חוקרים מאוניברסיטת אוסקה מטרופוליטן גילו דרך מעשית לזהות ולתקן שגיאות תיוג נפוצות באוספים רדיוגרפיים גדולים. על ידי אימות אוטומטי של תגי חלקי גוף, הקרנה וסיבוב, המחקר שלהם משפר מודלים של למידה עמוקה המשמשים למשימות קליניות שגרתיות ולפרויקטי מחקר.
מודלים של למידה עמוקה באמצעות רדיוגרפיה של החזה עשו התקדמות מדהימה בשנים האחרונות, והתפתחו כדי לבצע משימות מאתגרות עבור בני אדם כמו הערכת תפקוד הלב והנשימה.
עם זאת, AI טובים רק כמו התמונות המוזנות לתוכם. למרות שתמונות רנטגן שצולמו בבתי חולים מסומנות במידע, כמו אתר ההדמיה ושיטה, לפני שהן מוזנות למודל הלמידה העמוקה, הדבר נעשה לרוב באופן ידני, כלומר מתרחשות שגיאות, נתונים חסרים וחוסר עקביות, במיוחד בבתי חולים עמוסים.
זה מסובך עוד יותר על ידי תמונות עם סיבובים שונים. צילום רנטגן נלקח מהחזית לאחור או להיפך, והוא יכול להיות גם לרוחב, הפוך או מסובב, מה שמסבך עוד יותר את מערך הנתונים.
בארכיוני הדמיה גדולים, השגיאות הקטנות הללו מסתכמות במהירות למאות או אלפי תוצאות שגוויות.
צוות מחקר בבית הספר לרפואה של אוניברסיטת אוסקה מטרופוליטן, כולל הסטודנט לתארים מתקדמים יאסוהיטו מיצויאמה ופרופסור Daiju Ueda, שאף לשפר את הזיהוי של נתונים מתויגים שגויים על ידי זיהוי אוטומטי של שגיאות לפני שהן משפיעות על נתוני הקלט עבור מודלים של למידה עמוקה.
הקבוצה פיתחה שני מודלים: Xp-Bodypart-Checker, שמסווג צילומי רנטגן בהתאם לחלק הגוף; ו-CXp-Projection-Rotation-Checker, המזהה הקרנה וסיבוב של צילומי חזה.
Xp-Bodypart-Checker השיג דיוק של 98.5% ו-CXp-Projection-Rotation-Checker השיג דיוק של 98.5% עבור הקרנה ו-99.3% עבור סיבוב. החוקרים אופטימיים ששילוב שניהם במודל אחד יספק ביצועים משנים את המשחק במסגרות קליניות.
למרות שהתוצאות היו יוצאות דופן, הצוות מקווה לכוונן את השיטה עוד יותר לשימוש קליני.
אנו מתכננים להכשיר את הדגם מחדש על צילומי רנטגן שסומנו למרות שסומנו כהלכה, כמו גם אלו שלא סומנו אך למעשה סומנו לא נכון, כדי להשיג דיוק גדול עוד יותר".
יאסוהיטו מיצויאמה, אוניברסיטת מטרופולין של אוסקה
המחקר פורסם ב רדיולוגיה אירופאית.
