Yazıyı okuyorsunuz: Yapay zeka algoritması, tıbbi görüntüleme teşhisinin doğruluğunu ve maliyetlerini artırıyor
Modern sağlık hizmetlerinin önemli bir parçası olan tıbbi görüntüleme, yapay zeka (AI) sayesinde büyük ölçüde geliştirilen teknolojilerden biridir. Bununla birlikte, yapay zeka algoritmalarına dayanan tıbbi görüntüleme teşhisi, model eğitimi için denetleyici sinyaller olarak büyük miktarlarda ek açıklamalar gerektirir.
Algoritmalara yönelik bu doğru etiketleri elde etmek için radyologların her hastası için radyoloji raporu hazırlaması gerekir. Daha sonra, mevcut insan tanımlı kurallar ve doğal dil işleme (NLP) araçlarıyla raporlardan yapılandırılmış etiketleri çıkarmak ve onaylamak için açıklama personeline güvenmeleri gerekir. Bu, çıkarılan etiketlerin doğruluğunun büyük ölçüde insan emeğine ve NLP araçlarına bağlı olduğu ve yöntemin tamamının emek yoğun ve zaman alıcı olduğu anlamına gelir.
SOĞUTMALI Yaklaşım
Şimdi, Hong Kong Üniversitesi’ndeki (HKU) bir mühendis ekibi, “REEFERS” (Denetim için Serbest Metin Raporu İncelemesi) adı verilen yeni bir yaklaşım geliştirdi. Bu yeni yöntem, yüzbinlerce radyoloji raporundan izleme sinyallerinin otomatik olarak alınmasını sağlayarak insan maliyetlerini %90 oranında azaltabiliyor. Bu daha doğru tahminlere yol açar.
Yeni araştırma şu tarihte yayınlandı: Doğa Makine Zekası. “Görüntüler ve Serbest Metin Radyoloji Raporları Arasındaki Çapraz İzleme Yoluyla Radyografi Temsilinin Genelleştirilmiş Öğrenimi” başlığını taşıyor.
REEFERS’ın yaklaşımı bizi yaygın tıbbi yapay zekaya ulaşmaya yaklaştırıyor.
Profesör Yu Yizhou, HKU Bilgisayar Bilimleri Bölümünde mühendislik ekibi lideridir.
“Radyoloji raporlarındaki soyut ve karmaşık mantıksal akıl yürütme cümlelerinin, kolayca aktarılabilen görsel özelliklerin öğrenilmesi için yeterli bilgi sağladığına inanıyoruz. REFERS, uygun eğitimle, etiketlemeye insan gücü gerektirmeden, radyografik gösterimleri serbest metin raporlarından doğrudan öğreniyor.” Profesör Yu dedi.
Sistem eğitimi
Ekip, REEFERS’ı eğitmek için 370.000 röntgen görüntüsünün yanı sıra ilgili radyoloji raporlarını içeren halka açık bir veritabanı kullanıyor. Araştırmacılar yalnızca 100 x-ışını kullanarak bir x-ışını tanıma modeli oluşturdular ve %83’lük tahmin doğruluğuna ulaştılar. Model daha sonra sayı 1.000’e çıkarıldığında %88,2’lik bir doğruluk oranına ulaşmayı başardı. 10.000 x-ışını kullanıldığında doğruluk yeniden %90,1’e yükseldi.
REEFERS, raporla ilgili iki görevi tamamlayarak hedefe ulaşabilir. Bunlardan ilki, radyografilerin önce bir ara gösterime kodlanmasıyla radyografilerin metin raporlarına dönüştürülmesini içerir. Bu daha sonra bir kod çözücü ağı aracılığıyla metin raporlarını tahmin etmek için kullanılır. Planlanan ve gerçekleşen rapor metinleri arasındaki benzerliği ölçmek için bir maliyet fonksiyonu tanımlanır.
REEFERS’ın ikinci görevi öncelikle hem radyografileri hem de serbest metin raporlarını aynı anlamsal alanda kodlamaktır. Bu alanda, her bir raporun ve ilgili radyografilerin temsilleri karşılaştırmalı öğrenme yoluyla hizalanır.
Dr. Zhou Hong-Yu makalenin ilk yazarıdır.
“Büyük ölçüde insan açıklamalarına dayanan geleneksel yöntemlerle karşılaştırıldığında REFERS, radyoloji raporlarındaki her kelimenin gözetimini sağlama yeteneğine sahiptir. Veri açıklaması miktarını ve tıbbi yapay zeka oluşturma maliyetini önemli ölçüde %90 oranında azaltabiliriz. “Bu, tıbbi yapay zekanın yaygınlaştırılmasına yönelik önemli bir adımdır” dedi.
