Keuntungan:
- Kemampuan untuk menjelaskan bagaimana alur kerja deteksi, segmentasi, dan prioritas yang didukung kecerdasan buatan ditetapkan dalam gambar radiologi
- Kemampuan untuk memisahkan keluaran model (peta panas, probabilitas, pengukuran) dari keputusan ahli radiologi dan memposisikannya dalam peran pendukung
- Kemampuan untuk memvalidasi keluaran model gambar dengan sensitivitas/spesifisitas, beban positif palsu, dan konteks klinis
Radiologi adalah bidang penerapan kecerdasan buatan yang paling matang dalam teknik biomedis. Sinar-X (X-ray), computer tomography (CT; CT dalam bahasa Inggris, menggabungkan bagian sinar-X yang diambil dari berbagai sudut) dan resonansi magnetik (MR; MRI dalam bahasa Inggris, pencitraan jaringan dengan medan magnet yang kuat dan gelombang radio) menghasilkan jutaan gambar setiap hari. Dibutuhkan keahlian bertahun-tahun bagi ahli radiologi untuk menafsirkan gambar-gambar ini. Kecerdasan buatan berkontribusi pada proses ini dengan deteksi (menarik perhatian pada temuan), segmentasi (menggambar batas-batas suatu struktur; segmentasi dalam bahasa Inggris) dan penentuan prioritas (menempatkan kasus-kasus mendesak di awal antrian; triage dalam bahasa Inggris). Dalam unit ini, kita akan melihat bagaimana alur kerja ini diatur dan - yang paling penting - bagaimana output diposisikan sebagai masukan, bukan sebagai pengganti, keputusan ahli radiologi.
Sebagai seorang insinyur, tugas Anda sering kali adalah mengembangkan model, mengintegrasikannya, memvalidasinya, dan memantau kinerjanya dengan tim klinis. Ahli radiologi membuat diagnosis. AI tidak mendiagnosis; menarik perhatian, mengukur, memilah.
Langkah-langkah Alur Kerja AI Radiologis
Langkah 1 — Data dan prapemrosesan. Gambar datang sebagai DICOM (Digital Imaging and Communications in Medicine; file standar dan format komunikasi untuk gambar medis). Pra-pemrosesan; Ini termasuk windowing (menyesuaikan kontras gambar), resampling (mengubah ukuran irisan ke ukuran standar), dan pengurangan noise. Langkah ini aman dan cocok untuk otomatisasi.
Langkah 2 — Deteksi dan segmentasi. Pola tersebut menandai area yang berhubungan dengan nodul paru, patah tulang, atau pendarahan. Keluarannya biasanya berupa skor probabilitas dan peta panas (lapisan yang menunjukkan area di mana perhatian model terkonsentrasi berdasarkan warna). Dalam segmentasi, model menggambar batas piksel suatu organ atau lesi; Ini digunakan untuk pengukuran volume.
Langkah 3 — Prioritaskan. Jika ditemukan temuan mendesak (misalnya pendarahan otak), kasus tersebut akan dimasukkan ke dalam daftar kerja. Tujuannya di sini bukan untuk mengganti ahli radiologi, namun untuk memastikan bahwa kasus kritis dapat ditangani lebih awal.
Langkah 4 — Evaluasi ahli radiologi. Keluaran model disajikan kepada ahli radiologi sebagai lapisan rekomendasi. Ahli radiologi menerima, menolak atau mengubah. Laporan akhir dan diagnosis adalah milik ahli radiologi.
Langkah 5 — Verifikasi dan pemantauan. Setelah model berada di lapangan, kinerjanya terus dipantau; Tingkat positif palsu dan negatif palsu dilacak secara terpisah di berbagai perangkat dan kelompok pasien.
Sensitivitas, Spesifisitas dan Beban Positif Palsu
Ada dua metrik dasar untuk evaluasi model gambar. Sensitivitas adalah tingkat deteksi orang-orang yang benar-benar sakit: sensitivitas yang tinggi berarti lebih sedikit temuan yang terlewat. Spesifisitas adalah tingkat di mana kita secara akurat menghilangkan penyakit yang benar-benar sehat: spesifisitas yang tinggi berarti lebih sedikit alarm palsu. Ada keseimbangan antara keduanya; Jika Anda menurunkan ambang batas dan mendeteksi lebih banyak temuan, alarm palsu akan meningkat.
