La ricerca può essere primo punto nello sfruttamento della potenza di intelligenza artificiale interpretare le scansioni mediche

I ricercatori hanno usato le tecniche di apprendimento automatico, compreso gli algoritmi del linguaggio naturale di trattamento, per identificare i concetti clinici nei rapporti del radiologo per le scansioni di CT, secondo gli studi intrapresi alla scuola di medicina di Icahn al monte Sinai e pubblicati oggi in radiologia del giornale. La tecnologia è un primo punto importante nello sviluppo di intelligenza artificiale che potrebbe interpretare le scansioni e diagnosticare le circostanze.

Da un BANCOMAT che legge la scrittura su un assegno a Facebook che suggerisce un tag della foto per un amico, il dispositivo ottico del computer alimentato da intelligenza artificiale è sempre più comune nella vita quotidiana. L'intelligenza artificiale ha potuto i radiologi di guida giorna interpretare i raggi x, le scansioni (CT) di tomografia computerizzata e gli studi (MRI) di imaging a risonanza magnetica. Ma affinchè la tecnologia sia efficace nell'arena medica, il software deve “essere insegnato„ alla differenza fra uno studio normale ed i risultati anormali.

Questo studio ha mirato a preparare questa tecnologia come capire i rapporti del testo scritti dai radiologi. I ricercatori hanno creato una serie di algoritmi per insegnare ai cluster del computer delle frasi. Gli esempi della terminologia hanno compreso le parole come il fosfolipide, il bruciore di stomaco e la colonoscopia.

I ricercatori hanno preparato il software facendo uso di 96.303 rapporti del radiologo connessi con le scansioni cape di CT eseguite all'ospedale di monte Sinai ed al Queens di monte Sinai fra 2010 e 2016. Per caratterizzare “la complessità lessicale„ dei rapporti del radiologo, i ricercatori hanno calcolato la metrica che ha riflesso la varietà di linguaggio utilizzata in questi rapporti ed ha confrontato questi ad altre ampie raccolte di testo: migliaia di libri, di storie di notizie Reuters, di note del medico del ricoverato e rassegne di prodotto di Amazon.

“Il linguaggio utilizzato nella radiologia ha una struttura naturale, che lo rende favorevole all'apprendimento automatico,„ dice l'autore Eric senior Oermann, il MD, istruttore nel dipartimento di neurochirurgia alla scuola di medicina di Icahn al monte Sinai. “I modelli di apprendimento automatico sviluppati sopra i gruppi di dati radiologici massicci del testo possono facilitare l'addestramento ai dei sistemi basati a intelligenza artificiali futuri per analizzare le immagini radiologiche.„

In profondità imparare descrive una sottocategoria di apprendimento automatico che usa i livelli multipli di reti neurali (sistemi informatici che imparano progressivamente) per eseguire l'illazione, richiedente un gran numero di dati di addestramento di raggiungere l'alta precisione. Le tecniche utilizzate in questo studio piombo ad un'accuratezza di 91 per cento, dimostrante che è possibile identificare automaticamente i concetti in testo dal dominio complesso della radiologia.

“Lo scopo finale è di creare gli algoritmi che aiutano esattamente medici a diagnosticare i pazienti,„ dice primo l'autore John Zech, uno studente di medicina alla scuola di medicina di Icahn al monte Sinai. “In profondità imparare ha molte applicazioni potenziali in radiologia -; triaging per identificare gli studi che richiedono la valutazione immediata, deboli le parti anormali della rappresentazione a sezione trasversale per ulteriore esame, caratterizzante ammassa interessare per la malignità -; e quelle applicazioni richiederanno molti esempi di formazione contrassegnati.„

“La ricerca come questa trasforma i grandi dati nei dati utili ed è il primo punto critico nello sfruttamento della potenza di intelligenza artificiale aiutare i pazienti,„ dice la presidenza del co-author Joshua Bederson, di MD, di professore e del sistema di studio per il dipartimento di neurochirurgia al sistema di salubrità di monte Sinai ed a Direttore clinico della memoria di simulazione di neurochirurgia.

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