Keuntungan:
- Keupayaan untuk menerangkan bagaimana aliran kerja pengesanan, pembahagian dan keutamaan yang disokong kecerdasan buatan diwujudkan dalam imej radiologi
- Keupayaan untuk memisahkan keluaran model (peta haba, kebarangkalian, pengukuran) daripada keputusan ahli radiologi dan meletakkannya dalam peranan sokongan
- Keupayaan untuk mengesahkan output model imej dengan sensitiviti/kekhususan, beban positif palsu dan konteks klinikal
Radiologi ialah bidang aplikasi kecerdasan buatan yang paling matang dalam kejuruteraan bioperubatan. X-ray (X-ray), computed tomography (CT; CT dalam bahasa Inggeris, menggabungkan bahagian X-ray yang diambil dari sudut berbeza) dan resonans magnetik (MR; MRI dalam bahasa Inggeris, pengimejan tisu dengan medan magnet yang kuat dan gelombang radio) menghasilkan berjuta-juta imej setiap hari. Pakar radiologi mengambil masa bertahun-tahun untuk mentafsir imej-imej ini. Kecerdasan buatan menyumbang kepada proses ini dengan pengesanan (menarik perhatian kepada penemuan), segmentasi (melukis sempadan struktur; segmentasi dalam bahasa Inggeris) dan keutamaan (meletakkan kes mendesak pada permulaan baris gilir; triage dalam bahasa Inggeris). Dalam unit ini, kita akan melihat cara aliran kerja ini disediakan dan — yang paling penting — bagaimana output diletakkan sebagai input kepada, bukannya pengganti, keputusan ahli radiologi.
Sebagai jurutera, tugas anda selalunya untuk membangunkan model, menyepadukannya, mengesahkannya dan memantau prestasinya dengan pasukan klinikal. Pakar radiologi membuat diagnosis. AI tidak mendiagnosis; menarik perhatian, mengukur, menyusun.
Langkah Aliran Kerja AI Radiologi
Langkah 1 — Data dan prapemprosesan. Imej datang sebagai DICOM (Pengimejan Digital dan Komunikasi dalam Perubatan; fail standard dan format komunikasi untuk imej perubatan). Pra-pemprosesan; Ini termasuk tetingkap (melaraskan kontras imej), pensampelan semula (mengubah saiz kepingan kepada saiz standard) dan pengurangan hingar. Langkah ini selamat dan sesuai untuk automasi.
Langkah 2 — Pengesanan dan pembahagian. Corak menandakan kawasan yang sepadan dengan nodul paru-paru, patah tulang, atau pendarahan. Output biasanya dalam bentuk skor kebarangkalian dan peta haba (lapisan yang menunjukkan dengan warna kawasan di mana perhatian model tertumpu). Dalam pembahagian, model melukis sempadan piksel organ atau lesi; Ini digunakan untuk pengukuran isipadu.
Langkah 3 - Utamakan. Jika penemuan segera (cth. pendarahan otak) dikesan, kes itu dibawa ke hadapan dalam senarai kerja. Tujuannya di sini bukan untuk menukar ahli radiologi, tetapi untuk memastikan kes kritikal dilihat lebih awal.
Langkah 4 - Penilaian ahli radiologi. Output model dibentangkan kepada ahli radiologi sebagai lapisan cadangan. Ahli radiologi menerima, menolak atau berubah. Laporan akhir dan diagnosis adalah milik ahli radiologi.
Langkah 5 — Pengesahan dan pemantauan. Sebaik sahaja model berada di lapangan, prestasinya sentiasa dipantau; Kadar positif palsu dan negatif palsu dijejaki secara berasingan merentas peranti dan kumpulan pesakit yang berbeza.
Sensitiviti, Kekhususan dan Beban Positif Palsu
Terdapat dua metrik asas untuk penilaian model imej. Kepekaan ialah kadar pengesanan mereka yang benar-benar sakit: kepekaan yang tinggi bermakna lebih sedikit penemuan yang terlepas. Kekhususan ialah kadar di mana kami menghapuskan dengan tepat yang benar-benar sihat: kekhususan tinggi bermakna lebih sedikit penggera palsu. Terdapat keseimbangan antara kedua-dua ini; Jika anda menurunkan ambang dan mengesan lebih banyak penemuan, penggera palsu meningkat.
