Las imágenes médicas son una parte importante de la atención médica moderna, ya que mejoran la precisión, la confiabilidad y el desarrollo del tratamiento para diversas enfermedades. La inteligencia artificial también se ha utilizado ampliamente para mejorar aún más el proceso.
Sin embargo, el diagnóstico de imagen médica convencional que emplea algoritmos de IA requiere grandes cantidades de anotaciones como señales de supervisión para el entrenamiento del modelo. Para adquirir etiquetas precisas para los algoritmos de IA, los radiólogos, como parte de la rutina clínica, preparan informes de radiología para cada uno de sus pacientes, seguidos por el personal de anotación que extrae y confirma las etiquetas estructuradas de esos informes utilizando reglas definidas por humanos y procesamiento de lenguaje natural existente. (PNL) herramientas. La máxima precisión de las etiquetas extraídas depende de la calidad del trabajo humano y varias herramientas de NLP. El método tiene un alto precio, ya que requiere mucho trabajo y tiempo.
Un equipo de ingenieros de la Universidad de Hong Kong (HKU) ha desarrollado un nuevo enfoque «REFERS» (Revisión de informes de texto libre para supervisión), que puede reducir el costo humano en un 90 %, al permitir la adquisición automática de señales de supervisión de cientos de miles de informes de radiología al mismo tiempo. Alcanza una alta precisión en las predicciones, superando a su contraparte del diagnóstico por imagen médica convencional que emplea algoritmos de IA.
El enfoque innovador marca un paso sólido hacia la realización de inteligencia artificial médica generalizada. El avance fue publicado en Naturaleza Máquina Inteligencia en el artículo titulado «Aprendizaje generalizado de representación de radiografías a través de la supervisión cruzada entre imágenes e informes de radiología de texto libre».
«El diagnóstico de imágenes médicas habilitado por IA tiene el potencial de ayudar a los especialistas médicos a reducir su carga de trabajo y mejorar la eficiencia y precisión del diagnóstico, lo que incluye, entre otros, reducir el tiempo de diagnóstico y detectar patrones sutiles de enfermedades», dijo el profesor YU Yizhou, líder de la equipo del Departamento de Ciencias de la Computación de HKU en la Facultad de Ingeniería.
«Creemos que las oraciones de razonamiento lógico abstracto y complejo en los informes de radiología brindan suficiente información para aprender características visuales fácilmente transferibles. Con la capacitación adecuada, REFERS aprende directamente las representaciones de radiografías a partir de informes de texto libre sin la necesidad de involucrar mano de obra en el etiquetado». El profesor Yu comentó.
Para la formación REFERS, el equipo de investigación utiliza una base de datos pública con 370.000 imágenes de rayos X e informes radiológicos asociados sobre 14 enfermedades torácicas comunes, como atelectasia, cardiomegalia, derrame pleural, neumonía y neumotórax. Los investigadores lograron construir un modelo de reconocimiento de radiografías utilizando solo 100 radiografías y alcanzan un 83% de precisión en las predicciones. Cuando el número se incrementó a 1000, su modelo exhibe un rendimiento sorprendente con una precisión del 88,2 %, que supera a su homólogo entrenado con 10 000 anotaciones de radiólogos (precisión del 87,6 %). Cuando se utilizaron 10.000 radiografías, la precisión es del 90,1%. En general, una precisión superior al 85 % en las predicciones es útil en aplicaciones clínicas del mundo real.
REFERS logra el objetivo mediante la realización de dos tareas relacionadas con el informe, es decir, la generación de informes y la comparación de radiografías e informes. En la primera tarea, REFERS traduce radiografías en informes de texto codificando primero las radiografías en una representación intermedia, que luego se utiliza para predecir informes de texto a través de una red de decodificación. Se define una función de costo para medir la similitud entre los textos de informe previstos y reales, en función de la cual se emplea la optimización basada en gradientes para entrenar la red neuronal y actualizar sus pesos.
En cuanto a la segunda tarea, REFERS primero codifica tanto las radiografías como los informes de texto libre en el mismo espacio semántico, donde las representaciones de cada informe y sus radiografías asociadas se alinean a través del aprendizaje contrastivo.
«En comparación con los métodos convencionales que dependen en gran medida de anotaciones humanas, REFERS tiene la capacidad de adquirir supervisión de cada palabra en los informes de radiología. Podemos reducir sustancialmente la cantidad de anotaciones de datos en un 90 % y el costo de construir inteligencia artificial médica. Marca un paso significativo hacia la realización de la inteligencia artificial médica generalizada «, dijo el primer autor del artículo, el Dr. ZHOU Hong-Yu.
Fuente de la historia:
Materiales proporcionados por la universidad de hong kong. Nota: el contenido se puede editar por estilo y longitud.
