A pesquisa pode ser primeira etapa em aproveitar a potência da inteligência artificial interpretar varreduras médicas

Os pesquisadores usaram as técnicas de aprendizagem da máquina, incluindo algoritmos do processamento de linguagem natural, para identificar conceitos clínicos em relatórios do radiologista para varreduras do CT, de acordo com um estudo conduzido na Faculdade de Medicina de Icahn no monte Sinai e publicado hoje na radiologia do jornal. A tecnologia é uma primeira etapa importante na revelação da inteligência artificial que poderia interpretar varreduras e diagnosticar circunstâncias.

De uma escrita da leitura do ATM em uma verificação a Facebook que sugere uma etiqueta da foto para um amigo, a visão de computador posta pela inteligência artificial é cada vez mais comum no dia-a-dia. A inteligência artificial podia radiologistas de ajuda dia interpretar raios X, varreduras (CT) do tomografia computorizada, e estudos (MRI) da ressonância magnética. Mas para que a tecnologia seja eficaz na arena médica, o software informático deve “ser ensinado” a diferença entre um estudo normal e uns resultados anormais.

Este estudo apontou treinar esta tecnologia como compreender os relatórios do texto escritos por radiologistas. Os pesquisadores criaram uma série de algoritmos para ensinar os conjuntos do computador de frases. Os exemplos da terminologia incluíram palavras como o phospholipid, a azia, e a colonoscopia.

Os pesquisadores treinaram o software informático usando 96.303 relatórios do radiologista associados com as varreduras do CT da cabeça executadas no hospital do monte Sinai e em um Queens do monte Sinai entre 2010 e 2016. Para caracterizar “a complexidade lexical” de relatórios do radiologista, os pesquisadores calcularam o medidor que reflectiu a variedade de língua usada nestes relatórios e comparou estes a outras grandes coleções do texto: milhares de livros, de notícias de Reuters, de notas do médico da paciente internado, e de produto das Amazonas revisões.

“A língua usada na radiologia tem uma estrutura natural, que faça favorável à aprendizagem de máquina,” diz autor Eric superior Oermann, DM, instrutor no departamento da neurocirurgia na Faculdade de Medicina de Icahn no monte Sinai. De “os modelos da aprendizagem máquina construídos em cima dos conjunto de dados radiológicos maciços do texto podem facilitar o treinamento dos sistemas inteligência-baseados artificiais futuros para analisar imagens radiológicas.”

Profundamente aprender descreve uma subcategoria da aprendizagem de máquina que camadas múltiplas dos usos de redes neurais (sistemas informáticos que aprendem progressivamente) executar a inferência, exigindo grandes quantidades de dados do treinamento conseguir a precisão alta. As técnicas usadas neste estudo conduziram a uma precisão de 91 por cento, demonstrando que é possível identificar automaticamente conceitos no texto do domínio complexo da radiologia.

“O objectivo último é criar os algoritmos que ajudam doutores exactamente a diagnosticar pacientes,” diz primeiro autor John Zech, uma estudante de Medicina na Faculdade de Medicina de Icahn no monte Sinai. “Profundamente aprender tem muitas aplicações potenciais na radiologia -; triaging para identificar os estudos que exigem a avaliação imediata, embandeirando partes anormais da imagem lactente de secção transversal para uma revisão mais adicional, caracterizando reune a referência para a malignidade -; e aquelas aplicações exigirão muitos exemplos de formação etiquetados.”

A “pesquisa como esta transforma dados grandes em dados úteis e é a primeira etapa crítica em aproveitar a potência da inteligência artificial ajudar pacientes,” diz a cadeira do co-autor Joshua Bederson, da DM, do professor e do sistema do estudo para o departamento da neurocirurgia no sistema da saúde do monte Sinai e no director clínico do núcleo da simulação da neurocirurgia.

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