Nyereség:
- Képes elmagyarázni, hogyan jönnek létre a mesterséges intelligencia által támogatott észlelési, szegmentálási és prioritási munkafolyamatok radiológiai képeken
- Képes a modellkimeneteket (hőtérkép, valószínűség, mérés) a radiológus döntésétől elkülöníteni és támogató szerepkörbe helyezni
- Képes hitelesíteni a képmodell kimeneteit érzékenységgel/specificitással, hamis pozitív terheléssel és klinikai kontextussal
A radiológia a mesterséges intelligencia legkiforrottabb alkalmazási területe az orvosbiológiai technikában. A röntgen (röntgen), a komputertomográfia (CT; angolul CT, különböző szögekből vett röntgenmetszetek kombinálásával) és a mágneses rezonancia (MR; MRI angolul, szövetek képalkotása erős mágneses térrel és rádióhullámokkal) naponta milliónyi képet készít. A radiológusnak több éves szakértelme szükséges ahhoz, hogy ezeket a képeket értelmezze. A mesterséges intelligencia ehhez a folyamathoz járul hozzá az észleléssel (figyelemfelhívás a leletre), a szegmentálással (egy szerkezet határainak megrajzolása; angolul szegmentálással) és priorizálással (sürgős esetek a sor elejére helyezése; angolul triage). Ebben az egységben látni fogjuk, hogyan vannak felállítva ezek a munkafolyamatok, és – ami a legfontosabb – hogyan pozícionálják a kimenetet a radiológus döntésének inputjaként, nem pedig helyettesítőjeként.
Mérnökként az Ön feladata gyakran a modell fejlesztése, integrálása, validálása és teljesítményének monitorozása a klinikai csapattal. A radiológus diagnosztizálja. Az AI nem diagnosztizál; felhívja a figyelmet, mér, válogat.
A radiológiai AI munkafolyamat lépései
1. lépés – Adatok és előfeldolgozás. A képek DICOM-ként (Digital Imaging and Communications in Medicine; szabványos fájl- és kommunikációs formátum az orvosi képekhez) érkeznek. Előfeldolgozás; Ide tartozik az ablakozás (a kép kontrasztjának beállítása), az újramintavételezés (a szeletek átméretezése szabványos méretre) és a zajcsökkentés. Ez a lépés biztonságos és alkalmas az automatizálásra.
2. lépés – Észlelés és szegmentálás. A minta a tüdőcsomónak, törésnek vagy vérzésnek megfelelő területet jelöli. A kimenet általában valószínűségi pontszám és hőtérkép (olyan réteg, amely színnel mutatja azokat a területeket, ahol a modell figyelme koncentrálódik) formájában jelenik meg. A szegmentálás során a modell megrajzolja egy szerv vagy lézió pixelhatárait; Ezt a térfogat mérésére használják.
3. lépés – A prioritások meghatározása. Ha sürgős leletet (pl. agyvérzést) észlelnek, az esetet a munkalistában előrehozzák. Itt nem a radiológus cseréje a cél, hanem az, hogy a kritikus esetet hamarabb láthassák.
4. lépés – Radiológus értékelés. A modellkimenetek ajánlási rétegként kerülnek a radiológus elé. A radiológus elfogadja, elutasítja vagy megváltoztatja. A végső jelentés és a diagnózis a radiológusé.
5. lépés – Ellenőrzés és ellenőrzés. Amint a modell a terepen van, teljesítményét folyamatosan figyelemmel kísérik; A hamis pozitív és a fals negatív arányokat a rendszer külön követi nyomon a különböző eszközökön és betegcsoportokon keresztül.
Érzékenység, specifikusság és hamis pozitív teher
A képmodell értékeléséhez két alapvető mérőszám létezik. Az érzékenység a valóban betegek észlelési aránya: a nagy érzékenység kevesebb elmulasztott leletet jelent. A specifitás az a sebesség, amellyel pontosan kiküszöböljük az igazán egészségeseket: a magas specifitás kevesebb téves riasztást jelent. E kettő között egyensúly van; Ha csökkenti a küszöböt, és több leletet észlel, nő a téves riasztások száma.
