سود:
- توانایی تشخیص نواحی استفاده معمولی و محدودیتهای خاص کاربردهای هوش مصنوعی در مدالیتههای مختلف (گرافیا، CT، MR، ماموگرافی)
- توانایی ارزیابی نقش هوش مصنوعی به عنوان خواننده دوم و پیامدهای بالینی آستانه تصمیم گیری در زمینه های پر تاثیر مانند ماموگرافی و سی تی سکته مغزی
- درک این موضوع که وقتی جمعیت و دستگاهی که هوش مصنوعی در هر مدالیتی بر روی آن آموزش دیده است فراتر رود (تغییر توزیع) ممکن است کاهش یابد.
هوش مصنوعی در رادیولوژی فقط یک چیز نیست. برای هر مدالیته (روش تصویربرداری)، ابزار متفاوت، قدرت متفاوت و محدودیت متفاوتی دارد. یک مدل اشعه ایکس قفسه سینه و یک مدل سی تی سکته مغزی مشکلات کاملاً متفاوتی را حل می کند و الگوهای خطای متفاوتی ایجاد می کند. در این بخش، ما پنج ناحیه رایج - رادیوگرافی قفسه سینه، CT، MRI، ماموگرافی، و سکته مغزی - را با کاربردها و مشکلات خاص مدالیته پوشش خواهیم داد. هدف استفاده از هر ابزار برای کار مناسب، با محدودیت های مناسب است.
اصل اصلی تغییر نمی کند، اما در هر روش چهره جدیدی به خود می گیرد: هر مدل بر روی یک دستگاه خاص، یک پروتکل خاص و یک جمعیت بیمار خاص آموزش داده می شود. وقتی از این شرایط فراتر رفت، عملکرد ممکن است کاهش یابد. این تغییر توزیع نامیده می شود. تشخیص متعلق به رادیولوژیست است که خواننده اول است نه خواننده دوم.
استفاده و محدودیت بر اساس روش
رادیوگرافی ریه (اشعه ایکس): فراوان ترین داده ها در اینجا موجود است. مدلها پرچمهایی را برای پنوموتوراکس، تثبیت (پری التهابی ریه)، ندول، پلورال افیوژن (مایع بین پلورال) و اندازه قلب تولید میکنند. نقاط قوت آن سرعت و اسکن است. نقطه ضعف آن بالا بودن مثبت کاذب ناشی از همپوشانی ساختارها (استخوان، رگ، سایه سینه) و تمایل به از دست دادن ندول های کوچک است.
سی تی (توموگرافی کامپیوتری): به لطف تصویر مقطعی، مدل ها برای آمبولی، خونریزی، ندول، شکستگی، حجم اندام قدرتمند هستند. قدرت آن اندازه گیری سه بعدی است. نقطه ضعف حساسیت بالا به ضخامت پروتکل / برش و فاز کنتراست است - عملکرد با پروتکل های مختلف متفاوت است.
MRI (رزونانس مغناطیسی): کنتراست بافت نرم بالا است. مدل هایی برای انتشار سکته مغزی، ضایعه پروستات، ضایعات مغزی، غضروف وجود دارد. نقطه ضعف آن این است که تنوع دستگاه/توالی بیش از حد وجود دارد - یک مدل خارج از توالی که در آن آموزش داده شده است، قابلیت اطمینان خود را از دست می دهد.
ماموگرافی: میدانی با ضربه بالا. این مدل ها به عنوان خواننده دوم برای توده ها و میکروکلسیفیکاسیون ها عمل می کنند. نقطه قوت آن کاهش خطا در غربالگری سرطان سینه است. نقطه ضعف آن کاهش عملکرد در بافت متراکم پستان و سربار یادآوری مثبت کاذب است.
سکته مغزی (CT/CT آنژیوگرافی/پرفیوژن مغز): این ناحیه از نظر زمان بحرانی است. مدلها پرچمهای سریعی را برای انسداد عروق بزرگ (LVO)، علائم اولیه ایسکمی، و خونریزی، تسریع در تصمیمگیریهای درمان (ترومبکتومی) ارائه میکنند. نقاط ضعف آن، مصنوع حرکتی و قابلیت اطمینان محدود در یافتههای اولیه/کم نور است.
