پیش ارزیابی تصویربرداری: رادیوگرافی، سونوگرافی و سیتولوژی

سود:

• توانایی تعریف نقش هوش مصنوعی در پیش غربالگری، اولویت بندی و تهیه گزارش در تصاویر رادیوگرافی، سونوگرافی و سیتولوژی
• توانایی اعتبارسنجی یافته های پرچمدار هوش مصنوعی با زمینه بالینی، موقعیت یابی استاندارد و ارزیابی متخصص (رادیولوژیست/پاتولوژیست)
• توانایی درک اینکه هوش مصنوعی مبتنی بر تصویر تشخیص قطعی ارائه نمی‌کند، تفاوت‌های نوع/موقعیت/کیفیت گمراه‌کننده هستند و تفسیر نهایی با پزشک است.

تصویربرداری پنجره ای است که چشم دامپزشک را وارد بدن می کند. رادیوگرافی (اشعه ایکس؛ تصویربرداری از ساختارهای داخلی با اشعه ایکس)، اولتراسوند (تصویربرداری از بافت نرم با امواج صوتی) و سیتولوژی (بررسی نمونه های سلولی در زیر میکروسکوپ) بخش جدایی ناپذیر تمرین روزانه هستند. هوش مصنوعی (AI) به سرعت در تشخیص الگو در این تصاویر در سال‌های اخیر پیشرفت کرده است: می‌تواند توده احتمالی را در رادیوگرافی علامت‌گذاری کند، مجموعه‌ای از تصاویر را اولویت‌بندی کند، و گزارشی را تهیه کند. اما خطرناک ترین تصور غلط در اینجا این است: هوش مصنوعی از روی تصویر تشخیص قطعی نمی دهد. تفاوت در موقعیت، نوردهی (دوز پرتو)، نوع، و سوپرپوزیشن (همپوشانی اندام ها) به راحتی هوش مصنوعی را گمراه می کند. در این بخش، نحوه استفاده ایمن از هوش مصنوعی مبتنی بر بینایی را به عنوان ابزار پیش غربالگری و اولویت‌بندی یاد خواهید گرفت. تفسیر نهایی همیشه متعلق به پزشک و در صورت لزوم رادیولوژیست یا پاتولوژیست است.

آنچه هوش مصنوعی می تواند و نمی تواند در تصویربرداری انجام دهد

نقش های قانونی هوش مصنوعی عبارتند از: پیش غربالگری (علامت گذاری ناحیه ای که نیاز به بررسی دارد)، اولویت بندی (ارائه پرونده ای که به نظر فوری می رسد)، کمک اندازه گیری (محاسبه اندازه گیری های استاندارد مانند نسبت قلب به قفسه سینه)، و تهیه گزارش (قرار دادن یافته ها در متن منظم). آنچه هوش مصنوعی نمی تواند انجام دهد: تشخیص قطعی، تشخیص قطعی بدخیم/خوش خیم، تصمیم درمانی و جایگزینی معاینه.

موذیانه ترین دام هوش مصنوعی مبتنی بر بینایی این است که بیشتر بر روی داده های انسانی یا داده های گونه های محدود آموزش دیده است. آناتومی قفسه سینه سگ و قفسه سینه گربه، تازی و بولداگ متفاوت است. هوش مصنوعی می‌تواند این تفاوت‌ها را اشتباه گرفته و تغییرات عادی را به‌عنوان آسیب‌شناسی یا بالعکس علامت‌گذاری کند.

احتیاط: فقط به این دلیل که AI یک یافته را علامت گذاری می کند به این معنی نیست که "چیزی در آنجا وجود دارد". به معنای "اینجا را نگاه کن". هر ناحیه علامت گذاری شده باید بر اساس زمینه بالینی و تصویربرداری موقعیت استاندارد اعتبارسنجی شود. نواحی بدون علامت نیز باید توسط پزشک معاینه شوند.

خطای دو طرفه: مثبت کاذب و منفی کاذب

هوش مصنوعی تصویر دو نوع خطا ایجاد می کند. مثبت کاذب: یافته ای را نشان می دهد که وجود ندارد (مثلاً با جرم در برهم نهی اشتباه گرفته شده است). این منجر به بررسی غیر ضروری و اضطراب مالک می شود. منفی کاذب: یک یافته واقعی را از دست می دهد (مثلاً یک متاستاز کوچک را از دست می دهد). این خطرناک تر است زیرا می تواند پزشک را به اعتماد به نفس کاذب سوق دهد. بنابراین فقط به این دلیل که هوش مصنوعی می گوید "تمیز" آسیب شناسی را حذف نمی کند. پزشک باید کل تصویر را با چشمان خود ارزیابی کند.

