Une équipe d’ingénieurs développe de nouveaux algorithmes d’IA pour des diagnostics d’images médicales de haute précision et rentables

Cependant, le diagnostic d’image médicale conventionnel utilisant des algorithmes d’IA nécessite de grandes quantités d’annotations en tant que signaux de supervision pour la formation de modèles. Pour acquérir des étiquettes précises pour les algorithmes d’IA – les radiologues, dans le cadre de la routine clinique, préparent des rapports de radiologie pour chacun de leurs patients, suivis par le personnel d’annotation extrayant et confirmant les étiquettes structurées de ces rapports en utilisant des règles définies par l’homme et le traitement du langage naturel existant (PNL). La précision ultime des étiquettes extraites dépend de la qualité du travail humain et des divers outils NLP. La méthode a un prix élevé, étant à la fois laborieuse et chronophage.

Une équipe d’ingénieurs de l’Université de Hong Kong (HKU) a développé une nouvelle approche “REFERS” (Reviewing Free-text Reports for Supervision), qui peut réduire le coût humain de 90 %, en permettant l’acquisition automatique des signaux de supervision de centaines de milliers de rapports de radiologie en même temps. Il atteint une grande précision dans les prédictions, surpassant son homologue du diagnostic d’image médicale conventionnel utilisant des algorithmes d’IA.

L’approche innovante marque une étape importante vers la réalisation de l’intelligence artificielle médicale généralisée. La percée a été publiée dans Intelligence des machines naturelles dans l’article intitulé “Apprentissage généralisé de la représentation radiographique via une supervision croisée entre les images et les rapports de radiologie en texte libre”.

« Le diagnostic par imagerie médicale activé par l’IA a le potentiel d’aider les spécialistes médicaux à réduire leur charge de travail et à améliorer l’efficacité et la précision du diagnostic, y compris, mais sans s’y limiter, la réduction du temps de diagnostic et la détection de schémas pathologiques subtils », a déclaré le professeur YU Yizhou, chef du équipe du département d’informatique de HKU relevant de la faculté d’ingénierie.

“Nous pensons que les phrases de raisonnement logique abstraites et complexes dans les rapports de radiologie fournissent suffisamment d’informations pour apprendre des caractéristiques visuelles facilement transférables. Avec une formation appropriée, REFERS apprend directement les représentations radiographiques à partir de rapports en texte libre sans avoir besoin d’impliquer la main-d’œuvre dans l’étiquetage.” fit remarquer le professeur Yu.

Pour la formation REFERS, l’équipe de recherche utilise une base de données publique avec 370 000 images radiographiques et rapports de radiologie associés, sur 14 maladies pulmonaires courantes, notamment l’atélectasie, la cardiomégalie, l’épanchement pleural, la pneumonie et le pneumothorax. Les chercheurs ont réussi à construire un modèle de reconnaissance radiographique en utilisant seulement 100 radiographies et atteignent une précision de 83 % dans les prédictions. Lorsque le nombre a été porté à 1 000, leur modèle présente des performances étonnantes avec une précision de 88,2 %, ce qui surpasse son homologue entraîné avec 10 000 annotations de radiologue (précision à 87,6 %). Lorsque 10 000 radiographies ont été utilisées, la précision est de 90,1 %. En général, une précision supérieure à 85 % dans les prédictions est utile dans les applications cliniques du monde réel.

REFERS atteint l’objectif en accomplissant deux tâches liées au rapport, c’est-à-dire la génération de rapport et la correspondance radiographie-rapport. Dans la première tâche, REFERS traduit les radiographies en rapports textuels en encodant d’abord les radiographies dans une représentation intermédiaire, qui est ensuite utilisée pour prédire les rapports textuels via un réseau de décodeurs. Une fonction de coût est définie pour mesurer la similarité entre les textes de rapport prédits et réels, sur la base de laquelle une optimisation basée sur le gradient est utilisée pour former le réseau neuronal et mettre à jour ses pondérations.

En ce qui concerne la deuxième tâche, REFERS encode d’abord les radiographies et les rapports en texte libre dans le même espace sémantique, où les représentations de chaque rapport et ses radiographies associées sont alignées via un apprentissage contrastif.

“Par rapport aux méthodes conventionnelles qui reposent fortement sur des annotations humaines, REFERS a la capacité d’acquérir une supervision à partir de chaque mot dans les rapports de radiologie. Nous pouvons réduire considérablement la quantité d’annotations de données de 90 % et le coût de construction de l’intelligence artificielle médicale. Cela marque une étape importante vers la réalisation de l’intelligence artificielle médicale généralisée », a déclaré le premier auteur de l’article, le Dr ZHOU Hong-Yu.

Source de l’histoire :

Matériaux fourni par L’Université de Hong-Kong. Remarque : Le contenu peut être modifié pour le style et la longueur.