روش
استفاده معمولی از هوش مصنوعی
طرف قوی
حد خاص مدالیت
اشعه ایکس ریه
پنوموتوراکس، ندول، پرچم افیوژن
سرعت، اسکن
همپوشانی، مثبت کاذب بالا
IT
آمبولی، خونریزی، ندول، حجم
اندازه گیری سه بعدی
حساس به فاز پروتکل/کنتراست
ام آر آی
انتشار سکته مغزی، پروستات، مغز
بافت نرم
تنوع توالی/دستگاه
ماموگرافی
توده، میکروکلسیفیکاسیون (خواننده دوم)
بی اختیاری را کاهش دهید
افتادن در سینه متراکم، بار را به خاطر بیاورید
سی تی سکته مغزی
LVO، ایسکمی، پرچم خونریزی
صرفه جویی در زمان
مصنوع، یافتن زودهنگام/کم نور
نقش خواننده دوم و آستانه تصمیم
در زمینههای پر تاثیر مانند ماموگرافی و سکته مغزی، AI اغلب به عنوان خواننده دوم قرار میگیرد: رادیولوژیست میخواند، سپس آنچه را که AI علامتگذاری میکند بررسی میکند (یا برعکس). این فرصتی را برای تشخیص آنچه رادیولوژیست مجرد از دست داده است می دهد. اما دو خطر وجود دارد. اولاً، منطقه ای که توسط هوش مصنوعی مشخص نشده است، "تمیز" در نظر گرفته می شود (سوگیری اتوماسیون). دوم، پیامد بالینی آستانه تصمیم: اگر آستانه در ماموگرافی پایین باشد، فراخوانهای بیشتری وجود خواهد داشت (و بیوپسیهای غیرضروری، اضطراب). اگر زیاد باشد نشتی افزایش می یابد. این آستانه بر اساس فلسفه غربالگری موسسه و تفسیر رادیولوژیست تعیین می شود. پیش فرض مهندسی نیست.
احتیاط: فقط به این دلیل که یک مدل در یک مدالیته به خوبی کار میکند به این معنی نیست که در یک مدالیت دیگر یا در دستگاه/پروتکل دیگری با همان مدال به خوبی کار میکند. اگر مدل برای "رادیوگرافی ریه" آموزش دیده باشد، عملکرد آن ممکن است در رادیوگرافی مراقبت های ویژه قابل حمل متفاوت باشد. دامنه استفاده همیشه محدود به محدوده ای است که مدل برای آن تأیید شده است.
سه کیف کوچک
مورد 1 - ماموگرافی خوانندگان دوم را به دست می آورد. رادیولوژیست به طور معمول ماموگرافی غربالگری را می خواند. YZ به عنوان خواننده دوم، مجموعه ای از میکروکلسیفیکاسیون ها را در یک منطقه نشان می دهد. رادیولوژیست به عقب نگاه می کند و یک خوشه واقعا ضعیف را می بیند. با تصویربرداری اضافی، یک کارسینوم مجرای اولیه در محل (سرطان سینه در مراحل اولیه) تشخیص داده می شود. هوش مصنوعی به عنوان "چشم دوم" از فرار جلوگیری کرد. رادیولوژیست تشخیص داد.
مورد 2 - افزایش زمان سکته مغزی. در یک آنژیوگرافی اورژانسی CT مغز، هوش مصنوعی یک انسداد عروق بزرگ (LVO) را در عرض ۲ دقیقه نشان میدهد و تیم سکته مغزی را تحریک میکند. رادیولوژیست تایید می کند، بیمار به ترومبکتومی برده می شود. زمان درب به سوزن به طور قابل توجهی کوتاه شده است. اما در همان هفته، مدل یک ایسکمی اولیه ضعیف را از دست می دهد. رادیولوژیست با خواندن خود آن را ثبت می کند. هوش مصنوعی سرعت را به ارمغان آورد، اما اولین خواننده رادیولوژیست باقی ماند.