Konsep kritikal di klinik ialah beban positif palsu: jika model mengatakan "mencurigakan" terlalu kerap, pakar radiologi perlu menolak bendera ini setiap kali dan selepas beberapa ketika tidak mengambil makluman itu dengan serius (mengingatkan keletihan). Oleh itu, bukan sahaja sensitiviti model harus dinilai, tetapi juga bilangan positif palsu dalam aliran kerja sebenar.
Tiga Kes Mini: Mengikut Nombor
Kes 1 — Masa dijimatkan mengikut keutamaan. Model keutamaan pendarahan dalam CT otak telah dilaksanakan di hospital. Purata masa untuk kes pendarahan pertama kali dilihat oleh pakar radiologi berkurangan daripada 28 minit kepada 8 minit. Walau bagaimanapun, model itu gagal menangkap pendarahan subarachnoid kecil yang terlepas; oleh itu semua kes sekali lagi menjalani bacaan radiologi penuh. Model itu mempercepatkan penyisihan, tetapi tidak menghilangkan bacaan.
Kes 2 — Beban positif palsu. Model pengesanan nodul paru-paru menghasilkan purata 6 tanda "mencurigakan" bagi setiap pesakit apabila dijalankan dengan ambang rendah untuk meningkatkan sensitiviti kepada 94%; Kebanyakannya adalah bahagian vaskular dan fokus jinak. Dalam masa dua minggu, ahli radiologi mula mengabaikan tanda-tanda. Apabila ambang dilaraskan semula dan bilangan markah dikurangkan kepada 1.5 bagi setiap pesakit, model itu menjadi berguna semula.
Kes 3 — Peralihan medan. Model pengesanan patah dilakukan dengan sensitiviti 91% pada mesin x-ray digital di hospital A, tetapi menurun kepada 72% di hospital B menggunakan peranti mudah alih daripada pengeluar yang berbeza. Kualiti imej dan kedudukan adalah berbeza. Model ini tidak boleh dianggap boleh dipercayai tanpa disahkan lebih lanjut pada setiap peranti dan populasi yang akan digunakan.
Gesaan Lemah / Gesaan Kuat
Nota: Gesaan di bawah adalah untuk mengkonfigurasi laporan teks atau aliran kerja, bukan untuk mentafsir imej itu sendiri. Diagnosis imej ialah kerja perisian klinikal dan ahli radiologi yang disahkan.
Gesaan yang lemah:
Lihat laporan x-ray ini dan beritahu saya jika pesakit itu sakit.[laporan]
Gesaan kuat:
Peranan anda: Anda ialah pembantu aliran kerja radiologi (ANDA BUKAN DIAGNOSIS). Susun teks laporan radiologi tanpa nama seperti berikut: - Jadualkan penemuan, ukuran dan lokasi anatomi. - Kekalkan kenyataan kabur/negatif ("tidak boleh dikecualikan") sebagaimana adanya, jangan buat muktamad. - Jangan tambah sebarang penemuan yang tiada dalam teks. - Kumpul ayat "syor/susulan" dalam bahagian berasingan. - Pada akhir, senaraikan 3 perkara yang perlu disahkan oleh ahli radiologi. Laporan tanpa nama: [teks]
Model segera yang berkuasa menjauhkan model daripada tafsiran dan memfokuskan pada konfigurasi; Adalah wajar untuk mengekalkan kekaburan, kerana dalam bahasa radiologi perbezaan antara "tidak boleh dikecualikan" dan "tersedia" adalah penting.
Empat Templat Boleh Disalin
1) Konfigurasi laporan:
Bahagikan laporan radiologi tanpa nama berikut kepada tajuk berikut: Petunjuk, Teknik, Penemuan, Kesimpulan, Syor. Berpegang pada teks, jangan tambah ulasan. Laporan: [teks]
2) Semakan ketekalan pengukuran:
Senaraikan semua ukuran berangka (mm, cm, HU) dalam laporan ini dan tandakan nilai bercanggah atau bukan fisiologi. Laporan: [teks]
3) Model pelan penilaian:
Tulis draf rancangan penilaian untuk model pengesanan imej: kepekaan, kekhususan, positif palsu/pesakit, analisis subkumpulan (peranti, umur), set pengesahan luaran. Tandakan titik kelulusan klinikal secara berasingan.
