Alors que des millions de diagnostique examens sont effectués chaque année, les radiographies pulmonaires jouent un rôle essentiel dans le diagnostic de plusieurs maladies. Mais l'utilité de la même chose peut être limitée en raison des défis d'interprétation qui nécessitent une évaluation approfondie et rapide de l'image 2D représentant des organes complexes, 3D et des processus pathologiques. Parfois, des détails importants peuvent être manqués par les radiographies pulmonaires, ce qui entraîne des résultats indésirables pour les patients.
Des efforts récents ont amélioré les poumons cancer détection en radiologie, diagnostic différentiel en dermatologie et classement du cancer de la prostate en pathologie. Et, obtenir des étiquettes cliniques précises pour les modèles d'apprentissage en profondeur pour l'interprétation des rayons X.
La plupart des efforts ont appliqué le traitement du langage naturel basé sur des règles aux rapports de radiologie ou sur la base de l'examen d'images par les lecteurs. Finalement, les deux pourraient introduire des incohérences, qui peuvent être problématiques au moment de l'évaluation du modèle.
Des modèles d'apprentissage en profondeur pour résoudre les défis !
Afin de résoudre ce problème, des chercheurs de Google Conçu Artificial Intelligence modèles pour repérer quatre découvertes sur des radiographies pulmonaires humaines. Les progrès de l'apprentissage automatique offrent l'opportunité de créer de nouveaux outils pour aider les experts à interpréter les images médicales. Dans la revue Radiologie, les modèles d'apprentissage en profondeur pour la radiographie thoracique ont été publiés.
La team développé des modèles d'apprentissage en profondeur pour quatre découvertes cliniques importantes telles que le pneumothorax (poumons effondrés), les nodules et les masses, les opacités de l'espace aérien (remplissage de l'arbre pulmonaire avec du matériel) et les fractures. Celles-ci ont été choisies en consultation avec des collègues cliniciens et des radiologues pour se concentrer sur les conditions critiques pour les soins aux patients.
Ces modèles d'apprentissage en profondeur ont été évalués à l'aide de plusieurs milliers d'images détenues à partir de l'ensemble de données pour lequel les labels de haute qualité ont été collectés à l'aide d'un processus d'arbitrage basé sur un panel parmi les radialologues certifiés par le conseil. Plus tard, les images retenues ont été examinées indépendamment par des radiologues distincts pour s'assurer qu'elles sont exactes.
La team a exploité plus de 600,000 XNUMX images provenant de deux ensembles de données anonymisés. Le premier a été développé avec des co-auteurs des hôpitaux Apollo et dispose d'un ensemble diversifié de radiographies pulmonaires recueillies sur plusieurs années à partir du réseau hospitalier à travers les emplacements. Le second a été rendu public par les National Institutes of Health et a servi de ressource vitale pour les efforts d'apprentissage automatique. Mais la même chose a des limites liées à l'exactitude et à l'interprétation clinique des étiquettes disponibles.
Étiquettes standard de référence de haute qualité
Afin de générer des étiquettes standard de référence de haute qualité pour l'évaluation des modèles, le team a utilisé un processus d'adjudication par panel. Au cours de ce processus, trois radiologues ont examiné les images finales de réglage et de test et ont résolu les désaccords par la discussion. Il a permis de détecter et de documenter des découvertes difficiles qui n'ont été détectées que par un seul radiologue. Plus tard, les discussions ont eu lieu de manière anonyme via un système d'arbitrage ou de discussion en ligne.
Google note que si les modèles atteignaient une précision globale de niveau expert, les performances variaient en fonction des corpus. Par exemple, la sensibilité pour détecter le pénumothorax chez les radiologues était de près de 79 % pour les images ChestX-ray14 et de seulement 52 % pour les mêmes radiologues dans d'autres ensembles de données.
La team espère jeter les bases de méthodes exceptionnelles avec un corpus d'étiquettes jugées pour l'ensemble de données ChestX-ray14 qu'ils ont mis à disposition en open source. Cette maquetterises 2,412 1,962 images d'ensembles de formation et de validation et 4,372 XNUMX images d'ensembles de test ou XNUMX XNUMX images au total.
Photo de créer jobs 51/Shutterstock
Restez à l'écoute Silicon Canals pour plus de technologie européenne news.