利益:
- さまざまなモダリティ (グラフィア、CT、MR、マンモグラフィー) における人工知能アプリケーションの一般的な使用領域とモダリティ固有の制限を区別する機能
- セカンドリーダーとしての AI の役割と、マンモグラフィーや脳卒中 CT などの影響の大きい分野における判定閾値の臨床的意味を評価する能力
- 各モダリティで人工知能がトレーニングされる人口とデバイスが他のモダリティを超えた場合、パフォーマンスが低下する（分布シフト）可能性があることを理解する
人工知能は放射線医学の 1 つだけではありません。モダリティ (画像化方法) ごとに、異なるツール、異なる出力、異なる制限が適用されます。胸部 X 線モデルと脳卒中 CT モデルは、まったく異なる問題を解決し、異なるエラー パターンを引き起こします。この単元では、胸部 X 線撮影、CT、MRI、マンモグラフィー、脳卒中という 5 つの最も一般的な分野を、モダリティ固有の用途と落とし穴とともに取り上げます。目的は、各ツールを適切な制限の下で、適切な仕事に使用することです。
基本原則は変わりませんが、各モダリティで新しい顔を持ちます。各モデルは、特定のデバイス、特定のプロトコル、および特定の患者集団でトレーニングされます。これらの条件を超えると、パフォーマンスが低下する可能性があります。これを分布シフトといいます。診断は、第二の読影者ではなく、第一の読影者である放射線科医に属します。
モダリティごとの使用と制限
肺の X 線撮影 (X 線): 最も豊富なデータはここにあります。モデルは、気胸、硬化 (肺の炎症による充満)、結節、胸水 (胸腔内液)、心臓サイズのフラグを生成します。その強みは速度とスキャンです。その弱点は、重なり合う構造（骨、血管、乳房の影）による高い偽陽性と、小さな結節を見逃す傾向があることです。
CT (コンピューター断層撮影): 断面画像のおかげで、モデルは塞栓症、出血、結節、骨折、臓器の体積に対して強力です。 3次元計測が強み。弱点は、プロトコル/スライスの厚さおよびコントラスト位相に対する感度が高いことであり、パフォーマンスはプロトコルによって異なります。
MRI (磁気共鳴): 軟組織のコントラストが高い。脳卒中拡散、前立腺病変、脳病変、軟骨のモデルがあります。その弱点は、デバイス/シーケンスの多様性が多すぎることです。モデルは、トレーニングされたシーケンスの外では信頼性を失います。
マンモグラフィー: 影響の大きい分野。モデルは、塊や微小石灰化の二次リーダーとして機能します。その強みは、乳がん検診の見逃しを減らすことです。その弱点は、高密度の乳房組織でのパフォーマンスの低下と、誤検知によるリコールのオーバーヘッドです。
脳卒中 (脳 CT/CT 血管造影/灌流): これは時間が重要な領域です。モデルは、大血管閉塞 (LVO)、虚血の初期兆候、出血の迅速なフラグを提供し、治療 (血栓除去術) の決定を加速します。その弱点は、動きのアーティファクトと、初期/かすかな所見の信頼性が限られていることです。
モダリティ
一般的な AI の使用法
強い面
モダリティ固有の制限
肺X線検査
気胸、結節、胸水のフラグ
速度、スキャン
重複、高い誤検知
IT
塞栓症、出血、結節、体積
3D測定
プロトコール/コントラストフェーズに敏感
MRI
脳卒中拡散、前立腺、脳
軟組織
シーケンス/デバイスの多様性
マンモグラフィー
塊、微小石灰化（2番目のリーダー）
失禁を減らす
高濃度乳房のドロップ、負荷のリコール
脳卒中CT
LVO、虚血、出血フラグ
時間の節約
アーティファクト、初期/かすかな発見
副読者の役割と判断基準
マンモグラフィーや脳卒中などの影響の大きい分野では、AI は第 2 リーダーとして位置付けられることが多く、放射線科医が読み取り、AI がマークした内容がレビューされます (またはその逆)。これにより、一人の放射線科医が見逃していたものを見つけるチャンスが得られます。しかし、リスクが 2 つあります。まず、AI によってマークされていない領域は「クリーン」であると見なされます (自動化バイアス)。第二に、判定閾値の臨床的影響です。マンモグラフィーの閾値が低い場合、リコール（および不必要な生検、不安）が増加します。高いと漏れが多くなります。この閾値は、施設のスクリーニング哲学と放射線科医の解釈によって設定されます。はエンジニアリングのデフォルトではありません。
