PadChest-GR: przełom w radiologii dzięki danym oznaczonym przez ekspertów

Postęp w medycznej sztucznej inteligencji (AI) zależy nie tylko od zaawansowania modeli, ale przede wszystkim od jakości i bogactwa danych. Przykładem jest PadChest-GR, stworzony we współpracy Centaur.ai, Microsoft Research i Uniwersytetu w Alicante. To pierwszy multimodalny, dwujęzyczny zbiór danych do raportowania radiologicznego na poziomie zdań, który łączy ustrukturyzowany tekst kliniczny z adnotowanymi obrazami rentgenowskimi klatki piersiowej.

Wyzwanie: Od klasyfikacji obrazów do szczegółowych raportów

Dotychczasowe zbiory danych medycznych umożliwiały jedynie klasyfikację obrazów na poziomie ogólnym. Na przykład, zdjęcie rentgenowskie mogło być oznaczone jako „kardiomegalia” lub „brak wykrytych nieprawidłowości”. Takie klasyfikacje są niewystarczające pod względem wyjaśnień i wiarygodności. Modele AI trenowane w ten sposób są podatne na halucynacje – generowanie niepotwierdzonych ustaleń lub niedokładne lokalizowanie patologii. Raportowanie radiologiczne oparte na przestrzennym zakotwiczeniu (ang. grounded radiology reporting) wymaga bogatszych adnotacji uwzględniających:

• Przestrzenne zakotwiczenie: Lokalizacja znalezisk za pomocą ramek ograniczających na obrazie.
• Lingwistyczne zakotwiczenie: Powiązanie każdego opisu tekstowego z konkretnym obszarem, a nie tylko ogólną klasyfikacją.
• Kontekst: Szczegółowy kontekst każdego wpisu raportu, zarówno lingwistyczny, jak i przestrzenny, co zmniejsza dwuznaczność i zwiększa interpretowalność.

PadChest-GR wprowadza ten paradygmat w życie, oferując precyzję i lingwistyczne niuanse.

Człowiek w pętli: Tworzenie danych na skalę kliniczną

Stworzenie PadChest-GR wymagało bezkompromisowej jakości adnotacji. Platforma Centaur.ai, zgodna z HIPAA, umożliwiła radiologom z Uniwersytetu w Alicante:

• Rysowanie ramek ograniczających wokół widocznych patologii na tysiącach zdjęć rentgenowskich klatki piersiowej.
• Powiązanie każdego regionu z konkretnymi ustaleniami na poziomie zdań, w języku hiszpańskim i angielskim.
• Przeprowadzenie rygorystycznej kontroli jakości opartej na konsensusie, w tym rozstrzyganie przypadków granicznych i zapewnienie spójności między językami.

Platforma Centaur.ai oferuje:

• Konsensus wielu anotatorów i rozwiązywanie sporów.
• Ocenianie wagi adnotacji (eksperckie adnotacje są ważone na podstawie historycznej zgodności).
• Obsługę formatów DICOM i innych złożonych typów obrazowania medycznego.
• Wielomodalne przepływy pracy obsługujące obrazy, tekst i metadane kliniczne.
• Ścieżki audytu, kontrolę wersji i monitorowanie jakości w czasie rzeczywistym.

Dzięki temu zespół badawczy mógł skupić się na medycznych niuansach bez poświęcania szybkości i integralności adnotacji.

PadChest-GR: Nowy standard w danych radiologicznych

PadChest-GR rozszerza oryginalny zbiór danych PadChest, dodając przestrzenne zakotwiczenie i dwujęzyczne dopasowanie tekstu na poziomie zdań. Kluczowe cechy to:

• Multimodalność: Integracja danych obrazowych (zdjęcia rentgenowskie klatki piersiowej) z precyzyjnie dopasowanymi obserwacjami tekstowymi.
• Dwujęzyczność: Adnotacje w języku hiszpańskim i angielskim, zwiększające użyteczność i inkluzywność.
• Granularność na poziomie zdań: Każde znalezisko jest powiązane z konkretnym zdaniem, a nie tylko ogólnym opisem.
• Wizualna wyjaśnialność: Model może wskazać, gdzie postawiono diagnozę, co zwiększa transparentność.

Konsekwencje i implikacje

PadChest-GR umożliwia modelom wskazywanie dokładnego obszaru, który doprowadził do danego wniosku, co zwiększa transparentność i zaufanie. Powiązanie twierdzeń lingwistycznych z dowodami wizualnymi zmniejsza ryzyko generowania nieprawdziwych lub spekulacyjnych wyników przez model. Dwujęzyczne adnotacje zwiększają dostępność i potencjał badań na całym świecie, zwłaszcza w populacjach hiszpańskojęzycznych. Połączenie ekspertów, rygorystycznego konsensusu i bezpiecznej platformy umożliwiło generowanie złożonych adnotacji multimodalnych na dużą skalę, przy zachowaniu wysokiej jakości.

Przyszłość AI w medycynie

Sukces PadChest-GR pokazuje, że przyszłość AI zależy od lepszych danych, a nie tylko lepszych modeli. W opiece zdrowotnej, gdzie stawka jest wysoka, wartość AI jest ściśle związana z jakością fundamentów, czyli danych, na których się opiera. Połączenie wiedzy ekspertów (radiologów), zaawansowanej infrastruktury (platforma Centaur.ai) i partnerskiej współpracy (Microsoft Research i Uniwersytet w Alicante) zapewnia naukową, językową i techniczną rygorystyczność.

„Naszym celem jest skalowanie adnotacji na poziomie eksperckim dla medycznej AI” – mówią przedstawiciele Centaur.ai.

PadChest-GR to przykład, jak eksperckie, multimodalne adnotacje mogą zmienić medyczną AI, umożliwiając transparentne, wiarygodne i bogate językowo modelowanie diagnostyczne. Dzięki wykorzystaniu wiedzy dziedzinowej, dopasowania wielojęzycznego i zakotwiczenia przestrzennego, Centaur.ai, Microsoft Research i Uniwersytet w Alicante ustanowiły nowy standard dla zbiorów danych obrazów medycznych. Ich osiągnięcie podkreśla, że potencjał AI w opiece zdrowotnej jest tak silny, jak dane, na których się opiera.