شخصیسازی فرایند آموزش رزیدنتهای رادیولوژی با استفاده از یادگیری عمیق و استخراج تعاملی مدل خطاهای تشخیصی آنان
الموضوعات : هوش مصنوعی و رباتیکسید علی کیانمهر 1 , مهدی هاشم زاده 2
1 - دانشکده فناوری اطلاعات و مهندسی کامپیوتر
2 - دانشگاه شهید مدنی آذربایجان
الکلمات المفتاحية: شخصیسازی آموزش, پیشبینی خطا, خطاهای منفی کاذب, خطاهای مثبت کاذب, یادگیری ماشین, یادگیری عمیق, بینایی ماشین,
ملخص المقالة :
تصاویر رادیولوژی از ابزارهای رایج و پرکاربرد تشخیصی هستند که به طور گسترده توسط پزشکان برای تشخیص و نظارت بر روند درمان بیماریهای مختلف استفاده میشوند. تفسیر صحیح این تصاویر نیازمند آموزش رزیدنتها و کارشناسان متخصص با دقت تشخیصی بالا است. در این پژوهش، یک سامانه هوشمند، مبتنی بر یادگیری ماشین، طراحی، پیادهسازی و ارزیابی میشود؛ که با استفاده از استخراج تعاملی مدل خطاهای تشخیصی مثبتِ کاذب و منفیِ کاذب رزیدنتهای تحت آموزش، دوره آموزش آنها را بصورت شخصیسازیشده انجام دهد. راهکار پیشنهادی در قالب یک سامانه برخطِ آموزش شخصیسازیشده طراحی میشود که طی فرایندی تکرارشونده، رزیدنتها را در آزمونهای تطبیقی طراحیشده توسط الگوریتم انتخاب سؤالات، مبتنی بر عملکرد هر رزیدنت، ارزیابی کرده و مدل خطاهای تشخیصی آنها را استخراج میکند. در این سامانه، با بهرهگیری از یک مدل مبتنی بر یادگیری عمیق، ویژگی درجه سختی هر یک از تصاویر رادیوگرافیِ آموزشی استخراج میشود. سپس با رعایت پراکندگی مناسب انواع کلاسهای بیماری و تنوع درجه سختی تصاویر، سؤالات آزمونهای رزیدنتها طراحی میشود. در آزمونهای بعدی، با تحلیل خطاهای هر فرد در آزمونهای قبلی و الگویابی آنها، وزن ارزیابی هر تصویر مطابق با خطاهای تشخیصی پیشین هر فرد در تصاویر مشابه قبلی، مشخص میشود. در طی این فرایند تکرارشونده، دوره آموزش هر رزیدنت با در نظر گرفتن نقاط ضعف و قوت او در آزمونهای قبلی طی میشود. نتایج آزمایشهای انجام شده، نشاندهنده بهبود عملکرد کاربران سامانه، هم از نظر دقت تشخیص آنها در هر کلاس با هر درجه سختی تصویر، و هم از نظر کاهش نرخ خطاهای مثبت کاذب و منفی کاذب آنها است.
[1] A. P. Brady, "Error and discrepancy in radiology: inevitable or avoidable?," (in eng), Insights Imaging, vol. 8, no. 1, pp. 171-182, 2017, doi: 10.1007/s13244-016-0534-1.
[2] S. Waite et al., "A Review of Perceptual Expertise in Radiology-How it develops, How we can test it, and Why humans still matter in the era of Artificial Intelligence," Academic Radiology, vol. 27, no. 1, pp. 26-38, 2020/01/01/ 2020, doi: https://doi.org/10.1016/j.acra.2019.08.018.
[3] J. Irvin et al., "CheXpert: A Large Chest Radiograph Dataset with Uncertainty Labels and Expert Comparison," Proceedings of the AAAI Conference on Artificial Intelligence, vol. 33, pp. 590-597, 07/17 2019, doi: 10.1609/aaai.v33i01.3301590.