注意: モデルが 1 つのモダリティでうまく動作するからといって、別のモダリティや同じモダリティの別のデバイス/プロトコルでもうまく動作するとは限りません。モデルが「肺 X 線撮影」用にトレーニングされている場合、そのパフォーマンスはポータブル救命救急 X 線撮影では異なる場合があります。使用範囲は常にモデルが承認された範囲に限定されます。
ミニケース3個
ケース 1 — マンモグラフィーに副読影者が追加されました。放射線科医は通常、スクリーニング用マンモグラムを読み取ります。 2 番目のリーダーとしての YZ は、領域内の微小石灰化のクラスターをマークします。放射線科医が振り返ると、本当にかすかなクラスターが見えます。追加の画像検査により、早期の非浸潤性乳管癌 (早期乳癌) が検出されます。 AIは「第二の目」として逃走を阻止した。放射線科医が診断を下した。
ケース 2 — ストローク時間の増加。緊急の脳CT血管造影では、AIは2分以内に大血管閉塞（LVO）のフラグを立て、脳卒中チームをトリガーします。放射線科医は、患者が血栓除去術を受けることを確認しました。ドアからニードルまでの時間が大幅に短縮されます。しかし、同じ週に、モデルは初期のかすかな虚血を見逃します。放射線科医は自らの読解力でそれを捉えます。 AI はスピードをもたらしましたが、最初に読むのは依然として放射線科医でした。
ケース 3 — 分布のシフト。胸部 X 線モデルは、大病院の固定装置で完璧に機能します。集中治療室のポータブル デバイスで同じモデルが使用されると、誤検知が急増します。異なる露出、低品質、重なり合う機器の影により、モデルが混乱します。チームは、ローカル検証を行わずにポータブル グラフ上でモデルを使用していることに気づき、範囲を絞り込みます。教訓: デバイス/プロトコルが変わるとパフォーマンスも変わります。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
このMRIモデルは良いですか?使ったほうがいいでしょうか？
モダリティの詳細、配列、集団、および使用目的はありません。一般的で危険な答えが返ってきます。
強力なプロンプト:
あなたの役割: モダリティ固有の AI 選択における共同コンサルタント。意思決定;どのような質問をすればよいか考えてみましょう。前立腺MRI病変モデルを検討しています。考慮してください: (1) モデルはどのようなシーケンス/デバイス/磁場強度でトレーニングされたか、それは私たちのものと一致するか、(2) どの母集団で検証されているか、(3) セカンドリーダーまたは診断補助として使用されているか、(4) 高密度/非典型的なケースでは既知の限界に達しているか、(5) ローカル検証なしで使用するリスク。最終的な決定は教育機関にあります。
強力なプロンプトでは、モダリティ固有のコンプライアンス、母集団、およびローカル検証が質問されます。
コピー可能なプロンプトテンプレート
モダリティ コンプライアンス テンプレートあなたの役割: アシスタント。 AIモデルと独自のデバイス/プロトコル情報を提供します。私たちのものを、モデルがトレーニングされたモダリティ、デバイス、シーケンス/プロトコル、および母集団と比較します。分布ドリフトのリスクのある相違点をリストし、ローカル検証が必要かどうかを評価します。決定は施設内にあります。情報: [書く]
二次リーダーの規律テンプレート二次リーダー AI を使用するときに読書規律を維持するためのチェックリストを作成します。最初に自分で読むべきか、AI がマークしていない領域をどのように保護するか、AI マークを確認する方法、自動化バイアスを回避する方法などです。モダリティ: [書く]
