Nyereség:
- Képes megkülönböztetni a mesterséges intelligencia alkalmazások tipikus felhasználási területeit és modalitás-specifikus korlátait különböző modalitásokban (graphia, CT, MR, mammográfia)
- Képes értékelni az AI második olvasóként betöltött szerepét és a döntési küszöbök klinikai következményeit olyan nagy hatású területeken, mint a mammográfia és a stroke CT
- Annak megértése, hogy a teljesítmény csökkenhet (eloszlási eltolódás), ha a populációt és az eszközöket, amelyeken a mesterséges intelligenciát az egyes modalitásokban képezik, túllépik
A mesterséges intelligencia nem csak egy dolog a radiológiában; Minden modalitáshoz (képalkotási módszerhez) más eszközt, más teljesítményt és más határértéket hordoz. A mellkasröntgen modell és a stroke CT modell teljesen más problémákat old meg, és más-más hibamintát készít. Ebben az egységben az öt leggyakoribb területet – a mellkasi radiográfiát, a CT-t, az MRI-t, a mammográfiát és a stroke-ot – fogjuk lefedni, modalitás-specifikus felhasználásokkal és buktatókkal. A cél az, hogy minden eszközt a megfelelő munkához használjunk, a megfelelő korlátokkal.
Az alapelv nem változik, hanem új arcot kap minden egyes modalitásban: minden modellt egy adott eszközön, egy adott protokollon és egy adott betegpopuláción képeznek ki. E feltételek túllépése esetén a teljesítmény csökkenhet; Ezt nevezik elosztási eltolódásnak. A diagnózis a radiológusé, aki az első olvasó, nem a második olvasó.
Használat és korlátok modalitásonként
Tüdőradiográfia (röntgen): A legbőségesebb adat itt található; A modellek zászlókat generálnak a pneumothoraxra, a konszolidációra (a tüdő gyulladásos teltsége), a csomókra, a pleurális effúzióra (interpleurális folyadék) és a szív méretére. Erőssége a sebesség és a pásztázás; Gyengesége az átfedő struktúrák (csont, ér, mellárnyék) miatti magas hamis pozitív érték, valamint a kis csomók hiányára való hajlam.
CT (számítógépes tomográfia): A keresztmetszeti képnek köszönhetően a modellek erősek embólia, vérzés, csomó, törés, szervtérfogat esetén. Erőssége háromdimenziós mérés; A gyengeség a protokoll/szeletvastagság és a kontrasztfázis iránti nagy érzékenység – a teljesítmény a különböző protokolloktól függően változik.
MRI (mágneses rezonancia): A lágyszöveti kontraszt magas; Vannak modellek stroke diffúzióra, prosztata elváltozásra, agyi elváltozásokra, porcokra. Gyengesége, hogy túl nagy az eszköz/szekvencia diverzitás – a modell elveszíti megbízhatóságát azon a sorozaton kívül, amelyre betanították.
Mammográfia: nagy hatású mező; A modellek a tömegek és a mikromeszesedések második olvasójaként működnek. Erőssége abban rejlik, hogy csökkenti a mellrákszűrésből származó kihagyásokat; Gyengesége a sűrű mellszövet teljesítményromlása és a hamis pozitív eredmények visszahívása.
Stroke (agyi CT/CT angiográfia/perfúzió): Ez az időkritikus terület; A modellek gyors jelzéseket adnak a nagy érelzáródásra (LVO), az ischaemia korai jeleire és a vérzésre, valamint a gyorsító kezelési (thrombectomia) döntésekre. Gyengeségei a mozgási műtermékek és a korai/halvány leletek korlátozott megbízhatósága.
modalitás
Tipikus AI használat
erős oldala
Modalitásspecifikus határérték
Tüdőröntgen
Pneumothorax, csomó, effúziós zászló
sebesség, pásztázás
Átfedés, magas hamis pozitív érték
IT
Embólia, vérzés, csomó, térfogat
3D mérés
Érzékeny a protokoll/kontraszt fázisra
MRI
Stroke diffúzió, prosztata, agy
lágy szövet
Sorozat/eszköz diverzitás
mammográfia
Tömeg, mikromeszesedés (2. olvasó)
Csökkentse az inkontinenciát
Sűrű mellbe esés, terhelés visszahívása
Stroke CT
LVO, ischaemia, vérző zászló
időmegtakarítás
Műtárgy, korai/halvány lelet
Második olvasó szerepe és döntési küszöbe
Az olyan nagy hatású területeken, mint a mammográfia és a stroke, a mesterséges intelligencia gyakran második olvasóként szerepel: a radiológus olvas, majd az AI által jelzetteket felülvizsgálja (vagy fordítva). Ez lehetőséget ad arra, hogy elkapja azt, amit az egyetlen radiológus kihagyott. De van két kockázat. Először is, az AI által nem jelölt területet "tisztának" tekintik (automatizálási torzítás). Másodszor, a döntési küszöb klinikai következménye: ha a küszöbérték alacsony a mammográfiában, akkor több lesz a visszahívás (és szükségtelen biopszia, szorongás); Ha magas, a szivárgás nő. Ezt a küszöböt az intézmény szűrési filozófiája és a radiológus értelmezése határozza meg; nem műszaki alapértelmezés.