[4] M. Perumal, A. Nayak, R. P. Sree, and M. Srinivas, "INASNET: Automatic identification of coronavirus disease (COVID-19) based on chest X-ray using deep neural network," ISA Transactions, 2022/03/03/ 2022, doi: https://doi.org/10.1016/j.isatra.2022.02.033.
[5] B. Qi et al., GREN: Graph-Regularized Embedding Network for Weakly-Supervised Disease Localization in X-ray images. 2021.
[6] V. Sorin, Y. Barash, E. Konen, and E. Klang, "Deep Learning for Natural Language Processing in Radiology—Fundamentals and a Systematic Review," Journal of the American College of Radiology, vol. 17, no. 5, pp. 639-648, 2020/05/01/ 2020, doi: https://doi.org/10.1016/j.jacr.2019.12.026.
[7] L. Guo, A. Tahir, D. Zhang, Z. Wang, and R. Ward, Automatic Medical Report Generation: Methods and Applications. 2024.
[8] M. Mazurowski, J. Baker, H. Barnhart, and G. Tourassi, "Individualized computer-aided education in mammography based on user modeling: Concept and preliminary experiments," Medical physics, vol. 37, pp. 1152-60, 03/01 2010, doi: 10.1118/1.3301575.
[9] M. Wang, M. Wang, L. J. Grimm, and M. A. Mazurowski, "A computer vision-based algorithm to predict false positive errors in radiology trainees when interpreting digital breast tomosynthesis cases," Expert Systems with Applications, vol. 64, pp. 490-499, 2016/12/01/ 2016, doi: https://doi.org/10.1016/j.eswa.2016.08.023.
[10] M. Wang et al., "Predicting false negative errors in digital breast tomosynthesis among radiology trainees using a computer vision-based approach," Expert Systems with Applications, vol. 56, pp. 1-8, 2016/09/01/ 2016, doi: https://doi.org/10.1016/j.eswa.2016.01.053.
[11] S. Burti, A. Zotti, and T. Banzato, "Role of AI in diagnostic imaging error reduction," Frontiers in Veterinary Science, vol. 11, 08/30 2024, doi: 10.3389/fvets.2024.1437284.
[12] M. A. Mazurowski and G. D. Tourassi, "Exploring the potential of collaborative filtering for user-adaptive mammography education," in Proceedings of the 2011 Biomedical Sciences and Engineering Conference: Image Informatics and Analytics in Biomedicine, 15-17 March 2011 2011, pp. 1-4, doi: 10.1109/BSEC.2011.5872325.
[13] S. Voisin, F. Pinto, G. Morin-Ducote, K. B. Hudson, and G. D. Tourassi, "Predicting diagnostic error in radiology via eye-tracking and image analytics: preliminary investigation in mammography," (in eng), Med Phys, vol. 40, no. 10, p. 101906, Oct 2013, doi: 10.1118/1.4820536.
[14] H. Lin, X. Yang, and W. Wang, "A content-boosted collaborative filtering algorithm for personalized training in interpretation of radiological imaging," Journal of digital imaging, vol. 27, pp. 449-456, 2014.
[15] M. A. Mazurowski, J. Zhang, J. Y. Lo, C. M. Kuzmiak, S. V. Ghate, and S. Yoon, "Modeling resident error-making patterns in detection of mammographic masses using computer-extracted image features: preliminary experiments," in Medical Imaging 2014: Image Perception, Observer Performance, and Technology Assessment, 2014, vol. 9037: SPIE, pp. 197-202.
[16] J. Zhang, J. Y. Lo, C. M. Kuzmiak, S. V. Ghate, S. C. Yoon, and M. A. Mazurowski, "Using computer‐extracted image features for modeling of error‐making patterns in detection of mammographic masses among radiology residents," Medical physics, vol. 41, no. 9, p. 091907, 2014.
[17] J. Zhang, J. I. Silber, and M. A. Mazurowski, "Modeling false positive error making patterns in radiology trainees for improved mammography education," Journal of biomedical informatics, vol. 54, pp. 50-57, 2015.
[18] Z. Gandomkar, K. Tay, W. Ryder, P. Brennan, and C. Mello-Thoms, Predicting radiologists' true and false positive decisions in reading mammograms by using gaze parameters and image-based features. 2016, p. 978715.