مورد 3 - تغییر توزیع. یک مدل اشعه ایکس قفسه سینه روی تجهیزات ثابت در یک بیمارستان بزرگ کاملاً کار می کند. هنگامی که از همان مدل در دستگاههای قابل حمل واحد مراقبتهای ویژه استفاده میشود، نتایج مثبت کاذب منفجر میشوند: نوردهی متفاوت، کیفیت پایین و سایههای تجهیزات همپوشانی مدل را گیج میکند. تیم متوجه می شود که از این مدل در نمودارهای قابل حمل بدون اعتبارسنجی محلی استفاده می کنند و دامنه را محدود می کنند. درس: وقتی دستگاه/پروتکل تغییر می کند، عملکرد تغییر می کند.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
آیا این مدل MRI خوب است؟ آیا باید از آن استفاده کنیم؟
بدون جزئیات روش، توالی، جمعیت و استفاده مورد نظر. یک پاسخ کلی و مخاطره آمیز می آید.
اعلان قدرتمند:
نقش شما: مشاور CO در انتخاب هوش مصنوعی خاص. تصمیم گیری؛ بیا با چه سوالاتی بپرسم ما در حال بررسی یک مدل ضایعه MRI پروستات هستیم. در نظر بگیرید: (1) مدل بر روی چه توالیها/دستگاه/قدرت میدان مغناطیسی آموزش دیده است، آیا با ما مطابقت دارد، (2) در کدام جمعیت اعتبارسنجی شده است، (3) آیا این یک خواننده دوم یا کمک تشخیصی است، (4) آیا در حد شناخته شدهاش در موارد متراکم/غیر معمولی است، (5) خطر استفاده از آن بدون اعتبارسنجی محلی است. تصمیم نهایی با موسسه است.
این طرح سریع انطباق خاص روش، جمعیت و اعتبار محلی را زیر سوال می برد.
الگوهای درخواستی قابل کپی
الگوی MODALITY COMPLIANCE نقش شما: ASSISTANT. من یک مدل هوش مصنوعی و اطلاعات دستگاه/پروتکل خودمان را به شما میدهم. مدل ما را با روش، دستگاه، توالی/پروتکل و جمعیتی که مدل بر روی آن آموزش داده شده است، مقایسه کنید. تفاوتهای در معرض خطر رانش توزیع را فهرست کنید و ارزیابی کنید که آیا تأیید محلی لازم است یا خیر. تصمیم در موسسه است. اطلاعات: [نوشتن]
الگوی نظم خوان دوم برای من چک لیستی تهیه کنید که نظم خواندن من را هنگام استفاده از هوش مصنوعی خواننده دوم حفظ کند: آیا ابتدا خودم را بخوانم، چگونه از ناحیه ای که هوش مصنوعی علامت گذاری نمی کند محافظت کنم، چگونه علامت هوش مصنوعی را تأیید کنم، چگونه از سوگیری اتوماسیون جلوگیری کنم. روش: [نوشتن]
الگوی نتیجه آستانه تصمیم به شما یک سناریوی آستانه تصمیم در یک روش (مانند ماموگرافی) می دهد. پیامدهای بالینی کاهش/افزایش آستانه در یادآوری، بیوپسی غیرضروری، فرار و اضطراب را توضیح دهید. به ما یادآوری کنید که آستانه با فلسفه غربالگری موسسه تعیین می شود. اسکریپت: [نوشتن]
MODALITY LIMIT REMINDER TEMPLATEI یک حالت و یک کار هوش مصنوعی به شما می دهد. منابع معمولی خطای خاص این روش (به عنوان مثال، همپوشانی در اشعه ایکس قفسه سینه، تفاوت توالی در MRI، مصنوع در CT سکته مغزی) و نقاطی که رادیولوژیست باید به آنها توجه بیشتری داشته باشد را فهرست کنید. روش/وظیفه: [نوشتن]
اشتباهات رایج
- استفاده از یک مدل خاص مدالیته در شرایط دیگر. مدل دستگاه ثابت در دستگاه قابل حمل متفاوت رفتار می کند. دامنه باید حفظ شود.