決定閾値結果テンプレートは、モダリティ (マンモグラフィーなど) における決定閾値シナリオを提供します。思い出し、不必要な生検、回避、および不安に対する閾値を下げる/上げることの臨床的影響を説明します。閾値は機関の審査理念によって設定されることを思い出してください。スクリプト: [書く]
モダリティ制限リマインダー テンプレートは、モダリティと AI タスクを提供します。このモダリティに特有のエラーの典型的な原因（胸部 X 線写真の重複、MRI の順序の違い、脳卒中 CT のアーチファクトなど）と、放射線科医が特別な注意を払うべき点をリストします。モダリティ/タスク: [書く]
よくある間違い
- 別の条件でモダリティ固有のモデルを使用する。固定デバイスのモデルは、ポータブルでは異なる動作をします。範囲は維持する必要があります。
- 二次読者がマークしなかったものを「クリーン」としてカウントします。自動化バイアス。彼らの読書は保護されるべきです。
- 決定閾値をエンジニアリング設定と誤解する。閾値は臨床的バランスです。スキャン哲学によって調整されています。
- シーケンス/プロトコルの違いは無視します。 MR/CT モデルは、トレーニングに使用されたプロトコルの外では信頼性を失います。
- 現地での検証を行わずに広める。分布ドリフトは、静かにパフォーマンスを低下させます。
ヒント: 新しいモダリティ固有のモデルを使用する前に、次の 3 つの質問をしてください。「このモデルはどのデバイス、プロトコル、母集団でトレーニングされたのか? 私たちのモデルはそれと似ていますか? 私たち自身のデータで検証しましたか?」 3 つすべてが満足できない場合、そのモデルは加速器ではなく、隠れたリスクとなります。
要約すれば
AI はモダリティごとに異なるツールです。胸部 X 線検査では迅速なスクリーニングが行われますが、重複による偽陽性が発生します。強力な 3D 測定と CT でのプロトコル感度。 MRI における軟組織の強度と配列の多様性。セカンドリーダーは外転を軽減しますが、マンモグラフィーでのリコール負担を軽減します。ストロークの時間は増加しますが、アーティファクトは制限されます。マンモグラフィーや脳卒中などの影響の大きい分野では、AI が二次読み取り者になりますが、第一読み取り者は常に放射線科医であり、決定の閾値は臨床上のバランスによって決まります。各モデルがトレーニングされるデバイス、プロトコル、母集団が範囲外に移動すると、パフォーマンスが低下します (分布シフト)。したがって、スコープを維持し、ローカル検証を実行する必要があります。
アプリケーションタスク
ルーチンのモダリティ (X 線撮影、CT、MRI、マンモグラフィー、または脳卒中) を選択します。 「モダリティ制限リマインダー」テンプレートを使用して、そのモダリティに特有の AI エラーの典型的な原因と放射線科医が特に注意すべき点を少なくとも 3 つ書き留めます。次に、そのモダリティに対して検討しているモデルを「モダリティ フィット」テンプレートを使用して評価します。トレーニングに使用されているデバイス/プロトコル/集団は自分のものと一致していますか、ローカル検証は必要ですか?副読者の役割がある場合は、「副読者の規律」リストをルーチンに組み込んでください。
チェックリスト
- [ ] モデルがトレーニングされたモダリティ、デバイス、プロトコル、母集団について学びました。
- [ ] 自分の条件との適合性（分布ずれのリスク）を評価しました。
- [ ] 承認された範囲でのみモデルを使用します。
- [ ] 私は副読者の役割で、自分自身の独立した読書を維持しています。
- [ ] 判定基準は臨床上のバランスであり、スクリーニングの哲学によって設定されることを理解しています。
- [ ] 典型的なモダリティ固有のエラー原因 (アーティファクト、重複、シーケンスの差異) を考慮します。
- [ ] ローカル検証なしで新しい状態で増殖することはありません。