La investigación puede ser primer paso en el aprovechamiento de potencia de la inteligencia artificial de interpretar exploraciones médicas

Los investigadores utilizaron técnicas de aprendizaje de máquina, incluyendo algoritmos del tramitación de lenguaje natural, para determinar conceptos clínicos en los partes del radiólogo para las exploraciones del CT, según un estudio conducto en la Facultad de Medicina de Icahn en el monte Sinaí y publicado hoy en la radiología del gorrón. La tecnología es un primer paso importante en el revelado de la inteligencia artificial que podría interpretar exploraciones y diagnosticar condiciones.

De una escritura de la lectura de la atmósfera en una verificación a Facebook que sugiere una etiqueta de la foto para un amigo, la visión de computador movida por motor por inteligencia artificial es cada vez más común en vida de cada día. La inteligencia artificial podía los radiólogos de ayuda día interpretar radiografías, exploraciones de la tomografía (CT) calculada, y estudios de resonancia magnética (MRI) de la proyección de imagen. Pero para que la tecnología sea efectiva en la arena médica, los programas informáticos se deben “enseñar” a la diferencia entre un estudio normal y conclusión anormales.

Este estudio apuntó entrenar a esta tecnología cómo entender los partes del texto escritos por los radiólogos. Los investigadores crearon una serie de algoritmos para enseñar a los atados de la computador de frases. Los ejemplos de la terminología incluyeron palabras como el fosfolípido, el ardor de estómago, y la colonoscopia.

Los investigadores entrenaron a los programas informáticos usando 96.303 partes del radiólogo asociados a las exploraciones del CT de la culata de cilindro realizadas en el hospital del monte Sinaí y el Queens del monte Sinaí entre 2010 y 2016. Para caracterizar la “complejidad léxica” de los partes del radiólogo, los investigadores calculaban las métricas que reflejaron la variedad de lenguaje usada en estos partes y compararon éstos a otras colecciones grandes de texto: millares de libros, de noticias de Reuters, de notas del médico el hospitalizado, y revistas del producto del Amazonas.

“El lenguaje usado en radiología tiene una estructura natural, que hace favorable al aprendizaje de máquina,” dice autor a Eric mayor Oermann, Doctor en Medicina, instructor en el departamento de la neurocirugía en la Facultad de Medicina de Icahn en el monte Sinaí. “Los modelos del aprendizaje de máquina construidos sobre grupos de datos radiológicos masivos del texto pueden facilitar el entrenamiento de los sistemas inteligencia-basados artificiales futuros para analizar imágenes radiológicas.”

Profundamente el aprendizaje describe una subcategoría del aprendizaje de máquina que las capas múltiples de las aplicaciones de las redes neuronales (sistemas informáticos que aprenden progresivamente) realizar la inferencia, requiriendo una gran cantidad de datos del entrenamiento lograr alta exactitud. Las técnicas usadas en este estudio llevaron a una exactitud del 91 por ciento, demostrando que es posible determinar automáticamente conceptos en texto del dominio complejo de la radiología.

“El objetivo último es crear los algoritmos que ayudan a doctores exacto a diagnosticar a pacientes,” dice a primer autor Juan Zech, estudiante de medicina en la Facultad de Medicina de Icahn en el monte Sinaí. “Profundamente el aprendizaje tiene muchos usos potenciales en radiología -; el triaging para determinar los estudios que requieren la evaluación inmediata, señalando partes por medio de una bandera anormales de proyección de imagen seccionada transversalmente para la revista adicional, caracterizando forma tratar para la malignidad -; y esos usos requerirán muchos ejemplos de entrenamiento etiqueta.”

La “investigación como esto gira datos grandes en datos útiles y es el primer paso crítico en el aprovechamiento de la potencia de la inteligencia artificial de ayudar a pacientes,” dice la silla del co-autor Joshua Bederson, del Doctor en Medicina, del profesor y del sistema del estudio para el departamento de la neurocirugía en el sistema de la salud del monte Sinaí y el director clínico de la base de la simulación de la neurocirugía.

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