Figyelem: Csak azért, mert egy modell jól működik az egyik módozatban, nem jelenti azt, hogy jól fog működni egy másik modalitásban vagy ugyanazon modalitás másik eszközén/protokollján. Ha a modellt "tüdőradiográfiára" képezték ki, teljesítménye eltérhet a hordozható kritikus gondozási radiográfiában. A felhasználási kör mindig arra korlátozódik, amelyre a modellt jóváhagyták.
három mini tok
1. eset – A mammográfia második olvasót nyer. A radiológus a szűrőmammográfiát rendesen leolvassa. Az YZ második olvasóként a mikromeszesedés csoportját jelöli egy régióban. A radiológus hátranéz, és egy nagyon halvány fürtöt lát; További képalkotással korai ductalis carcinoma in situ (korai stádiumú emlőrák) észlelhető. A mesterséges intelligencia „második szemként” akadályozta meg a szökést; A radiológus megállapította a diagnózist.
2. eset – Löketidő nyereség. A sürgősségi agyi CT angiogramban az AI 2 percen belül nagy érelzáródást (LVO) jelez, és elindítja a stroke csapatot. A radiológus megerősíti, a beteget trombectomiára viszik; Az ajtótól-tűig terjedő idő jelentősen lerövidül. De ugyanazon a héten a modell kihagy egy halvány korai ischaemiát; A radiológus saját leolvasásával rögzíti. A mesterséges intelligencia gyorsaságot hozott, de az első olvasó maradt a radiológus.
3. eset – Elosztásváltás. A mellkasröntgen modell tökéletesen működik egy nagy kórház helyhez kötött berendezésein. Ha ugyanazt a modellt használják egy intenzív osztály hordozható eszközein, a hamis pozitív eredmények felrobbannak: az eltérő expozíció, a rossz minőség és az egymást átfedő berendezések árnyékai megzavarják a modellt. A csapat rájön, hogy a modellt hordozható grafikonokon használják helyi ellenőrzés nélkül, és leszűkíti a hatókört. Tanulság: a teljesítmény megváltozik, amikor az eszköz/protokoll módosul.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Jó ez az MRI modell? Használjuk?
Nincsenek módozati részletek, sorrend, populáció és tervezett felhasználás; Általános és kockázatos válasz érkezik.
Erőteljes felszólítás:
Az Ön szerepe: Társtanácsadó a modalitás-specifikus mesterséges intelligencia kiválasztásában. Döntéshozatal; Tedd fel, milyen kérdéseket tegyek fel. A prosztata MRI elváltozás modelljét fontolgatjuk. Fontolja meg: (1) milyen szekvenciákra/eszközre/mágneses térerősségre tanították a modellt, egyezik-e a miénkkel, (2) melyik populációban validálták, (3) másodolvasó vagy diagnosztikai segédeszköz, (4) sűrű/atipikus esetekben az ismert határértékén van-e, (5) mekkora a kockázata annak, hogy helyi validáció nélkül használjuk. A végső döntés az intézményé.
Az erős felszólítás megkérdőjelezi a modalitás-specifikus megfelelést, a populációt és a helyi érvényesítést.
