Zyski:
- Umiejętność wyjaśnienia, w jaki sposób procesy wykrywania, segmentacji i ustalania priorytetów wspomagane sztuczną inteligencją są ustanawiane na obrazach radiologicznych
- Możliwość oddzielenia wyników modelu (mapa cieplna, prawdopodobieństwo, pomiar) od decyzji radiologa i umiejscowienia ich w roli wspierającej
- Możliwość walidacji wyników modelu obrazu pod kątem czułości/swoistości, obciążenia fałszywie dodatniego i kontekstu klinicznego
Radiologia jest najbardziej dojrzałym obszarem zastosowań sztucznej inteligencji w inżynierii biomedycznej. Rentgen (RTG), tomografia komputerowa (CT; CT w języku angielskim, łącząca przekroje rentgenowskie wykonane pod różnymi kątami) i rezonans magnetyczny (MR; MRI w języku angielskim, obrazowanie tkanki silnym polem magnetycznym i falami radiowymi) generują miliony obrazów każdego dnia. Interpretacja tych obrazów wymaga wieloletniej wiedzy radiologa. Sztuczna inteligencja wspomaga ten proces poprzez wykrywanie (zwracanie uwagi na wynik), segmentację (wyznaczanie granic struktury; segmentacja w języku angielskim) i priorytetyzację (umieszczanie pilnych spraw na początku kolejki; selekcja w języku angielskim). W tym module zobaczymy, jak skonfigurowane są te przepływy pracy i — co najważniejsze — w jaki sposób wyniki są pozycjonowane jako wkład w decyzję radiologa, a nie w jej zastępstwie.
Twoim zadaniem jako inżyniera jest często opracowywanie modelu, integrowanie go, walidacja i monitorowanie jego działania wraz z zespołem klinicznym. Radiolog stawia diagnozę. AI nie diagnozuje; zwraca uwagę, mierzy, sortuje.
Etapy przepływu pracy w zakresie sztucznej inteligencji radiologicznej
Krok 1 — Dane i przetwarzanie wstępne. Obrazy są dostarczane w formacie DICOM (Digital Imaging and Communications in Medicine; standardowy format plików i komunikatów dla obrazów medycznych). Wstępne przetwarzanie; Należą do nich okienkowanie (dostosowywanie kontrastu obrazu), ponowne próbkowanie (zmiana rozmiaru plasterków do standardowego rozmiaru) i redukcja szumów. Ten krok jest bezpieczny i nadaje się do automatyzacji.
Krok 2 — Wykrywanie i segmentacja. Wzór oznacza obszar odpowiadający guzkowi płuc, złamaniu lub krwotokowi. Dane wyjściowe mają zwykle postać wyniku prawdopodobieństwa i mapy cieplnej (warstwa pokazująca kolorem obszary, na których koncentruje się uwaga modelu). Podczas segmentacji model rysuje granice pikseli narządu lub zmiany chorobowej; Służy do pomiaru objętości.
Krok 3 — Ustal priorytety. W przypadku wykrycia pilnego ustalenia (np. krwotoku mózgowego) sprawa zostaje przeniesiona na listę roboczą. Celem nie jest zmiana radiologa, ale zapewnienie, że krytyczny przypadek zostanie rozpoznany wcześniej.
Krok 4 — Ocena radiologa. Wyniki modelu są przedstawiane radiologowi jako warstwa rekomendacji. Radiolog akceptuje, odrzuca lub zmienia. Ostateczny raport i diagnoza należą do radiologa.
Krok 5 – Weryfikacja i monitorowanie. Gdy model znajdzie się w terenie, jego działanie jest stale monitorowane; Odsetki wyników fałszywie dodatnich i fałszywie ujemnych są śledzone oddzielnie dla różnych urządzeń i grup pacjentów.
Czułość, swoistość i obciążenie fałszywie dodatnimi
Istnieją dwie podstawowe metryki służące do oceny modelu obrazu. Czułość to współczynnik wykrywania osób naprawdę chorych: wysoka czułość oznacza mniej pominiętych wyników. Specyficzność to szybkość, z jaką dokładnie eliminujemy naprawdę zdrowe: wysoka swoistość oznacza mniej fałszywych alarmów. Istnieje równowaga pomiędzy tymi dwoma; Jeśli obniżysz próg i wykryjesz więcej wyników, zwiększy się liczba fałszywych alarmów.