[19] B. Ibragimov and C. Mello-Thoms, "The Use of Machine Learning in Eye Tracking Studies in Medical Imaging: A Review," IEEE journal of biomedical and health informatics, vol. PP, 02/29 2024, doi: 10.1109/JBHI.2024.3371893.
[20] H. Wainer, N. J. Dorans, R. Flaugher, B. F. Green, and R. J. Mislevy, Computerized Adaptive Testing: A Primer. Taylor & Francis, 2000.
[21] W. A. Sands, B. K. Waters, and J. R. McBride, Computerized adaptive testing: From inquiry to operation. American Psychological Association, 1997.
[22] E. E. Roskam and P. G. Jansen, "A new derivation of the Rasch model," in Advances in Psychology, vol. 20: Elsevier, 1984, pp. 293-307.
[23] A. D. Mead, "An introduction to multistage testing," Applied Measurement in Education, vol. 19, no. 3, pp. 185-187, 2006.
[24] Y. Zhuang, Q. Liu, Z. Huang, Z. Li, S. Shen, and H. Ma, "Fully adaptive framework: Neural computerized adaptive testing for online education," in Proceedings of the AAAI conference on artificial intelligence, 2022, vol. 36, no. 4, pp. 4734-4742.
[25] D. F. Mujtaba and N. R. Mahapatra, "Artificial intelligence in computerized adaptive testing," in 2020 International Conference on Computational Science and Computational Intelligence (CSCI), 2020: IEEE, pp. 649-654.
[26] D. Kermany. Large dataset of labeled optical coherence tomography (OCT) and Chest X-Ray images, Mendeley, 2018, doi: 10.17632/RSCBJBR9SJ.3.
[27] D. S. Kermany et al., "Identifying medical diagnoses and treatable diseases by image-based deep learning," Cell, vol. 172, no. 5, pp. 1122-1131.e9, 2018/2 2018, doi: 10.1016/j.cell.2018.02.010.
[28] J. Cohen, P. Morrison, L. Dao, K. Roth, T. Duong, and M. Ghassemi, COVID-19 Image Data Collection: Prospective Predictions Are the Future. 2020.
[29] A. Chung, "Actualmed COVID-19 chest x-ray data initiative," 2020. [Online]. Available: https://github.com/agchung/Actualmed-COVID-chestxray-dataset.
[30] A. Chung, "Figure 1 COVID-19 chest x-ray data initiative," 2020. [Online]. Available: https://github.com/agchung/Figure1-COVID-chestxray-dataset.
[31] P. Garg, M. Gautam, B. Chugh, and K. Dwivedi, "Employing transfer learning techniques for COVID-19 detection using chest X-ray," International Journal of Advances in Applied Sciences, vol. 13, p. 680, 09/01 2024, doi: 10.11591/ijaas.v13.i3.pp680-688.
[32] G. Huang, Z. Liu, L. V. D. Maaten, and K. Q. Weinberger, "Densely Connected Convolutional Networks," in 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 21-26 July 2017 2017, pp. 2261-2269, doi: 10.1109/CVPR.2017.243.
[33] J. Yu et al., "A Unified Adaptive Testing System Enabled by Hierarchical Structure Search," in Forty-first International Conference on Machine Learning.
[34] Q. Liu et al., "Survey of computerized Adaptive Testing: A machine learning perspective," 2024 2024, doi: 10.48550/ARXIV.2404.00712.
[35] S. J. Chen, A. Choi, and A. Darwiche, "Computer Adaptive Testing Using the Same-Decision Probability," in BMA@ UAI, 2015, pp. 34-43.
[36] J.-J. Vie, F. Popineau, É. Bruillard, and Y. Bourda, "A Review of Recent Advances in Adaptive Assessment," in Learning Analytics: Fundaments, Applications, and Trends: A View of the Current State of the Art to Enhance e-Learning, A. Peña-Ayala Ed. Cham: Springer International Publishing, 2017, pp. 113-142.
