Voitot:
- Kyky selittää, kuinka tekoälyn tukemat havaitsemis-, segmentointi- ja priorisointityönkulut muodostetaan radiologisissa kuvissa
- Kyky erottaa mallin tuotokset (lämpökartta, todennäköisyys, mittaus) radiologin päätöksestä ja sijoittaa ne tukirooliin
- Kyky validoida kuvamallin tulokset herkkyyden/spesifisyyden, väärän positiivisen taakan ja kliinisen kontekstin avulla
Radiologia on tekoälyn kypsin sovellusalue biolääketieteen tekniikassa. Röntgen (röntgen), tietokonetomografia (CT; englanniksi CT, jossa yhdistetään eri kulmista otettuja röntgenleikkeitä) ja magneettiresonanssi (MR; englanniksi MRI, kudoksen kuvantaminen vahvalla magneettikentällä ja radioaaltoja) tuottavat miljoonia kuvia päivittäin. Näiden kuvien tulkitseminen radiologilta vaatii vuosien asiantuntemusta. Tekoäly osallistuu tähän prosessiin havaitsemalla (kiinnittää huomion löydöksiin), segmentoinnilla (piirtämällä rakenteen rajat; segmentoinnilla englanniksi) ja priorisoinnilla (kiireellisten tapausten asettaminen jonon alkuun; triage englanniksi). Tässä osiossa näemme, kuinka nämä työnkulut määritetään ja – mikä tärkeintä – kuinka tulos sijoitetaan radiologin päätöksen syötteeksi sen sijaan, että se korvaisi sen.
Insinöörinä sinun tehtäväsi on usein kehittää mallia, integroida se, validoida se ja seurata sen suorituskykyä kliinisen tiimin kanssa. Diagnoosin tekee radiologi. AI ei tee diagnoosia; kiinnittää huomiota, mittaa, lajittelee.
Radiologisen tekoälyn työnkulun vaiheet
Vaihe 1 – Tiedot ja esikäsittely. Kuvat tulevat DICOM-muodossa (Digital Imaging and Communications in Medicine; tavallinen tiedosto- ja viestintämuoto lääketieteellisille kuville). Esikäsittely; Näitä ovat ikkunointi (kuvan kontrastin säätäminen), uudelleennäytteenotto (viipaleiden koon muuttaminen vakiokokoon) ja kohinanvaimennus. Tämä vaihe on turvallinen ja soveltuu automaatioon.
Vaihe 2 – Havaitseminen ja segmentointi. Kuvio merkitsee keuhkokyhmyä, murtumaa tai verenvuotoa vastaavan alueen. Tulos on yleensä todennäköisyyspistemäärän ja lämpökartan muodossa (kerros, joka näyttää värillä alueet, joihin mallin huomio on keskittynyt). Segmentoinnissa malli piirtää elimen tai leesion pikselirajat; Tätä käytetään tilavuuden mittaamiseen.
Vaihe 3 – Priorisoi. Jos havaitaan kiireellinen löydös (esim. aivoverenvuoto), asia tuodaan eteenpäin työlistalla. Tarkoituksena ei ole vaihtaa radiologia, vaan varmistaa, että kriittinen tapaus nähdään aikaisemmin.
Vaihe 4 – Radiologin arviointi. Mallin tulokset esitetään radiologille suosituskerroksena. Radiologi hyväksyy, hylkää tai muuttaa. Loppuraportti ja diagnoosi kuuluvat radiologille.
Vaihe 5 – Todentaminen ja seuranta. Kun malli on kentällä, sen suorituskykyä seurataan jatkuvasti; Vääriä positiivisia ja vääriä negatiivisia määriä seurataan erikseen eri laitteissa ja potilasryhmissä.
Herkkyys, spesifisyys ja väärä positiivinen taakka
Kuvamallin arvioinnissa on kaksi perusmittaria. Herkkyys on todella sairaiden havaitsemisaste: korkea herkkyys tarkoittaa vähemmän puuttuvia löydöksiä. Spesifisyys on nopeus, jolla eliminoimme tarkasti todella terveelliset: korkea spesifisyys tarkoittaa vähemmän vääriä hälytyksiä. Näiden kahden välillä on tasapaino; Jos alennat kynnystä ja havaitset lisää löydöksiä, väärät hälytykset lisääntyvät.