A klinikán kritikus fogalom az álpozitívek terhe: ha a modell túl gyakran mondja a "gyanús" kifejezést, a radiológusnak minden alkalommal ki kell zárnia ezeket a jelzőket, és egy idő után nem veszi komolyan a riasztásokat (alert fatigue). Ezért nem csak a modell érzékenységét kell értékelni, hanem a tényleges munkafolyamatban a téves pozitívumok számát is.
Három mini tok: a számok szerint
1. eset – Időmegtakarítás a priorizálással. Az agyi CT-k vérzéses prioritási modelljét egy kórházban alkalmazták. A vérzéses esetek radiológus általi első megjelenésének átlagos ideje 28 percről 8 percre csökkent. A modellnek azonban nem sikerült rögzítenie egy elmulasztott kis szubarachnoidális vérzést; ezért minden esetben ismét teljes radiológus leolvasáson esett át. A modell felgyorsította a válogatást, de nem szüntette meg az olvasást.
2. eset – Hamis pozitív terhelés. Egy tüdőcsomó-detektáló modell átlagosan 6 „gyanús” jelet produkált betegenként, ha alacsony küszöbértékkel futtatták az érzékenységet 94%-ra; Ezek többsége érmetszet és jóindulatú góc volt. Két héten belül a radiológusok figyelmen kívül hagyták a jeleket. Amikor a küszöböt újra beállították, és a pontszámok számát páciensenként 1,5-re csökkentették, a modell ismét hasznossá vált.
3. eset – Mezőváltás. Egy törésészlelési modellt 91%-os érzékenységgel végeztek digitális röntgenkészülékeken az A kórházban, de a B kórházban 72%-ra esett vissza egy másik gyártótól származó hordozható eszközökkel. Más volt a képminőség és az elhelyezés. A modell nem tekinthető megbízhatónak anélkül, hogy minden egyes eszközön és populáción tovább validálnák, amelyben használni fogják.
Gyenge felszólítás / Erős felszólítás
Megjegyzés: Az alábbi utasítások szöveges jelentés vagy munkafolyamat konfigurálására szolgálnak, nem magának a képnek az értelmezésére. A képdiagnosztika validált klinikai szoftver és radiológus munkája.
Gyenge felszólítás:
Nézze meg ezt a röntgenjelentést, és mondja meg, ha a beteg beteg.[jelentés]
Erőteljes felszólítás:
Az Ön szerepköre: Ön radiológiai munkafolyamat-asszisztens (ÖN NEM VAGY DIAGNOSZTIKA). Az anonim radiológiai jelentés szövegét a következőképpen strukturálja: - Táblázza meg a leleteket, méréseket és anatómiai helyeket. - A homályos/negatív állításokat ("nem zárható ki") tartsa meg, ne legyen végleges. - Ne adjon hozzá olyan megállapításokat, amelyek nem szerepelnek a szövegben. - Gyűjtsd külön rovatba az "ajánló/követő" mondatokat. - A végén soroljon fel 3 pontot, amelyet a radiológusnak meg kell erősítenie. Névtelen bejelentés: [szöveg]
Az erőteljes prompt modell távol tartja a modellt az értelmezéstől, és a konfigurációra összpontosít; Kívánatos a kétértelműség fenntartása, mert a radiológia nyelvezetében a „nem kizárható” és az „elérhető” közötti különbség döntő jelentőségű.
Négy másolható sablon
1) Jelentés konfigurációja:
Ossza fel a következő anonim radiológiai jelentést a következő címekre: Indikáció, Technika, Megállapítások, Következtetés, Ajánlás. Ragaszkodjon a szöveghez, ne fűzzön hozzá megjegyzéseket. Jelentés: [szöveg]
2) A mérési konzisztencia ellenőrzése:
Sorolja fel az összes numerikus mérést (mm, cm, HU) ebben a jelentésben, és jelölje meg az egymásnak ellentmondó vagy nem fiziológiás értékeket. Jelentés: [szöveg]
3) Mintaértékelési terv:
Készítsen értékelési terv tervezetet egy képdetektálási modellhez: érzékenység, specificitás, téves pozitív/beteg, alcsoport (eszköz, életkor) elemzés, külső validációs készlet. Jelölje meg külön a klinikai jóváhagyási pontokat.