Konsep penting dalam klinik adalah beban positif palsu: jika model terlalu sering mengatakan "mencurigakan", ahli radiologi harus mengesampingkan tanda ini setiap saat dan setelah beberapa saat tidak menanggapi peringatan tersebut dengan serius (kelelahan kewaspadaan). Oleh karena itu, tidak hanya sensitivitas model yang harus dievaluasi, namun juga jumlah positif palsu dalam alur kerja sebenarnya.
Tiga Kasus Mini: Berdasarkan Angka
Kasus 1 — Waktu dihemat dengan memprioritaskan. Model prioritas perdarahan pada CT otak diterapkan di rumah sakit. Rata-rata waktu pemeriksaan kasus perdarahan pertama kali oleh ahli radiologi menurun dari 28 menit menjadi 8 menit. Namun, model tersebut gagal menangkap perdarahan subarachnoid kecil yang terlewat; oleh karena itu semua kasus kembali menjalani pemeriksaan ahli radiologi penuh. Model ini mempercepat penyortiran, namun tidak menghilangkan pembacaan.
Kasus 2 — Beban positif palsu. Model deteksi nodul paru menghasilkan rata-rata 6 tanda “mencurigakan” per pasien ketika dijalankan dengan ambang batas rendah untuk meningkatkan sensitivitas hingga 94%; Kebanyakan di antaranya adalah bagian vaskular dan fokus jinak. Dalam waktu dua minggu, ahli radiologi mulai mengabaikan tanda-tanda tersebut. Ketika ambang batas disesuaikan kembali dan jumlah nilai dikurangi menjadi 1,5 per pasien, model tersebut menjadi berguna kembali.
Kasus 3 — Pergeseran lapangan. Model deteksi patah tulang dilakukan dengan sensitivitas 91% pada mesin x-ray digital di rumah sakit A, namun turun menjadi 72% di rumah sakit B menggunakan perangkat portabel dari produsen berbeda. Kualitas gambar dan posisi berbeda. Model tersebut tidak dapat dianggap andal tanpa divalidasi lebih lanjut pada setiap perangkat dan populasi di mana model tersebut akan digunakan.
Prompt Lemah / Prompt Kuat
Catatan: Petunjuk di bawah ini adalah untuk mengonfigurasi laporan tekstual atau alur kerja, bukan untuk menafsirkan gambar itu sendiri. Diagnosis gambar adalah hasil kerja perangkat lunak klinis dan ahli radiologi yang tervalidasi.
Perintah yang lemah:
Lihat laporan rontgen ini dan beri tahu saya jika pasien sakit.[laporan]
Perintah yang kuat:
Peran Anda: Anda adalah asisten alur kerja radiologi (ANDA BUKAN DIAGNOSA). Struktur teks laporan radiologi anonim sebagai berikut: - Tabel temuan, pengukuran dan lokasi anatomi. - Pertahankan pernyataan yang tidak jelas/negatif ("tidak dapat dikecualikan") apa adanya, jangan dibuat final. - Jangan menambahkan temuan apa pun yang tidak ada dalam teks. - Kumpulkan kalimat "rekomendasi/tindak lanjut" di bagian terpisah. - Di bagian akhir, sebutkan 3 poin yang harus dikonfirmasi oleh ahli radiologi. Laporan anonim: [teks]
Model prompt yang kuat menjauhkan model dari interpretasi dan berfokus pada konfigurasi; Hal ini diinginkan untuk menjaga ambiguitas, karena dalam bahasa radiologi perbedaan antara “tidak dapat dikecualikan” dan “tersedia” sangatlah penting.
Empat Templat yang Dapat Disalin
1) Konfigurasi laporan:
Bagilah laporan radiologi anonim berikut ke dalam judul berikut: Indikasi, Teknik, Temuan, Kesimpulan, Rekomendasi. Tetap berpegang pada teks, jangan menambahkan komentar. Laporan: [teks]
2) Pemeriksaan konsistensi pengukuran:
Cantumkan semua pengukuran numerik (mm, cm, HU) dalam laporan ini dan tandai nilai yang bertentangan atau non-fisiologis. Laporan: [teks]
3) Rencana evaluasi model:
Tulis rancangan rencana evaluasi untuk model deteksi gambar: sensitivitas, spesifisitas, positif palsu/pasien, analisis subkelompok (perangkat, usia), set validasi eksternal. Tandai poin persetujuan klinis secara terpisah.