Másolható prompt sablonok
MODALITÁS MEGFELELÉS SABLONA te szereped: ASSZISZTENS. Megadom az AI modellt és a saját eszközünk/protokollunk adatait. Hasonlítsa össze a miénket azzal a modalitással, eszközzel, szekvenciával/protokollal és populációval, amelyre a modellt betanították; Sorolja fel az eloszlás eltolódásának kockázatát fenyegető különbségeket, és értékelje, hogy szükséges-e a helyi ellenőrzés. A döntés az intézményben van. Információ: [írni]
MÁSODIK OLVASÓ FEGYELME SABLON Készítsen egy ellenőrzőlistát, amely megőrzi az olvasási fegyelmet a második olvasó mesterséges intelligencia használatakor: először magamat olvassam el, hogyan védjem meg azt a területet, amelyet az AI nem jelöl meg, hogyan erősíthetem meg az AI-jelölést, hogyan kerülhetem el az automatizálási torzítást. Modalitás: [írás]
A DÖNTÉSI KÜSZÖBÖR EREDMÉNYSABBONJA megadja a döntési küszöb forgatókönyvét egy módozatban (pl. mammográfia). Magyarázza el a visszahívási küszöb csökkentésének/emelésének klinikai következményeit, a szükségtelen biopsziát, az adókijátszást és a szorongást. Emlékeztessen bennünket, hogy a küszöböt az intézmény szűrési filozófiája határozza meg. Forgatókönyv: [írás]
A MODALITÁS HATÁRÉRTÉKE EMLÉKEZTETŐ TEMPLATEI modalitást és AI-feladatot ad. Sorolja fel az erre a modalitásra jellemző tipikus hibaforrásokat (pl. átfedés a mellkasröntgenben, szekvenciaeltérés az MRI-ben, műtermék a stroke CT-ben), és azokat a pontokat, amelyekre a radiológusnak fokozott figyelmet kell fordítania. Modalitás/feladat: [írás]
Gyakori hibák
- Modalitás-specifikus modell használata más körülmények között. A helyhez kötött készülékmodell másként viselkedik a hordozható készülékben; hatályát meg kell őrizni.
- „Tisztának” számítva, amit a második olvasó nem jelölt meg. Automatizálási torzítás; Olvasásukat védeni kell.
- A döntési küszöb tévedése mérnöki beállításként. A küszöb a klinikai egyensúly; A szkennelési filozófia szerint igazodik.
- A sorrend/protokoll különbség figyelmen kívül hagyása. Az MR/CT-modellek elveszítik megbízhatóságukat azon a protokollon kívül, amelyre betanították őket.
- Terjesztés helyi ellenőrzés nélkül. Az eloszlási sodródás csendben rontja a teljesítményt.
Tipp: Mielőtt új, modalitás-specifikus modellt használna, tegyél fel három kérdést: "Milyen eszközre/protokollra/populációra képezték ki ezt a modellt? A miénk is így néz ki? Validáltuk a saját adatainkon?" Ha mindhárom nem kielégítő, akkor a modell nem gyorsító, hanem rejtett kockázat.
Összefoglalva
A mesterséges intelligencia minden modalitásban más eszköz: gyors szűrés a mellkasröntgenben, de az átfedés miatt hamis pozitív; Erőteljes 3D mérés, de protokoll érzékenység CT-ben; Lágyszövet erőssége, de szekvenciadiverzitás az MRI-ben; a második olvasó csökkenti az elrablást, de a visszahívási terhet a mammográfiában; Időnövekedés a löketben, de a műtermék határ. Az olyan nagy hatású területeken, mint a mammográfia és a stroke, az MI lesz a második olvasó, de az első olvasó mindig a radiológus, és a döntési küszöb a klinikai egyensúly. Ha az eszközt, a protokollt és a populációt, amelyen az egyes modelleket betanítják, a hatótávolságon kívülre helyezik, teljesítménye csökken (elosztási eltolódás); tehát a hatókört fenn kell tartani és helyi érvényesítést kell végezni.
Pályázati feladat
Válasszon egy módot a rutin során (radiográfia, CT, MRI, mammográfia vagy stroke). A „Modality Limit Reminder” sablon használatával írjon fel legalább három tipikus mesterséges intelligencia-hibaforrást, amelyek az adott módozatra jellemzőek, és olyan pontokat, amelyekre a radiológus fokozott figyelmet kell fordítania. Ezután értékelje ki az adott módozathoz fontolóra vett modellt a „Modality Fit” sablonnal: az eszköz/protokoll/populáció megegyezik az Önével, szükséges-e helyi érvényesítés? Ha van másodolvasói szerepkör, igazítsa a „Második olvasó fegyelem” listát a rutinjához.
ellenőrző lista
- [ ] Megtanultam azt a modalitást, eszközt, protokollt és populációt, amelyre a modellt képezték.
- [ ] A saját feltételeimmel való kompatibilitást értékeltem (eloszlási eltolódás veszélye).
- [ ] A modellt csak a jóváhagyott mértékben használom.
- [ ] Másodolvasó szerepben fenntartom önálló olvasmányomat.
- [ ] Tudomásul veszem, hogy a döntési küszöb klinikai egyensúly, és a szűrési filozófia határozza meg.
- [ ] Tipikus modalitás-specifikus hibaforrásokat veszek figyelembe (műtermék, átfedés, szekvenciakülönbség).
- [ ] Nem terjesztek új állapotban helyi érvényesítés nélkül.