4) Hamis pozitív osztályozási megjegyzés:
Az észlelési kimenetek alábbi listáját a "radiológus prioritás magas/alacsony" kategóriába sorolja; Írd le az egyes osztályok indoklását! Közölje, hogy a radiológusra bízza a döntést. Lista: [kimenetek]
A modell szerepe: a lelet típusa szerint
Típus keresése
AI hozzájárulás
kritikusság
ellenőrzése
Sürgős vérzési prioritás meghatározása
magas
nagyon magas
Radiológus teljes olvasmány
Tüdőcsomók kimutatása
magas
magas
Küszöb + nyomkövetési protokoll
Csontkor/mérés
magas
közepes
Szakértői irányítás
Szervtérfogat tagolás
magas
közepes
Kézi mintaellenőrzés
Jelentés konfigurációja (szöveg)
magas
alacsony
Radiológus megerősítés
Tipp: Soha ne hagyatkozzon egyetlen százalékos pontosságra a megjelenítési modell értékelésekor. Kérjen együtt érzékenységet, specifikusságot, hamis pozitív terhelést és alcsoport teljesítményét; – Melyik készüléken és melyik betegcsoporton tesztelte a modellt? kérdés felfedi a legtöbb problémát.
Figyelem: A hőtérkép nem garantálja, hogy „miért” döntött úgy a modell, ahogy; Csak azt mutatja, hogy a figyelmed hova összpontosul. Néha a modell rossz okból ad meg a helyes választ (például úgy, hogy a képen egy markert néz). A magyarázhatóság kimenete szintén ellenőrzést igényel.
Gyakori hibák
- Egyetlen mérőszámra támaszkodva. A nagy általános pontosság elfedheti az alacsony érzékenységet egy kritikus alcsoportban.
- Nem méri a hamis pozitív terhelést. A túl sok jelet kibocsátó modell ingerfáradtságot okoz, és elhagyják.
- Ellenőrizze a modellt egyetlen eszközön, és használja bárhol. A képi mesterséges intelligencia meghibásodásának leggyakoribb oka a mezősodródás.
- A hőtérkép összetévesztése bizonyítékként. A figyelemtérkép nem magyarázat; A helyes válasz alapja lehet a rossz ok.
- A radiológus megszüntetése. A modell prioritásokat állít fel és megjelöl; A diagnózis és a jelentés a radiológusé.
Összefoglalva
- Radiológiai AI; Értéket termel az észlelés, a szegmentálás és a prioritások meghatározása révén, és nem helyettesíti a diagnózist.
- Egyensúly van az érzékenység és a specifikusság között; A hamis pozitív terhelés kritikus mérőszám a klinikán.
- A modelleket minden egyes eszközön és populáción külső érvényesítésen (domain shifting) kell elvégezni, amelyben használni fogják.
- A hőtérképek figyelmet mutatnak, de nem garantálják a magyarázatot; nem tekinthető bizonyítéknak.
- A végső diagnózis és jelentés a radiológusé; Az AI egy támogató réteg.
Pályázati feladat
Válasszon egy meglévő (vagy feltételezett) képészlelési forgatókönyvet. Írjon értékelési keretet ehhez a modellhez: adja meg, hogy mely mérőszámokat (érzékenység, specifitás, téves pozitív/beteg), mely alcsoportokat (eszköz, életkor, nem) és milyen külső érvényesítési készletet fog használni. Ezután jelölje meg pontosan azt a pontot a munkafolyamatban, ahol a radiológus döntést hozott, és egy bekezdésben magyarázza el, hogy a modell kimenete hogyan került bele a döntésbe.
ellenőrző lista
- [ ] Meg tudom különböztetni a radiológiai AI detektálási, szegmentálási és prioritási szerepét.
- [ ] Az érzékenységet, a specificitást és az álpozitív terhelést együtt tudom értékelni.
- [ ] Tudom, mi az a mezőeltolódás, és miért van szükség külső érvényesítésre.
- [ ] Rájöttem, hogy a hőtérkép nem magyarázat, és ellenőrzésre van szükség.
- [ ] A modell kimenetét a radiológus döntésének bemeneteként tudom pozícionálni, nem pedig helyettesítőjeként.