ИИ использовал медицинские заметки, чтобы научиться распознавать болезни на рентгенограммах грудной клетки

Проанализировав тысячи рентгеновских снимков грудной клетки и сопровождающие их клинические отчеты, искусственный интеллект научился выявлять заболевания на этих снимках так же точно, как рентгенолог-человек.

Большинство современных диагностических моделей искусственного интеллекта обучаются на сканах, помеченных человеком, но процесс пометки занимает много времени. Новая модель, названная CheXzero, может вместо этого «учиться» самостоятельно из существующих медицинских отчетов, написанных специалистами по естественному языку.

Результаты показывают, что нет необходимости маркировать рентгеновские снимки для обучения моделей ИИ интерпретации медицинских изображений, что может сэкономить время и деньги.

Группа исследователей из Гарвардской медицинской школы обучила модель CheXzero на общедоступном наборе данных из более чем 377 000 рентгенограмм грудной клетки и более 227 000 соответствующих клинических отчетов. Это научило его связывать определенные типы изображений с их существующими заметками, а не учиться на структурированных данных, которые были вручную помечены для задачи.

Затем производительность CheXzero была протестирована на отдельных наборах данных из двух разных учреждений, одно из которых находится в другой стране, чтобы убедиться, что оно может сопоставлять изображения с соответствующими оценками, даже если отчеты содержат различную терминологию.

Исследование, описанное в журнале Nature Biomedical Engineering, показало, что эта модель лучше выявляет такие проблемы, как пневмония, коллапс легкого и травмы, чем другие модели искусственного интеллекта с самоконтролем. Фактически, его точность была аналогична точности рентгенологов.

В то время как другие пытались использовать неструктурированные медицинские данные таким образом, модель искусственного интеллекта команды впервые извлекла уроки из неструктурированного текста и сравнялась с результатами рентгенологов и продемонстрировала свою способность прогнозировать несколько заболеваний на основе заданного x. . -ray с высокой степенью точности, — говорит Экин Тиу, студентка бакалавриата Стэнфордского университета и приглашенный ученый, соавтор отчета.

"Мы первыми сделали это и эффективно продемонстрировали это в этой области", — говорит он.

Код модели был предоставлен другим исследователям в надежде, что его можно будет применить к компьютерной томографии, МРТ и эхокардиограмме, чтобы помочь выявить более широкий спектр заболеваний в других частях тела, — говорит Пранав Раджпуркар, доцент. биомедицинской информатики в Институте Блаватника Гарвардской медицинской школы, который руководил проектом.

"Мы надеемся, что люди смогут применять эти готовые данные к другим наборам данных рентгенографии грудной клетки и другим интересующим их заболеваниям", – говорит он.

Раджпуркар также с оптимизмом смотрит на то, что диагностические модели ИИ, требующие минимального контроля, могут помочь расширить доступ к здравоохранению в странах и сообществах, где не хватает специалистов.

"Имеет смысл использовать более подробный обучающий сигнал из отчетов", – говорит Кристиан Лейбиг, директор по машинному обучению в немецком стартапе Vara, который использует искусственный интеллект для выявления рака молочной железы. "Достичь такого уровня производительности - большое достижение."