La recherche peut être première étape en armant le pouvoir de l'artificial intelligence d'interpréter des échographies médicales

Les chercheurs avaient l'habitude des techniques d'apprentissage automatique, y compris des algorithmes de traitement du langage naturel, pour recenser des concepts cliniques dans des états de radiologue pour des échographies de CT, selon une étude entreprise à l'École de Médecine d'Icahn au mont Sinaï et à l'aujourd'hui publié en radiologie de tourillon. La technologie est une première étape importante dans le développement de l'artificial intelligence qui pourrait interpréter des échographies et diagnostiquer des conditions.

D'une écriture du relevé d'ATM sur une vérification à Facebook proposant une balise de photo pour un ami, la visibilité d'ordinateur actionnée par artificial intelligence est de plus en plus courante dans la vie quotidienne. L'artificial intelligence a pu aide jour des radiologues interpréter des rayons X, des échographies (CT) de tomodensitométrie, et des études (MRI) d'imagerie par résonance magnétique. Mais pour que la technologie soit efficace dans l'arène médicale, on doit « enseigner » le logiciel la différence entre une étude normale et des découvertes anormales.

Cette étude a visé à former cette technologie comment comprendre des états des textes rédigés par des radiologues. Les chercheurs ont produit une suite d'algorithmes pour enseigner les boîtiers d'ordinateur des expressions. Les exemples de la terminologie ont compris des mots comme le phospholipide, la brûlure d'estomac, et la coloscopie.

Les chercheurs ont formé le logiciel utilisant 96.303 états de radiologue liés aux échographies principales de CT exécutées à l'hôpital de mont Sinaï et au Queens de mont Sinaï entre 2010 et 2016. Pour caractériser « la complexité lexicologique » des états de radiologue, les chercheurs ont prévu la métrique qui a réfléchi la variété de langage utilisée dans ces états et comparée ceux-ci à d'autres grandes collections de texte : milliers révisions des livres, des articles de Reuters, des notes de médecin de malade hospitalisé, et d'Amazone de produit.

« Le langage utilisé en radiologie a une structure naturelle, qui le rend favorable à l'apprentissage automatique, » dit l'auteur Éric supérieur Oermann, DM, instructeur au Service de Neurochirurgie à l'École de Médecine d'Icahn au mont Sinaï. Les « modèles d'apprentissage automatique établis sur des ensembles de données radiologiques massifs des textes peuvent faciliter la formation de futurs systèmes renseignement renseignement artificiels pour analyser des images radiologiques. »

Apprendre profondément décrit une sous-catégorie d'apprentissage automatique qui emploie des couches multiples de réseaux neuronaux (systèmes informatiques qui apprennent graduel) pour exécuter l'inférence, exigeant d'un grand nombre de caractéristiques de formation de réaliser de grande précision. Les techniques utilisées dans cette étude ont mené à une exactitude de 91 pour cent, expliquant qu'il est possible de recenser automatiquement des concepts en texte du domaine complexe de la radiologie.

« L'objectif ultime est de produire les algorithmes qui aident des médecins exactement à diagnostiquer des patients, » dit le premier l'auteur John Zech, un étudiant en médecine à l'École de Médecine d'Icahn au mont Sinaï. « Apprendre profondément a beaucoup d'applications possibles en radiologie - ; triaging pour recenser les études qui exigent le bilan immédiat, marquant les parties anormales de représentation transversale pour davantage de révision, caractérisant amasse concerner pour la malignité - ; et ces applications exigeront beaucoup d'exemples s'exerçants marqués. »

La « recherche comme ceci transforme de grandes caractéristiques en informations utiles et est la première étape critique en armant le pouvoir de l'artificial intelligence d'aider des patients, » dit la présidence de co-auteur Joshua Bederson, de DM, de professeur et de système d'étude pour le Service de Neurochirurgie au système de santé de mont Sinaï et au directeur clinique du faisceau de simulation de neurochirurgie.

Source : http://www.mountsinai.org/about/newsroom/2018/machine-learning-techniques-generate-clinical-labels-of-medical-scans