Klinikalla kriittinen käsite on väärien positiivisten tulosten taakka: jos malli sanoo "epäilyttävä" liian usein, radiologi joutuu joka kerta sulkemaan nämä liput pois, eikä hetken kuluttua ota hälytyksiä vakavasti (alert fatigue). Siksi ei vain mallin herkkyyttä tulisi arvioida, vaan myös väärien positiivisten tulosten lukumäärä varsinaisessa työnkulussa.
Kolme minikoteloa: Numeroiden mukaan
Tapaus 1 — Priorisoinnin säästämä aika. Aivojen TT:n verenvuodon priorisointimalli otettiin käyttöön sairaalassa. Keskimääräinen aika verenvuototapausten ensimmäiselle tarkastukselle radiologille lyheni 28 minuutista 8 minuuttiin. Malli ei kuitenkaan onnistunut tallentamaan puuttuvaa pientä subarachnoidaalista verenvuotoa; siksi kaikille tapauksille tehtiin jälleen täysi radiologin lukema. Malli nopeutti lajittelua, mutta ei poistanut lukemista.
Tapaus 2 – Väärä positiivinen taakka. Keuhkokyhmyjen havaitsemismalli tuotti keskimäärin 6 "epäilyttävää" merkkiä potilasta kohden, kun se ajettiin matalalla kynnyksellä herkkyyden nostamiseksi 94 %:iin; Suurin osa näistä oli verisuonileikkeitä ja hyvänlaatuisia pesäkkeitä. Kahden viikon kuluessa radiologit alkoivat jättää merkit huomiotta. Kun kynnys säädettiin uudelleen ja pistemäärä väheni 1,5:een potilasta kohti, mallista tuli jälleen käyttökelpoinen.
Tapaus 3 – Kenttäsiirto. Murtuman havaitsemismalli suoritettiin 91 % herkkyydellä digitaalisilla röntgenlaitteilla sairaalassa A, mutta laski 72 %:iin sairaalassa B käyttämällä eri valmistajan kannettavia laitteita. Kuvan laatu ja sijainti olivat erilaisia. Mallia ei voida pitää luotettavana ilman, että sitä on edelleen validoitu jokaisessa laitteessa ja populaatiossa, jossa sitä käytetään.
Heikko kehote / Vahva kehote
Huomautus: Alla olevat kehotteet on tarkoitettu tekstiraportin tai työnkulun määrittämiseen, eivät itse kuvan tulkitsemiseen. Kuvadiagnoosi on validoidun kliinisen ohjelmiston ja radiologin työtä.
Heikko kehote:
Katso tämä röntgenraportti ja kerro, onko potilas sairas.[raportti]
Tehokas kehotus:
Tehtäväsi: Olet radiologian työnkulkuassistentti (ET OLE DIAGNOOSIA). Jäsennä anonyymi radiologian raportin teksti seuraavasti: - Taulukko löydökset, mittaukset ja anatomiset paikat. - Säilytä epämääräiset/negatiiviset lausumat ("ei voida sulkea pois") sellaisinaan, älä tee lopullisia. - Älä lisää havaintoja, joita ei ole tekstissä. - Kerää "suositus/seuranta" lauseet erilliseen osioon. - Listaa lopuksi 3 kohtaa, jotka radiologin tulee vahvistaa. Nimetön raportti: [teksti]
Tehokas nopea malli pitää mallin poissa tulkinnasta ja keskittyy konfigurointiin; On toivottavaa säilyttää epäselvyys, koska radiologian kielessä ero "ei voida sulkea pois" ja "on saatavilla" välillä on ratkaiseva.
Neljä kopioitavaa mallia
1) Raportin määritykset:
Jaa seuraava anonyymi radiologian raportti seuraaviin otsikoihin: Indikaatio, Tekniikka, Havainnot, Päätelmä, Suositus. Pysy tekstissä, älä lisää kommentteja. Raportti: [teksti]
2) Mittauksen johdonmukaisuuden tarkistus:
Listaa kaikki numeeriset mittaukset (mm, cm, HU) tässä raportissa ja merkitse ristiriitaiset tai ei-fysiologiset arvot. Raportti: [teksti]
3) Mallin arviointisuunnitelma:
Kirjoita kuvan havaitsemismallin arviointisuunnitelmaluonnos: herkkyys, spesifisyys, väärä positiivinen/potilas, alaryhmäanalyysi (laite, ikä), ulkoinen validointisarja. Merkitse kliiniset hyväksyntäkohdat erikseen.
