Terwijl miljoenen diagnostisch onderzoeken worden jaarlijks uitgevoerd, röntgenfoto's van de borst spelen een cruciale rol bij het diagnosticeren van verschillende ziekten. Maar het nut hiervan kan beperkt zijn vanwege de uitdagingen bij de interpretatie die een grondige en snelle evaluatie van 2D-beelden van complexe, 3D-organen en ziekteprocessen vereisen. Soms kunnen belangrijke details over het hoofd worden gezien door röntgenfoto's van de borstkas, wat resulteert in nadelige resultaten voor patiënten.
Recente inspanningen hebben de longen verbeterd kanker detectie in de radiologie, differentiële diagnose in de dermatologie en gradatie van prostaatkanker in de pathologie. En het verkrijgen van nauwkeurige klinische labels voor de deep learning-modellen voor röntgeninterpretatie.
De meeste inspanningen hebben op regels gebaseerde verwerking van natuurlijke taal toegepast op radiologierapporten of op basis van beeldbeoordeling door lezers. Uiteindelijk kunnen beide inconsistenties introduceren, wat problematisch kan zijn op het moment van modelevaluatie.
Deep learning-modellen om uitdagingen op te lossen!
In een poging dit op te lossen, onderzoekers van Kopen Google Reviews bedachte Artificial Intelligence modellen om vier bevindingen op röntgenfoto's van de menselijke borst te herkennen. Vooruitgang in machine learning biedt een kans om nieuwe tools te creëren om experts te helpen medische beelden te interpreteren. In het journaal Radiologie, werden de deep learning-modellen voor thoraxfoto's gepubliceerd.
De team ontwikkelde deep learning-modellen voor vier belangrijke klinische vondsten zoals pneumothorax (ingeklapte longen), knobbeltjes en massa's, luchtruimopaciteiten (vulling van de longboom met materiaal) en fracturen. Deze werden gekozen in overleg met klinische collega's en radiologen om zich te concentreren op aandoeningen die van cruciaal belang zijn voor de patiëntenzorg.
Deze deep learning-modellen werden geëvalueerd met behulp van enkele duizenden afbeeldingen uit de dataset waarvoor de hoogwaardige labels zijn verzameld met behulp van een panelgebaseerd beoordelingsproces onder radialologen die door de raad zijn gecertificeerd. Later zijn de opgehouden beelden onafhankelijk beoordeeld door afzonderlijke radiologen om er zeker van te zijn dat ze juist zijn.
De team maakte gebruik van meer dan 600,000 afbeeldingen afkomstig van twee geanonimiseerde datasets. De eerste is ontwikkeld in samenwerking met co-auteurs van de Apollo-ziekenhuizen en bevat een gevarieerde reeks röntgenfoto's van de borstkas die gedurende meerdere jaren zijn verzameld uit het ziekenhuisnetwerk op verschillende locaties. De tweede is publiekelijk vrijgegeven door de National Institutes of Health en diende als een essentiële bron voor machine learning-inspanningen. Maar hetzelfde heeft beperkingen met betrekking tot nauwkeurigheid en klinische interpretatie van beschikbare labels.
Hoogwaardige referentiestandaardlabels
Om referentiestandaardlabels van hoge kwaliteit te genereren voor modelevaluatie, de team heeft gebruik gemaakt van een op een panel gebaseerd beoordelingsproces. Tijdens dit proces beoordeelden drie radiologen de beelden van de laatste melodie en de testset en bespraken meningsverschillen via discussie. Het laat moeilijke bevindingen die alleen door een enkele radioloog werden gedetecteerd, detecteren en documenteren. Later vonden de discussies anoniem plaats via een jury- of online discussiesysteem.
Google merkt op dat hoewel de modellen over het algemeen een nauwkeurigheid op expertniveau bereikten, de prestaties varieerden op basis van de corpora. De gevoeligheid voor het detecteren van penumothorax onder radiologen was bijvoorbeeld bijna 79% voor thoraxfoto's14 en slechts 52% voor dezelfde radiologen in andere datasets.
De team hoopt de basis te leggen voor uitzonderlijke methoden met een corpus van de beoordeelde labels voor de ChestX-ray14 dataset die ze beschikbaar hebben gemaakt in open source. Deze comprises 2,412 trainings- en validatiesetbeelden en 1,962 testsetbeelden of 4,372 beelden in totaal.
Stock foto van creëren jobs 51/Sutterstock
Blijf op de hoogte Silicon Canals voor meer Europese technologie news.