L'IA diagnostique une maladie pulmonaire sur la base des rayons X

L’IA diagnostique une maladie pulmonaire sur la base des rayons X

Accueil » Psychologie » Troubles mentaux » Adulte » L’IA diagnostique une maladie pulmonaire sur la base des rayons X

Les chercheurs de Skoltech ont formé un réseau de neurones pour rechercher des pathologies pulmonaires sur des images radiographiques et proposer de brèves descriptions verbales pour les accompagner. Cette tâche est actuellement effectuée par des médecins et prend plusieurs minutes. Selon les créateurs de la solution d’intelligence artificielle, la technologie abaisse ce temps à environ 30 secondes lorsqu’aucune révision de texte considérable n’est requise. Dans la plupart des cas, le radiologue n’a qu’à confirmer le diagnostic suggéré – par exemple, fibrose, hypertrophie cardiaque ou suspicion de tumeur maligne – ou son absence. L’étude a été publiée dans Rapports scientifiques.

La solution s’appuie sur des modèles modernes de vision artificielle et de linguistique informatique, y compris GPT-3 small, le prédécesseur des très populaires modèles GPT-3.5 et GPT-4 disponibles via le bot ChatGPT.

“Les modèles réguliers ne font que classer, mais notre réseau de neurones s’appuie sur des modèles avancés de vision artificielle et de linguistique informatique pour décrire automatiquement les images radiographiques avec des mots”, a commenté l’un de ses créateurs, le chercheur scientifique de Skoltech, Oleg Rogov.

Le réseau de neurones est formé sur des données composées de paires image-texte. “Nous avons compilé notre propre dictionnaire radiologique pour rendre le modèle plus précis, en particulier en ce qui concerne les termes radiologiques et leur utilisation dans les textes. Naturellement, nous avons également constitué une grande base de données intégrée d’images radiographiques à utiliser comme données de formation”, a ajouté Rogov. , soulignant que le réseau neuronal n’est “conscient” que des diagnostics qui peuvent réellement se manifester sur les radiographies pulmonaires. L’ensemble de formation était équilibré en termes de maladies représentées.

Les possibilités de développement ultérieur du système comprennent son application aux IRM et aux tomodensitogrammes, ainsi que l’intégration de l’apprentissage actif. Ce dernier fait référence à des modèles améliorant leurs prédictions en tenant compte des modifications apportées par les réviseurs humains. La solution pourrait également être combinée avec un autre réseau de neurones, qui mettrait en évidence graphiquement les zones d’intérêt mentionnées dans la légende.

Publications similaires