PromptRad: Knowledge-Enhanced Multi-Label Prompt-Tuning for Low-Resource Radiology Report Labeling

あなたは、膨大で混沌とした医療報告書の図書館を整理しようとする図書館司書だと想像してください。これらの報告書は、医師によって、専門用語、同義語、そして「がんの兆候なし（これは患者が元気であることを意味する）」や「感染症を除外（これも患者が元気であることを意味する）」といったトリッキーな表現で満たされた、長く乱雑な段落として書かれています。

あなたの目標は、これらの報告書に「嚢胞」、「腫瘍」、「肝障害」などの特定のラベルを付け、後でコンピューターがそれらを検索できるようにすることです。これをレポートラベリングと呼びます。

ここで問題が発生します：

1. 従来のルールベースシステムは、正確な単語だけを検索するロボットのようなものです。報告書に「脂肪肝」と書かれていても、あなたのリストに「Steatosis（脂肪変性）」しかない場合、ロボットは見逃してしまいます。報告書に「腫瘍なし」と書かれている場合、ロボットは混乱し、「腫瘍」という単語を見たため、腫瘍が見つかったと誤って判断する可能性があります。
2. **標準的なAI（深層学習）**は、この仕事を覚えるために、すでにタグ付けされた何千冊もの本を読む必要がある、優秀な学生のようなものです。しかし、病院では医師が忙しすぎて、何千もの報告書にタグを付けることができません。私たちが持っているのは、タグ付けされた例の小さな山（おそらく32件）だけです。学生は、十分な勉強をしていないため失敗します。

登場：PromptRad

この論文の著者たちは、PromptRadという新しいツールを作成しました。これは、勉強する本がわずかな山しかない時の、その優秀な学生のための巧妙な勉強法のようなものです。

1. 「穴埋め」のトリック（プロンプトチューニング）

大量のデータを必要とする、物事を分類する全く新しい方法をAIに学習させる代わりに、PromptRadはタスクを穴埋めゲームに変えます。これは、AIが医療報告書を見る前にすでに学習していたことと完全に一致します。

• 従来の方法：「ここに報告書があります。腫瘍はありますか？はい/いいえ。」（これは、新しい複雑な脳構造を必要とします）。
• PromptRadの方法：「放射線報告書は[BLANK]に関連しています。」
  • AIは、空白に合う単語を推測するだけです。もしAIが「肝細胞癌（腫瘍の一種）」と推測すれば、システムはその報告書が腫瘍に関するものであると知ります。

AIはすでに欠けた単語を推測する専門家です（これはインターネット全体を読んで学習したためです）。そのため、ごく少量の新しい学習データであっても、この仕事を非常にうまくこなすことができます。

2. 「同義語辞書」（知識強化型バーバライザー）

医療用語はトリッキーです。医師は、全く同じ意味を表すために「HCC」、「肝細胞癌（hepatoma）」、または「肝がん」と書くかもしれません。

• 問題点： AIが「HCC」が「肝細胞癌（Hepatocellular Carcinoma）」を意味することだけを知っている場合、「hepatoma」と書かれた報告書を見逃す可能性があります。
• 解決策： 著者たちは、AIに大規模な医学類語辞典（UMLSと呼ばれる）に基づいた特別な多単語辞書を与えました。
  • ラベル「肝細胞癌（Hepatocellular Carcinoma）」を単語「HCC」に単にマッピングするのではなく、「HCC」および「hepatoma」にマッピングしました。
  • これで、AIが空白をどちらの単語で埋めても、そのラベルが存在すると判断できます。これにより、AIはより柔軟になり、医師が異なる単語を使ったという理由だけで診断を見逃す可能性が大幅に減ります。

3. 「自動教師」（自動プロンプト生成）

著者たちはまた、AIが最もよく学習できるように、「穴埋め」の質問を表現するさまざまな方法を自動的に試し、どれが最も効果的かを確認するシステムも構築しました。これは、学生が「ああ、わかった！」と言うまで、概念を説明するさまざまな方法を試す教師のようなものです。

彼らは何を見つけましたか？

チームは、実際の病院からの肝臓CT報告書でこれをテストしました。彼らはAIに学習させるために、タグ付けされた報告書を32件だけ与えました（「低リソース」設定）。

• 専門家への勝利： PromptRadは、多くの同義語を見逃した従来の「ルールベース」のロボットよりも良い結果を出し、同じ32件の例から学習しようとした標準的なAIモデルよりもさらに良い結果を出しました。
• 巨人への勝利： 驚くべきことに、PromptRadは、巨大で超高価なAIモデルであるGPT-4とほぼ同等のパフォーマンスを発揮しましたが、PromptRadは通常のコンピューターで動作できる小さく軽量なモデルです。
• 「ない」テスト： 医療報告書で最も難しい部分は、否定の理解（例：「がんの証拠なし」）です。PromptRadは、従来のルールベースシステムよりも、これらのトリッキーな「ない」の表現をずっとよく理解していました。

なぜこれが重要なのか？

この論文は、PromptRadが、タグ付けされた報告書が何千件も存在しない、または大規模なクラウド企業（OpenAIなど）に機密性の高い患者データを送信する予算がない病院にとっての実用的で低コストな解決策であると主張しています。これにより、小規模な病院でも、わずかな例と自社のローカルコンピューターを使用して、スマートなラベリングシステムを構築でき、患者データをプライバシーとセキュリティを保ったままに保つことができます。

要約すると： PromptRadは、スマートで軽量なツールであり、「穴埋め」ゲームと医学的同義語辞書を使用して、少量の学習データしかない場合でも完璧に機能するように、小さなAIに医療報告書を読むことを教えます。