Согласно обзору, опубликованному  в Журнале Американского колледжа радиологии, модели искусственного интеллекта, основанные на BERT от Google, могут сыграть ключевую роль в радиологии .

Проанализировав 30 исследований, исследователи обнаружили, что BERT успешно используется в первую очередь для задач классификации и извлечения информации из отчетов о радиологии, отметили ведущий автор Лариса Горенштейн, доктор медицинских наук из Тель-Авивского университета в Израиле, и ее коллеги.

«По мере развития технологии BERT мы прогнозируем дальнейшие инновационные применения. Его внедрение в радиологии имеет потенциал для повышения точности диагностики, ускорения создания отчетов и оптимизации ухода за пациентами», — написала группа.

BERT (представления двунаправленного кодировщика от Transformers) — это базовая модель обработки естественного языка (NLP), представленная в 2018 году. Чат-бот Google Bard основан на BERT. Авторы объяснили, что модель обучена на огромном массиве неразмеченного интернет-текста и может предсказывать пропущенные слова в предложениях, понимая контекст.

Более того, предварительно обученные веса BERT можно точно настроить, что позволит ему использовать изученное знание языка для различных конкретных задач НЛП, особенно в радиологии, пишут они.

В этом обзоре исследователи оценили масштаб этих задач, поскольку они применялись с использованием моделей на основе BERT в полевых условиях, с целью выявления новых возможностей для более широкого клинического применения.

Авторы провели поиск в PubMed литературы по моделям на основе BERT и задачам НЛП в радиологии с января 2018 по февраль 2023 года. Из 597 результатов 30 исследований соответствовали критериям включения авторов, а остальные не имели отношения к радиологии. Группа отметила, что все исследования были ретроспективными, 14 из них были опубликованы в 2022 году.

Согласно полученным данным, «классификация» (цель которой заключалась в построении модели на основе BERT для прогнозирования классов новых результатов на основе закономерностей, которые модели извлекли из помеченных обучающих данных) была наиболее распространенной задачей: в этой категории было проведено 18 исследований.

Шесть из этих 18 исследований были посвящены задачам классификации, в первую очередь ориентированным на бинарную классификацию, при этом основная цель заключалась в том, чтобы классифицировать радиологические отчеты на две категории: те, которые содержат данные, требующие дальнейшей обработки или вмешательства, и те, которые этого не требуют, пишут авторы.

Кроме того, девять из включенных документов были посвящены извлечению информации – использованию моделей на основе BERT для автоматической идентификации и извлечения структурированной информации из неструктурированных радиологических отчетов.

Кроме того, две статьи были посвящены моделям на основе BERT для автоматического назначения протоколов КТ, а еще две исследовали использование глубокого обучения с BERT для интерпретации рентгенограмм грудной клетки.

«Этот обзор проливает свет на разнообразную роль моделей на основе BERT в радиологии. Классификация и извлечение информации являются основными приложениями, показывающими потенциал этих моделей для эффективной обработки неструктурированных радиологических данных», — написала группа.

В конечном итоге, основываясь на обзоре, авторы предположили, что интеграция моделей на основе BERT в системы поддержки клинических решений может повысить точность диагностики за счет обработки сложных неструктурированных данных, таких как истории болезни пациентов, наряду с результатами визуализации.

Авторы отметили, что исследования не были без ограничений, в том числе то, что все они имели ретроспективный дизайн и в большинстве случаев опирались на данные одного учреждения. Более того, как и любая модель машинного обучения, BERT подвержен предвзятости, причем смещение данных является важной проблемой, пишут они.

«Широкий спектр клинических применений, рассмотренный в нашем обзоре, от назначения протоколов до автоматической интерпретации, указывает на быстро меняющуюся ситуацию в радиологии», — написала группа.

Авторы заявили, что использовали другую модель НЛП, ChatGPT от OpenAI, для исправления орфографических ошибок при подготовке статьи, но после использования инструмента они просматривали и редактировали контент по мере необходимости.

Полную версию исследования можно найти здесь .

Внимание, автоперевод! За ошибки перевода ответственности не несём. Первоисточник по ссылке.