4) Catatan triase positif palsu:
Klasifikasikan daftar keluaran deteksi berikut sebagai "prioritas ahli radiologi tinggi/rendah"; Tuliskan alasan untuk setiap kelas. Nyatakan bahwa Anda menyerahkan keputusan kepada ahli radiologi. Daftar: [output]
Peran Model: Berdasarkan Jenis Temuan
Tipe penemuan
Kontribusi AI
kekritisan
verifikasi
Prioritas perdarahan yang mendesak
tinggi
sangat tinggi
Bacaan lengkap ahli radiologi
Deteksi nodul paru
tinggi
tinggi
Ambang batas + protokol pelacakan
Usia/pengukuran tulang
tinggi
sedang
Kontrol ahli
Segmentasi volume organ
tinggi
sedang
Verifikasi sampel manual
Konfigurasi laporan (teks)
tinggi
rendah
Konfirmasi ahli radiologi
Tip: Jangan pernah mengandalkan persentase akurasi tunggal saat mengevaluasi model tampilan. Mintalah sensitivitas, spesifisitas, beban positif palsu, dan kinerja subkelompok bersama-sama; “Pada perangkat dan kelompok pasien mana Anda menguji modelnya?” pertanyaan mengungkapkan sebagian besar masalah.
Perhatian: Peta panas tidak menjamin “mengapa” model memutuskan seperti itu; Itu hanya menunjukkan di mana perhatian Anda terfokus. Terkadang model memberikan jawaban yang benar untuk alasan yang salah (misalnya dengan melihat penanda pada gambar). Output yang dapat dijelaskan juga memerlukan validasi.
Kesalahan umum
- Mengandalkan satu metrik. Akurasi keseluruhan yang tinggi mungkin menutupi sensitivitas rendah dalam subgrup kritis.
- Tidak mengukur beban positif palsu. Model yang menghasilkan terlalu banyak sinyal menyebabkan kelelahan stimulus dan ditinggalkan.
- Verifikasi model pada satu perangkat dan gunakan di mana saja. Penyimpangan bidang adalah penyebab paling umum kegagalan AI gambar.
- Salah mengira peta panas sebagai bukti. Peta perhatian bukanlah sebuah penjelasan; Jawaban yang benar mungkin didasarkan pada alasan yang salah.
- Menghilangkan ahli radiologi. Model ini memprioritaskan dan menandai; Diagnosis dan laporan adalah milik ahli radiologi.
Singkatnya
- AI Radiologis; Ini menghasilkan nilai melalui deteksi, segmentasi dan penentuan prioritas, dan tidak menggantikan diagnosis.
- Ada keseimbangan antara sensitivitas dan spesifisitas; Beban positif palsu merupakan metrik penting di klinik.
- Model harus menjalani validasi eksternal (pergeseran domain) pada setiap perangkat dan populasi di mana model tersebut akan digunakan.
- Peta panas menunjukkan perhatian tetapi tidak menjamin penjelasan; tidak dapat dijadikan bukti.
- Diagnosis dan laporan akhir adalah milik ahli radiologi; AI adalah lapisan pendukung.
Tugas aplikasi
Pilih skenario deteksi gambar yang ada (atau hipotetis). Tulis kerangka evaluasi untuk model ini: tentukan metrik mana (sensitivitas, spesifisitas, positif palsu/pasien), subgrup mana (perangkat, usia, jenis kelamin), dan kumpulan validasi eksternal mana yang akan Anda gunakan. Kemudian tandai titik yang tepat dalam alur kerja tempat ahli radiologi mengambil keputusan dan jelaskan dalam paragraf bagaimana keluaran model dimasukkan ke dalam keputusan tersebut.
daftar periksa
- [ ] Saya dapat membedakan peran deteksi, segmentasi, dan prioritas AI radiologi.
- [ ] Saya dapat mengevaluasi sensitivitas, spesifisitas, dan beban positif palsu secara bersamaan.
- [ ] Saya tahu apa itu perpindahan bidang dan mengapa validasi eksternal diperlukan.
- [ ] Saya menyadari bahwa peta panas bukanlah penjelasan dan diperlukan verifikasi.
- [ ] Saya dapat memposisikan keluaran model sebagai masukan bagi keputusan ahli radiologi, bukan sebagai penggantinya.