4) Väärä positiivinen triagehuomautus:
Luokittele seuraava tunnistustulosten luettelo "radiologin prioriteetti korkea/matala"; Kirjoita kunkin luokan perustelut. Ilmoita, että jätät päätöksen radiologille.Lista: [tulot]
Mallin rooli: löydön tyypin mukaan
Tyypin etsiminen
AI panos
kriittisyys
vahvistusta
Kiireellinen verenvuodon priorisointi
korkea
erittäin korkea
Radiologin koko lukeminen
Keuhkojen kyhmyjen havaitseminen
korkea
korkea
Kynnys + seurantaprotokolla
Luun ikä/mitta
korkea
keskikokoinen
Asiantunteva valvonta
Elinten tilavuuden segmentointi
korkea
keskikokoinen
Manuaalinen näytetarkistus
Raportin määritykset (teksti)
korkea
alhainen
Radiologin vahvistus
Vinkki: Älä koskaan luota yhteen tarkkuusprosenttiin näyttömallia arvioidessasi. Kysy herkkyyttä, spesifisyyttä, väärää positiivista taakkaa ja alaryhmän suorituskykyä yhdessä; "Millä laitteella ja potilasryhmällä testasit mallia?" kysymys paljastaa useimmat ongelmat.
Varoitus: lämpökartta ei takaa "miksi" malli päätti niin kuin se teki; Se vain osoittaa, mihin huomiosi on keskittynyt. Joskus malli antaa oikean vastauksen väärästä syystä (esimerkiksi katsomalla kuvassa olevaa merkkiä). Selitettävyystulos vaatii myös validoinnin.
Yleisiä virheitä
- Luotetaan yhteen mittariin. Suuri yleinen tarkkuus saattaa peittää alhaisen herkkyyden kriittisessä alaryhmässä.
- Ei mittaa väärää positiivista kuormaa. Liian monta signaalia tuottava malli aiheuttaa ärsykeväsymystä ja hylätään.
- Tarkista malli yhdellä laitteella ja käytä sitä missä tahansa. Kentän ajautuminen on yleisin syy kuvan tekoälyn epäonnistumiseen.
- Lämpökartan sekoittaminen todisteeksi. Huomiokartta ei ole selitys; Oikea vastaus voi perustua väärään syystä.
- Radiologin poistaminen. Malli priorisoi ja liput; Diagnoosi ja raportti kuuluvat radiologille.
Yhteenvetona
- Radiologinen AI; Se tuottaa arvoa havaitsemisen, segmentoinnin ja priorisoinnin kautta, eikä se korvaa diagnoosia.
- Herkkyyden ja spesifisyyden välillä on tasapaino; Väärä positiivinen rasitus on kriittinen mittari klinikalla.
- Malleille on tehtävä ulkoinen validointi (verkkotunnuksen vaihto) jokaisessa laitteessa ja populaatiossa, jossa niitä käytetään.
- Lämpökartat osoittavat huomiota, mutta eivät takaa selitystä; ei voida pitää todisteena.
- Lopullinen diagnoosi ja raportti kuuluu radiologille; AI on tukikerros.
Sovellustehtävä
Valitse olemassa oleva (tai hypoteettinen) kuvantunnistusskenaario. Kirjoita tälle mallille arviointikehys: määritä, mitä mittareita (herkkyys, spesifisyys, väärä positiivinen/potilas), mitä alaryhmiä (laite, ikä, sukupuoli) ja mitä ulkoista validointisarjaa käytät. Merkitse sitten työnkulun tarkka kohta, jossa radiologi teki päätöksen, ja selitä kappaleessa, kuinka mallin tulos sisällytettiin tähän päätökseen.
tarkistuslista
- [ ] Pystyn erottamaan radiologisen tekoälyn havaitsemisen, segmentoinnin ja priorisoinnin roolit.
- [ ] Pystyn arvioimaan herkkyyttä, spesifisyyttä ja väärää positiivista taakkaa yhdessä.
- [ ] Tiedän mitä kentän siirto on ja miksi ulkoinen validointi vaaditaan.
- [ ] Ymmärsin, että lämpökartta ei ole selitys ja se on tarkistettava.
- [ ] Voin sijoittaa mallin tulosteen syötteeksi radiologin päätökseen sen sijaan, että se korvaisi sen.