Utilizzo dell’intelligenza artificiale e dei vecchi report per comprendere nuove immagini mediche

Utilizzo dell'intelligenza artificiale e dei vecchi report per comprendere nuove immagini mediche
Un esempio di coppia immagine-testo di una radiografia del torace e il relativo referto radiologico. Credito: Massachusetts Institute of Technology

Ottenere una lettura rapida e accurata di una radiografia o di altre immagini mediche può essere vitale per la salute di un paziente e potrebbe persino salvare una vita. L’ottenimento di tale valutazione dipende dalla disponibilità di un radiologo esperto e, di conseguenza, non sempre è possibile una risposta rapida. Per questo motivo, afferma Ruizhi “Ray” Liao, postdoc e neolaureato con un dottorato di ricerca presso il Computer Science and Artificial Intelligence Laboratory (CSAIL) del MIT, “vogliamo addestrare macchine in grado di riprodurre ciò che i radiologi fanno ogni giorno”. Liao è il primo autore di un nuovo documento, scritto con altri ricercatori del MIT e degli ospedali dell’area di Boston, che verrà presentato questo autunno al MICAI 2021, una conferenza internazionale sul calcolo delle immagini mediche.

Sebbene l’idea di utilizzare i computer per interpretare le immagini non sia nuova, il gruppo guidato dal MIT sta attingendo a una risorsa sottoutilizzata (il vasto corpo di rapporti di radiologia che accompagnano le immagini mediche, scritti da radiologi nella pratica clinica di routine) per migliorare le capacità interpretative di algoritmi di apprendimento automatico. Il team sta anche utilizzando un concetto della teoria dell’informazione chiamato informazione reciproca, misura statistica dell’interdipendenza di due diverse variabili, al fine di aumentare l’efficacia del loro approccio.

Ecco come funziona: in primo luogo, una rete neurale viene addestrata per determinare l’estensione di una malattia, come l’edema polmonare, presentando numerose immagini a raggi X dei polmoni dei pazienti, insieme alla valutazione di un medico della gravità di ciascun caso . Tali informazioni sono incapsulate all’interno di una raccolta di numeri. Una rete neurale separata fa lo stesso per il testo, rappresentando le sue informazioni in una diversa raccolta di numeri. Una terza rete neurale integra poi le informazioni tra immagini e testo in modo coordinato che massimizza le informazioni reciproche tra i due dataset. “Quando l’informazione reciproca tra immagini e testo è elevata, ciò significa che le immagini sono altamente predittive del testo e il testo è altamente predittivo delle immagini”, spiega la professoressa del MIT Polina Golland, ricercatrice principale presso CSAIL.

Liao, Golland e i loro colleghi hanno introdotto un’altra innovazione che conferisce diversi vantaggi: invece di lavorare con immagini intere e referti radiologici, suddividono i referti in singole frasi e nelle porzioni di quelle immagini a cui le frasi si riferiscono. Facendo le cose in questo modo, dice Golland, “stima la gravità della malattia in modo più accurato rispetto a se si visualizza l’intera immagine e l’intero rapporto. E poiché il modello sta esaminando pezzi di dati più piccoli, può imparare più facilmente e ha più campioni da addestrare Su.”

Sebbene Liao trovi affascinanti gli aspetti informatici di questo progetto, una delle sue motivazioni principali è “sviluppare una tecnologia che sia clinicamente significativa e applicabile al mondo reale”.

Il modello potrebbe avere un’applicabilità molto ampia, secondo Golland. “Potrebbe essere utilizzato per qualsiasi tipo di immagine e testo associato, all’interno o all’esterno del regno medico. Questo approccio generale, inoltre, potrebbe essere applicato al di là delle immagini e del testo, il che è eccitante a cui pensare”.


Esplora ulteriormente

Anticipare lo scompenso cardiaco con il machine learning


Maggiori informazioni: Ruizhi Liao et al, Apprendimento della rappresentazione multimodale tramite la massimizzazione delle informazioni reciproche locali, arXiv:2103.04537v3 [cs.CV] arxiv.org/abs/2103.04537 Fornito dal Massachusetts Institute of Technology Citazione: Utilizzo dell’intelligenza artificiale e dei vecchi rapporti per comprendere nuove immagini mediche (2021, 27 settembre) recuperate il 19 ottobre 2021 da https://techxplore.com/news/2021-09-ai-medical-images.html Questo documento è soggetto a copyright. Salvo ogni correttezza per fini di studio o ricerca privati, nessuna parte può essere riprodotta senza autorizzazione scritta. Il contenuto è fornito solo a scopo informativo. 197 azioni

Feedback agli editori


Un metodo online per assegnare compiti ai robot di un team durante scenari di disastri naturali

3 ore fa

In che modo l’intelligenza artificiale interrompe il fattore di potenza su un motore da lavoro industriale

4 ore fa

La scansione lato client è come un bug nelle nostre tasche

4 ore fa

Nuova soluzione per dispositivi di trasferimento wireless a basso costo, leggeri e compatti

4 ore fa

L’energia solare può essere economica e affidabile in tutta la Cina entro il 2060, secondo una ricerca

8 ore fa

I ricercatori costruiscono con successo sciami di robot a quattro zampe

23 ore fa

Come il cervello naviga nelle città: sembriamo programmati per calcolare non il percorso più breve ma quello “più appuntito”

18 ottobre 2021

Carica commenti (0)

© Tech Xplore 2014 – 2021 powered by Science X Network Informativa sulla privacy Condizioni d’uso

La tua privacy

Questo sito utilizza i cookie per facilitare la navigazione, analizzare l’utilizzo dei nostri servizi, raccogliere dati per la personalizzazione degli annunci e fornire contenuti di terze parti. Utilizzando il nostro sito, dichiari di aver letto e compreso la nostra Informativa sulla privacy e le Condizioni d’uso.

Sono d’accordo con le opzioni sui cookie

Leave a Reply