گام به گام: پیش ارزیابی تصویر با هوش مصنوعی

1. دریافت تصاویر با کیفیت بدون موقعیت استاندارد، نوردهی صحیح، تصویر واضح، هیچ تفسیری قابل اعتماد نیست.
2. زمینه بالینی را اضافه کنید. گونه، سن، شکایت و یافته های معاینه را به هوش مصنوعی بدهید.
3. درخواست پیش غربالگری از هوش مصنوعی بخواهید که "مناطق مورد نظر را علامت گذاری کند" نه "تشخیص".
4. علائم را بررسی کنید هر علامت را با تصویر استاندارد و زمینه بالینی بررسی کنید.
5. جستجو برای کسانی که فرار کرده اند. قسمت هایی را که هوش مصنوعی علامت گذاری نکرده است را خودتان بررسی کنید.
6. با یک متخصص مشورت کنید. در صورت وجود یافته های مشکوک یا بحرانی، ارزیابی رادیولوژیست/پاتولوژیست را دریافت کنید.
7. اجازه دهید پزشک گزارش را تایید کند. تفسیر و امضای نهایی متعلق به پزشک است.

سه کیف کوچک

مورد 1. هوش مصنوعی در یک سگ 9 ساله یک ندول احتمالی را در لوب ریه دمی راست نشان داد. پزشک منطقه را با کشیدن دو حالته استاندارد بررسی کرد. او دید که علامت در واقع سایه‌ای از دنده‌ها و رگ‌ها روی هم قرار گرفته است (مثبت کاذب). هوش مصنوعی توجه را هدایت کرد، اما پزشک تشخیص را اصلاح کرد.

مورد 2. 14 رادیوگرافی در طول یک شیفت اضطراری شلوغ جمع شده است. هوش مصنوعی تصاویر را بر اساس احتمال فوریت مرتب کرد و یک مورد احتمالی مایع شکمی آزاد را ارائه کرد. پزشک از این دستور به عنوان نشانه اولویت استفاده کرد، اما همچنان هر تصویر را خودش ارزیابی کرد. اولویت بندی در زمان صرفه جویی شده است. تصمیم با دکتر بود.

مورد 3. AI گفت که یک نمونه سیتولوژی از یک توده «احتمالاً التهابی بود». پزشک متوجه شد که کیفیت نمونه ضعیف است (سلول کم، آلودگی خون)، نمونه جدیدی برداشت و برای پاتولوژیست فرستاد. نتیجه متفاوت بود. این مورد نشان می دهد که اگر کیفیت نمونه/تصویر ضعیف باشد، خروجی هوش مصنوعی نیز غیرقابل اعتماد است.

نمودار مقایسه ای

وضعیت

نقش هوش مصنوعی

نقش پزشک

کیفیت تصویر ضعیف است

غیر قابل اعتماد، هشدار دهید

عکسبرداری مجدد/نمونه

یافتن علامت گذاری شده است

سرنخ "اینجا را نگاه کن".

با تصویر استاندارد تأیید کنید

هیچ یافته ای وجود ندارد

آسیب شناسی را حذف نمی کند

خودتان آن را بررسی کنید

یافته انتقادی / مشکوک

پیش نویس گزارش

با رادیولوژیست/پاتولوژیست مشورت کنید، تایید کنید

چهار قالب قابل کپی

نقش: دستیار پیش از غربالگری تصویر (شما تشخیص نمی دهید، توجه را جلب می کنید). زمینه: نوع [...]، سن [...]، شکایت [...]، نوع عکس [...] موقعیت. وظیفه: مناطقی را در این تصویر فهرست کنید که باید به دقت بررسی شوند و چرا. دادن "تشخیص قطعی"؛ برای هر مورد "تأیید پزشک" را بنویسید.

وظیفه: یک گزارش ساختار یافته از یافته های رادیولوژی زیر (کیفیت فنی / یافته ها / تفسیر پیشنهادی) ایجاد کنید. قانون: تفسیر را به زبان "ممکن" بنویسید، تشخیص قطعی انجام ندهید. تفسیر نهایی متعلق به پزشک است. یافته ها: [...]

وظیفه: چک لیست کیفیت فنی را برای این تصویر/نمونه (موقعیت، نوردهی، حرکت، کفایت نمونه) ارائه دهید. اگر کیفیت پایین باشد، اخطار "نظر غیر قابل اعتماد است، باید دوباره ارسال شود" را برجسته می کند. زمینه: [...]

وظیفه: فهرستی با معیارهای پرچم قرمز زمانی که برای یافته های زیر به متخصص (رادیولوژیست/پاتولوژیست) ارجاع شود. تصمیم با پزشک است. یافته: [...]

اعلان ضعیف / اعلان قوی

ضعیف: "در این اشعه ایکس چه چیزی وجود دارد، آن را تشخیص دهید."

گوچلو: "رادیوگرافی قفسه سینه جانبی راست و چپ از گربه 10 ساله ای که از سرفه شکایت می کند. مناطقی را که باید به دقت بررسی شوند و دلیل آن را لیست کنید؛ تشخیص قطعی نکنید، برای هر مورد بنویسید "پزشک باید تایید کند". اگر در کیفیت تصویر مشکلی مشاهده کردید، ابتدا آن را بیان کنید."

در اعلان قدرتمند، نقش هوش مصنوعی به پیش غربالگری محدود می شود، کنترل کیفیت در اولویت قرار می گیرد و تشخیص ممنوع است.

