikus beszerzését teszi lehetővé.
Az előrejlezések terén nagy pontosságot ér el, felülmúlva a mesterséges intelligencia algoritmusokat alkalmazó hagyományos orvosi képdiagnózis megfelelőjét. Olvasd el: Mellrák diagnózis - az MI túlszárnyalta az orvosokat
Pontosabb és olcsóbb orvosi diagnosztikát hozhat az új mesterséges intelligencia-algoritmus
Az innovatív megközelítés komoly előrelépést jelent az általánosított orvosi mesterséges intelligencia megvalósítása irányába.
Az áttörésről a Nature Machine Intelligence szaklapban számoltak be a kutatók.
„A mesterséges intelligencia támogatta orvosi képdiagnózis segít, hogy csökkenjen az egészségügyi szakemberek munkaterhelése, s hozzájárul a diagnosztikai hatékonyság és pontosság javításához is, beleértve a diagnózis idejének mérsékelését és a finom betegségminták kimutatását" - mondta YU Yizhou professzor, a HKU Műszaki Kar Számítástudományi Tanszékének kutatásvezetője.
Mint mondta, véleményük szerint a radiológiai jelentések absztrakt és összetett logikai érvelési mondatai elég információt nyújtanak a könnyen átvihető vizuális jellemzők megtanulásához. Olvasd el:
Megfelelő képzéssel a REFERS közvetlenül megtanulja a röntgenfelvételek reprezentációit a szabad szövegű jelentésekből, anélkül, hogy emberi munkaerőt kellene bevonni a címkézésbe.
A REFERS képzéshez a kutatócsoport nyilvános adatbázist használ, amely 370 ezer röntgenfelvételt és ezekhez kapcsolódó radiológiai jelentést tartalmaz - 14 gyakori mellkasi betegségről, beleértve az atelektázist, kardiomegaliát, pleurális folyadékgyülemet, tüdőgyulladást és pneumothoraxot. Olvasd el: Mesterséges intelligencia - 15 perc alatt kimutatható a szívelégtelenség
A szakembereknek sikerült felépíteniük egy röntgenfelvétel-felismerő modellt, mely mindössze 100 röntgenfelvételt tartalmaz és 83 százalékos előrejelzési pontossággal dolgozik.
Amikor a számot 1000-re növelték, modelljük megdöbbentő teljesítményt mutatott 88,2 százalékos pontossággal. Ez felülmúlja társát, amelyet 10 ezer radiológus képzett annotációval, s melynek pontossága 87,6 százalékos. Ha 10 ezer röntgenfelvételt használtak, a pontosság 90,1 százalékosnak bizonyult.
Vagyis, általánosságban elmondható, hogy az előrejelzések 85 százalék feletti pontossága hasznos a valós klinikai alkalmazások során.
A REFERS két feladat elvégzésével éri el a célját, azaz jelentést készít és röntgenfelvétel-jelentést egyeztet. Az első feladat során a röntgenfelvételeket szöveges jelentésekre fordítja: először a röntgenfelvételeket kódolja köztes reprezentációvá, s ezt aztán a szöveges jelentések előrejelzésére használják egy dekóder hálózaton keresztül.
Az előrejelzett és a valós jelentésszövegek hasonlóságának mérésére egy költségfüggvény van definiálva, mely alapján gradiens alapú optimalizálást alkalmaznak a neurális hálózat betanításához és súlyozásainak frissítéséhez.
A második feladatban a REFERS ugyanabba a szemantikai térbe kódolja a röntgenfelvételeket és a szabadszöveges jelentéseket, ahol az egyes jelentések és a hozzájuk tartozó röntgenfelvételek reprezentációi kontrasztív tanulással kerülnek egymáshoz.
„A hagyományos módszerekhez képest, amelyek nagymértékben az emberi annotációkra támaszkodnak, a REFERS képes a radiológiai jelentések minden egyes szavára felügyeletet képezni. Jelentősen, 90 százalékkal csökkenthetjük az adatjegyzetek mennyiségét és az orvosi mesterséges intelligencia kiépítésének költségeit. Komoly lépés ez az általánosított orvosi mesterséges intelligencia megvalósítása felé” – mondta a tanulmány első szerzője, dr. Zhou Hong-Yu.
L.A.
