机器学习技术生成临床医学扫描的标签
研究人员使用机器学习技术,包括自然语言处理算法,确定临床概念在放射科医生报告CT扫描,根据一项研究伊坎在西奈山医学院,今天发表在《华尔街日报》放射学。这项技术是人工智能发展的一个重要的第一步,可以解释扫描和诊断条件。
从ATM机阅读书写检查Facebook照片显示标记为朋友,计算机视觉的人工智能在日常生活中越来越常见。人工智能有一天帮助放射科医生解释x射线、计算机断层扫描(CT)扫描,和磁共振成像(MRI)的研究。但是技术是有效的在医学领域,计算机软件必须是“教”的区别正常学习和异常发现。
本研究旨在训练这项技术如何理解文本报告由放射科医生写的。研究人员创造了一系列算法来教计算机集群的短语。术语的例子包括磷脂等词语,胃灼热,结肠镜检查。
研究人员训练相关的计算机软件使用96303放射科医师报告头部CT扫描表现西奈山医院和西奈山女王在2010年和2016年之间。描述的“词汇复杂性”放射科医师报告,研究人员计算指标,反映了各种语言中使用这些报告和比较这些其他大型文本的集合:成千上万的书籍,路透社新闻故事,住院医师指出,亚马逊产品评论。
“放射学中使用的语言的自然结构,这使得它适合机器学习,”资深作者Eric Oermann说,医学博士,讲师在神经外科学系伊坎在西奈山医学院。“机器学习模型建立在大规模放射性文本数据集可以促进未来基于人工智能的系统的培训分析放射图像。”
机器学习的深度学习描述一个子类使用多层神经网络学习逐步的(计算机系统)进行推理,需要大量的训练数据,实现高精度。技术用于这项研究导致91%的精度,证明它可以自动识别文本中的概念复杂的放射学领域。
“终极目标是创建算法,帮助医生准确诊断病人,”第一作者约翰·泽赫说,伊坎的医科学生在西奈山医学院。“深度学习有许多潜在的应用在radiology-triaging识别研究,需要立即评估、萎靡不振的横断面图像进行进一步审查异常部分,描述大众关于恶性肿瘤的这些应用程序将需要许多标记训练例子。”
这样的“研究大数据转化为有用的数据和关键的第一步是利用人工智能的力量来帮助病人,”研究的合著者Bederson约书亚说,医学博士,教授,系统为神经外科学系主席西奈山医疗体系和临床神经外科主任模拟的核心。