4) Nota triage positif palsu:
Kelaskan senarai keluaran pengesanan berikut sebagai "keutamaan ahli radiologi tinggi/rendah"; Tulis rasional bagi setiap kelas. Nyatakan bahawa anda menyerahkan keputusan kepada ahli radiologi. Senarai: [outputs]
Peranan Model: Mengikut Jenis Penemuan
Mencari jenis
Sumbangan AI
kritikal
pengesahan
Keutamaan pendarahan segera
tinggi
sangat tinggi
Ahli radiologi bacaan penuh
Pengesanan nodul paru-paru
tinggi
tinggi
Ambang + protokol penjejakan
Umur/ukuran tulang
tinggi
sederhana
Kawalan pakar
Pembahagian isipadu organ
tinggi
sederhana
Pengesahan sampel manual
Konfigurasi laporan (teks)
tinggi
rendah
Pengesahan ahli radiologi
Petua: Jangan sekali-kali bergantung pada peratusan ketepatan tunggal semasa menilai model paparan. Minta sensitiviti, kekhususan, beban positif palsu dan prestasi subkumpulan bersama-sama; "Peranti dan kumpulan pesakit yang manakah anda menguji model itu?" soalan mendedahkan kebanyakan masalah.
Awas: Peta haba tidak menjamin "mengapa" model itu memutuskan caranya; Ia hanya menunjukkan di mana perhatian anda tertumpu. Kadangkala model memberikan jawapan yang betul atas sebab yang salah (contohnya, dengan melihat penanda dalam imej). Output kebolehjelasan juga memerlukan pengesahan.
Kesilapan biasa
- Bergantung pada satu metrik. Ketepatan keseluruhan yang tinggi mungkin menutupi sensitiviti rendah dalam subkumpulan kritikal.
- Tidak mengukur beban positif palsu. Model yang menghasilkan terlalu banyak isyarat mewujudkan kelesuan rangsangan dan ditinggalkan.
- Sahkan model pada satu peranti dan gunakannya di mana-mana sahaja. Hanyutan medan adalah punca paling biasa kegagalan imej AI.
- Tersilap peta haba sebagai bukti. Peta perhatian bukan penjelasan; Jawapan yang betul mungkin berdasarkan sebab yang salah.
- Menghapuskan ahli radiologi. Model memberi keutamaan dan bendera; Diagnosis dan laporan adalah milik ahli radiologi.
Secara ringkasnya
- AI radiologi; Ia menghasilkan nilai melalui pengesanan, pembahagian dan keutamaan, dan tidak menggantikan diagnosis.
- Terdapat keseimbangan antara sensitiviti dan kekhususan; Beban positif palsu adalah metrik kritikal di klinik.
- Model mesti menjalani pengesahan luaran (perubahan domain) pada setiap peranti dan populasi di mana ia akan digunakan.
- Peta haba menunjukkan perhatian tetapi tidak menjamin penjelasan; tidak boleh diambil sebagai bukti.
- Diagnosis dan laporan akhir adalah milik ahli radiologi; AI ialah lapisan sokongan.
Tugasan permohonan
Pilih senario pengesanan imej (atau hipotetikal) sedia ada. Tulis rangka kerja penilaian untuk model ini: nyatakan metrik (sensitiviti, kekhususan, positif palsu/pesakit), subkumpulan (peranti, umur, jantina) dan set pengesahan luaran yang akan anda gunakan. Kemudian tandakan titik tepat dalam aliran kerja tempat ahli radiologi membuat keputusan dan terangkan dalam perenggan bagaimana output model dimasukkan ke dalam keputusan itu.
senarai semak
- [ ] Saya boleh membezakan peranan pengesanan, pembahagian dan keutamaan AI radiologi.
- [ ] Saya boleh menilai sensitiviti, kekhususan dan beban positif palsu bersama-sama.
- [ ] Saya tahu apa itu peralihan medan dan sebab pengesahan luaran diperlukan.
- [ ] Saya menyedari bahawa peta haba bukanlah penjelasan dan pengesahan diperlukan.
- [ ] Saya boleh meletakkan output model sebagai input kepada keputusan ahli radiologi, dan bukannya pengganti untuknya.