- آنچه را که خواننده دوم علامت گذاری نکرده به عنوان "تمیز" به حساب می آید. تعصب اتوماسیون؛ خواندن آنها باید محافظت شود.
- اشتباه گرفتن آستانه تصمیم به عنوان یک تنظیمات مهندسی. آستانه تعادل بالینی است. با فلسفه اسکن تنظیم می شود.
- نادیده گرفتن تفاوت ترتیب/پروتکل. مدلهای MR/CT قابلیت اطمینان خود را خارج از پروتکلی که براساس آن آموزش دیدهاند، از دست میدهند.
- انتشار بدون تایید محلی رانش توزیع بی سر و صدا عملکرد را کاهش می دهد.
نکته: قبل از استفاده از یک مدل جدید ویژه مدالیته، سه سوال بپرسید: "این مدل بر روی چه دستگاه/پروتکل/جمعیتی آموزش دیده است؟ آیا مدل ما شبیه آن است؟ آیا آن را بر اساس داده های خودمان تایید کرده ایم؟" اگر هر سه مورد رضایت بخش نباشند، مدل یک شتاب دهنده نیست بلکه یک ریسک پنهان است.
به طور خلاصه
هوش مصنوعی ابزار متفاوتی در هر روش است: غربالگری سریع در اشعه ایکس قفسه سینه اما مثبت کاذب به دلیل همپوشانی. اندازه گیری سه بعدی قدرتمند اما حساسیت پروتکل در CT. قدرت بافت نرم اما تنوع توالی در MRI. خواننده دوم ربایش را کاهش می دهد اما بار را در ماموگرافی به یاد می آورد. افزایش زمان در سکته مغزی اما محدودیت مصنوع. در زمینه های پر تاثیر مانند ماموگرافی و سکته مغزی، هوش مصنوعی خواننده دوم می شود، اما خواننده اول همیشه رادیولوژیست است و آستانه تصمیم گیری تعادل بالینی است. هنگامی که دستگاه، پروتکل و جمعیتی که هر مدل در آن آموزش داده شده است به خارج از محدوده منتقل می شود، عملکرد آن کاهش می یابد (تغییر توزیع). بنابراین دامنه باید حفظ شود و اعتبار سنجی محلی باید انجام شود.
وظیفه کاربردی
یک روش را در روتین خود انتخاب کنید (رادیوگرافی، CT، MRI، ماموگرافی یا سکته مغزی). با استفاده از الگوی «یادآوری حد وجهی»، حداقل سه منبع معمولی خطای هوش مصنوعی مربوط به آن روش و نکات مورد توجه رادیولوژیست را یادداشت کنید. سپس مدلی را که برای آن مدالیت در نظر می گیرید با الگوی "Modality Fit" ارزیابی کنید: آیا دستگاه/پروتکل/جمعی که روی آن آموزش داده شده با شما مطابقت دارد، آیا اعتبار سنجی محلی لازم است؟ اگر نقش خواننده دومی وجود دارد، فهرست "انضباط خواننده دوم" را با روال خود تطبیق دهید.
چک لیست
- [ ] من روش، دستگاه، پروتکل و جمعیتی را که مدل بر روی آن آموزش داده شده بود، یاد گرفتم.
- [ ] من سازگاری را با شرایط خودم ارزیابی کردم (خطر انحراف توزیع).
- [ ] من از مدل فقط تا حدی استفاده می کنم که تایید شده باشد.
- [ ] من خوانش مستقل خودم را در نقش خواننده دوم حفظ می کنم.
- [ ] من می دانم که آستانه تصمیم یک تعادل بالینی است و با فلسفه غربالگری تعیین می شود.
- [ ] من منابع خطای معمولی را در نظر میگیرم (مصنوع، همپوشانی، تفاوت ترتیب).
- [ ] من در شرایط جدید بدون اعتبار سنجی محلی انتشار نمی دهم.