تصویربرداری پزشکی بخش مهمی از مراقبت های بهداشتی مدرن است که دقت، قابلیت اطمینان و توسعه درمان بیماری های مختلف را افزایش می دهد. هوش مصنوعی نیز به طور گسترده ای برای بهبود بیشتر این فرآیند مورد استفاده قرار گرفته است.
با این حال، تشخیص تصویر پزشکی مرسوم با استفاده از الگوریتم‌های هوش مصنوعی به مقادیر زیادی حاشیه‌نویسی به عنوان سیگنال‌های نظارتی برای آموزش مدل نیاز دارد. برای به دست آوردن برچسب‌های دقیق برای الگوریتم‌های هوش مصنوعی – رادیولوژیست‌ها، به عنوان بخشی از روال بالینی، گزارش‌های رادیولوژی را برای هر یک از بیماران خود آماده می‌کنند و به دنبال آن کارکنان حاشیه‌نویسی برچسب‌های ساختاری را از آن گزارش‌ها استخراج و با استفاده از قوانین تعریف‌شده توسط انسان و پردازش زبان طبیعی موجود استخراج می‌کنند. ابزارهای (NLP) دقت نهایی برچسب های استخراج شده به کیفیت کار انسان و ابزارهای مختلف NLP بستگی دارد. این روش بهای سنگینی دارد، زیرا هم کار فشرده و هم زمان بر است.
یک تیم مهندسی در دانشگاه هنگ کنگ (HKU) رویکرد جدیدی به نام «ارجاع» (بازبینی گزارش‌های متن آزاد برای نظارت) ایجاد کرده‌اند که می‌تواند هزینه‌های انسانی را تا ۹۰ درصد کاهش دهد و امکان دریافت خودکار سیگنال‌های نظارتی از صدها نفر را فراهم کند. دقت بالایی در پیش‌بینی‌ها به دست می‌آورد و از همتای خود در تشخیص تصویر پزشکی معمولی با استفاده از الگوریتم‌های هوش مصنوعی پیشی می‌گیرد.
پروفسور YU Yizhou، رهبر این مرکز گفت: تشخیص تصویر پزشکی مبتنی بر هوش مصنوعی این پتانسیل را دارد که از متخصصان پزشکی در کاهش حجم کاری و بهبود کارایی و دقت تشخیصی، از جمله کاهش زمان تشخیص و تشخیص الگوهای بیماری‌های ظریف، پشتیبانی کند.
برای آموزش REFERS، تیم تحقیقاتی از یک پایگاه داده عمومی با ۳۷۰۰۰۰ تصویر اشعه ایکس و گزارشات رادیولوژی مرتبط، در مورد ۱۴ بیماری شایع قفسه سینه از جمله آتلکتازی، کاردیومگالی، پلورال افیوژن، پنومونی و پنوموتوراکس استفاده می کند. محققان تنها با استفاده از ۱۰۰ رادیوگرافی موفق به ساخت یک مدل تشخیص رادیوگرافی شدند و دقت ۸۳ درصدی را در پیش بینی ها به دست آوردند. وقتی این تعداد به ۱۰۰۰ افزایش یافت، مدل آنها عملکرد شگفت‌انگیزی با دقت ۸۸.۲% از خود نشان می‌دهد که از همتای خود که با ۱۰۰۰۰ حاشیه‌نویسی رادیولوژیست آموزش دیده (با دقت ۸۷.۶%) پیشی می‌گیرد. هنگامی که از ۱۰۰۰۰ رادیوگرافی استفاده شد، دقت ۹۰.۱٪ است. به طور کلی، دقت بالای ۸۵ درصد در پیش بینی ها در کاربردهای بالینی در دنیای واقعی مفید است.