اشتباهات رایج

• اشتباه گرفتن علامت با تشخیص هوش مصنوعی می گوید "اینجا را نگاه کن" نه "این همان است".
• نظر دادن با تصاویر بی کیفیت هم هوش مصنوعی و هم انسان در تصویر با کیفیت پایین اشتباه می شوند.
• اعتماد به خروجی «پاک» و کنار گذاشتن بررسی. منفی های کاذب یک خطر واقعی هستند.
• دور زدن تفاوت ژانر/موقعیت. هوش مصنوعی آموزش‌دیده بر روی داده‌های انسانی یا دیگر انواع داده‌ها را گمراه می‌کند.
• تاخیر در مراجعه متخصص در یافته های بحرانی/ مشکوک، ارزیابی رادیولوژیست/پاتولوژیست ضروری است.

آستانه اعتماد و مشکل "جعبه سیاه".

ابزارهای هوش مصنوعی مبتنی بر چشم انداز اغلب یک امتیاز احتمالی را نشان می دهند: «مخاطب احتمالاً زیاد است» یا یک درصد. این عدد یک احساس گمراه کننده از اطمینان ایجاد می کند. با این حال، اغلب نمی توان دید که مدل چگونه در پس زمینه تصمیم می گیرد. این مشکل جعبه سیاه نامیده می شود: سیستم نتیجه ای ایجاد می کند اما استدلال خود را به گونه ای توضیح نمی دهد که انسان بتواند آن را کنترل کند. یک پزشک نباید به نتیجه ای که نمی تواند توجیه آن را ببیند، اعتماد کورکورانه داشته باشد. اگر داده ها و شرایطی که آن مدل در آن آموزش داده شده مشابه بیمار شما باشد، نمره بالا معنادار است. اگر گونه‌های مختلف، دستگاه‌های متفاوت یا موقعیت‌های غیرعادی درگیر باشند، امتیاز به سرعت غیرقابل اعتماد می‌شود.

یک قانون سرانگشتی این است که صرف نظر از امتیاز هوش مصنوعی، خودتان ببینید و برای هر یافته ای که تصمیم شما را تغییر می دهد، آن را با زمینه بالینی مطابقت دهید. نمره بالا ممکن است شما را به سمت یک آزمایش راهنمایی کند، اما آزمایش و معاینه تشخیص را نشان می دهد. نمره پایین نباید به شما اطمینان دهد، زیرا منفی کاذب همیشه امکان پذیر است. علاوه بر این، ارزیابی مجدد یک تصویر در شرایط مختلف (موقعیت جدید، نوردهی متفاوت) حاشیه خطا را هم برای شما و هم برای هوش مصنوعی کاهش می‌دهد. Vision AI ابزاری است که توجه یک چشم با تجربه را هدایت می کند، نه جایگزینی برای آن. وزن تفسیر نهایی همیشه بر عهده پزشک است.

به طور خلاصه

هوش مصنوعی مبتنی بر چشم انداز کمکی قدرتمند در پیش غربالگری، اولویت بندی و تهیه گزارش است. اما تشخیص قطعی نمی دهد. نشانه‌های آن‌ها را به‌عنوان یک نشانه «اینجا نگاه کنید» را در نظر بگیرید، هر کدام را با تصاویر استاندارد و زمینه بالینی تأیید کنید، و خودتان مناطق بدون علامت را بررسی کنید. اگر کیفیت تصویر/نمونه ضعیف باشد، خروجی قابل اعتماد نیست. در صورت پیدایش بحرانی، با رادیولوژیست یا پاتولوژیست مشورت کنید. تفسیر و مسئولیت نهایی به عهده پزشک است.

وظیفه کاربردی

سه تصویر (یک رادیوگرافی، یک برش اولتراسوند، یک سیتولوژی) را در AI از قبل اسکن کنید. برای هر کدام: (1) ناحیه مشخص شده توسط هوش مصنوعی را با تصویر استاندارد بررسی کنید، (2) ارزیابی کنید که آیا مثبت یا منفی کاذب وجود دارد، (3) توجه داشته باشید که کدام مورد نیاز به ارجاع متخصص دارد. همچنین یک چک لیست کیفیت ایجاد کنید و از آن در کلینیک استفاده کنید.

چک لیست

• [ ] تصویری با کیفیت با موقعیت استاندارد و نوردهی صحیح دریافت کردم.
• [ ] من زمینه بالینی (نوع، سن، شکایت) را به هوش مصنوعی دادم.
• [ ] من از هوش مصنوعی برای غربالگری اولیه، نه تشخیص درخواست کردم.
• [ ] مناطق علامت گذاری شده را با تصویر استاندارد تأیید کردم.
• [ ] من خودم مناطق بدون علامت را هم بررسی کردم.
• [ ] من با یک متخصص در مورد یافته های مهم/مشکوک مشورت کردم.
• [ ] من به عنوان یک پزشک، گزارش نهایی را تایید کردم.