Questo articolo sull’IA svela X-Raydar una rivoluzionaria rete neurale profonda open-source per la rilevazione di anomalie nei raggi X del torace
La rivoluzionaria rete neurale profonda open-source X-Raydar svela un'innovativa tecnologia per rilevare anomalie nei raggi X del torace scopri di più in questo articolo sull'IA
Ricercatori di diverse università nel Regno Unito hanno sviluppato un sistema open-source di intelligenza artificiale (AI), chiamato X-Raydar, per la rilevazione completa delle anomalie nei raggi X del torace. Allenato su un dataset proveniente da sei ospedali nel Regno Unito, il sistema utilizza reti neurali, X-Raydar e X-Raydar-NLP, per la classificazione delle comuni anomalie dei raggi X del torace da immagini e dai relativi resoconti testuali gratuiti. Il dataset, che copre 13 anni, includeva 2.513.546 studi di raggi X del torace e 1.940.508 resoconti radiologici testuali utilizzabili. Un algoritmo di elaborazione del linguaggio naturale (NLP) personalizzato, X-Raydar-NLP, ha etichettato i raggi X del torace utilizzando una tassonomia di 37 risultati estratti dai resoconti. Gli algoritmi di intelligenza artificiale sono stati valutati su tre dataset retrospettivi, dimostrando una performance simile a quella dei radiologi clinici per varie anomalie di rilevanza clinica.
X-Raydar ha ottenuto una media di AUC (Area Under the Curve) di 0,919 nel set auto-etichettato, 0,864 nel set di consenso e 0,842 nel test MIMIC-CXR. In particolare, X-Raydar ha superato i professionisti del passato in 27 delle 37 anomalie del set di consenso, mostrando non inferiorità su nove e inferiore su una, ottenendo un miglioramento medio del 13,3%. La performance del sistema è stata paragonabile a quella dei radiologi esperti per anomalie critiche, come il pneumotorace, l’opacità parenchimale e le masse o i noduli parenchimali.
Lo sviluppo ha incluso una tassonomia radiologica che copre otto aree anatomiche e strutture non anatomiche, facilitando l’etichettatura completa. Un algoritmo di elaborazione del linguaggio naturale, X-Raydar-NLP, è stato istruito su 23.230 resoconti annotati manualmente per estrarre le etichette. X-Raydar, l’algoritmo di visione artificiale, ha utilizzato InceptionV3 per l’estrazione delle caratteristiche e ha ottenuto risultati ottimali utilizzando una funzione di perdita personalizzata e fattori di ponderazione delle classi.
- Questo articolo sull’IA svela DeWave una rivoluzionaria traduzione EEG-testo con un nuovo frameowrk AI per BCI a vocabolario aperto.
- Sbocciare il potere dell’IA nella gestione delle API Fintech Una guida completa per i responsabili prodotto
- Ricercatori di Stanford svelano PLATO Un nuovo approccio all’IA per affrontare l’overfitting nel machine learning ad alta dimensione e basso campione con una regolarizzazione aggiornata tramite knowledge graph.
Per i test, è stato utilizzato un set di consenso di 1.427 immagini annotate da radiologi esperti, un set auto-etichettato (n = 103.328) e un dataset indipendente, MIMIC-CXR (n = 252.374). X-Raydar-NLP ha dimostrato una buona rilevazione delle anomalie clinicamente rilevanti nei resoconti testuali gratuiti, con una sensibilità media del 0,921 e una specificità del 0,994. La media di AUC di X-Raydar su tutte le anomalie del set di consenso è stata 0,864, evidenziando una forte performance per anomalie critiche, urgenti e non urgenti.
I ricercatori hanno inoltre sviluppato strumenti web-based, che consentono l’accesso pubblico ai modelli di intelligenza artificiale per l’interpretazione in tempo reale dei raggi X del torace. Il portale online di X-Raydar consente agli utenti di caricare immagini DICOM per la pre-elaborazione e la classificazione automatica. Inoltre, i ricercatori hanno reso open source le loro architetture di rete addestrate, fornendo un modello di base per ulteriori ricerche ed adattamenti. I ricercatori hanno sviluppato ed valutato con successo un sistema di intelligenza artificiale, X-Raydar, per la rilevazione completa delle anomalie nei raggi X del torace. Il sistema ha dimostrato una performance comparabile a quella dei radiologi storici ed è accessibile gratuitamente alla comunità scientifica, contribuendo all’avanzamento delle applicazioni di intelligenza artificiale in radiologia.