Krytyczną koncepcją w klinice jest obciążenie fałszywymi alarmami: jeśli model zbyt często mówi „podejrzane”, radiolog musi za każdym razem wykluczać te flagi i po pewnym czasie nie traktuje poważnie ostrzeżeń (zmęczenie alarmem). Dlatego należy ocenić nie tylko czułość modelu, ale także liczbę fałszywych alarmów w rzeczywistym procesie.
Trzy mini etui: w liczbach
Przypadek 1 – Czas zaoszczędzony dzięki ustalaniu priorytetów. W szpitalu wdrożono model priorytetyzacji krwawień w tomografii komputerowej mózgu. Średni czas do pierwszej obserwacji krwawień przez radiologa skrócił się z 28 minut do 8 minut. Jednakże modelowi nie udało się uchwycić przeoczonego małego krwotoku podpajęczynówkowego; dlatego też wszystkie przypadki ponownie przeszły pełne badanie radiologa. Model przyspieszył sortowanie, ale nie wyeliminował czytania.
Przypadek 2 – Fałszywie dodatnie obciążenie. Model wykrywania guzków płuc generował średnio 6 „podejrzanych” objawów na pacjenta, gdy był prowadzony z niskim progiem, aby zwiększyć czułość do 94%; Większość z nich stanowiły przekroje naczyniowe i ogniska łagodne. W ciągu dwóch tygodni radiologowie zaczęli ignorować objawy. Kiedy ponownie skorygowano próg i zmniejszono liczbę ocen do 1,5 na pacjenta, model znów stał się użyteczny.
Przypadek 3 — Przesunięcie pola. Model wykrywania złamań wykonany z czułością 91% na cyfrowych aparatach rentgenowskich w szpitalu A, ale spadła do 72% w szpitalu B przy użyciu urządzeń przenośnych innego producenta. Jakość obrazu i położenie były różne. Modelu nie można uznać za wiarygodny bez dalszej walidacji na każdym urządzeniu i populacji, w której będzie używany.
Słaba podpowiedź/silna podpowiedź
Uwaga: poniższe monity służą do konfiguracji raportu tekstowego lub przepływu pracy, a nie do interpretacji samego obrazu. Diagnoza obrazowa jest dziełem zatwierdzonego oprogramowania klinicznego i radiologa.
Słaba zachęta:
Spójrz na ten raport rentgenowski i powiedz mi, czy pacjent jest chory. [raport]
Potężny monit:
Twoja rola: Jesteś asystentem w pracy w radiologii (NIE JESTEŚ DIAGNOZĄ). Zorganizuj tekst anonimowego raportu radiologicznego w następujący sposób: - Zapisz wyniki, pomiary i lokalizacje anatomiczne. - Zachowaj niejasne/negatywne stwierdzenia („nie można ich wykluczyć”) w niezmienionej formie, nie traktuj ich jako ostatecznych. - Nie dodawaj żadnych ustaleń, których nie ma w tekście. - Zbierz zdania dotyczące rekomendacji/kontynuacji w osobnej sekcji. - Na koniec wypisz 3 punkty, które radiolog powinien potwierdzić. Anonimowy raport: [tekst]
Potężny model podpowiedzi trzyma model z dala od interpretacji i koncentruje się na konfiguracji; Pożądane jest zachowanie niejednoznaczności, gdyż w języku radiologii różnica pomiędzy „nie da się wykluczyć” a „jest dostępny” jest kluczowa.
Cztery szablony do kopiowania
1) Konfiguracja raportu:
Podziel poniższy anonimowy raport radiologiczny na następujące nagłówki: Wskazanie, Technika, Wyniki, Wnioski, Zalecenia. Trzymaj się tekstu, nie dodawaj komentarzy. Raport: [tekst]
2) Kontrola spójności pomiaru:
Wymień wszystkie pomiary numeryczne (mm, cm, HU) w tym raporcie i zaznacz wartości sprzeczne lub niefizjologiczne. Raport: [tekst]
3) Plan oceny modelu:
Napisz projekt planu oceny modelu wykrywania obrazu: czułość, swoistość, wynik fałszywie dodatni/pacjent, analiza podgrupy (urządzenie, wiek), zestaw walidacji zewnętrznej. Oddzielnie zaznacz punkty akceptacji klinicznej.
4) Fałszywie pozytywna notatka segregacyjna:
Sklasyfikuj poniższą listę wyników detekcji jako „wysoki/niski priorytet radiologa”; Napisz uzasadnienie dla każdej klasy. Zaznacz, że decyzję pozostawiasz radiologowi. Lista: [wyjścia]
Rola modelu: Według rodzaju wyniku
Znalezienie typu
Wkład AI
krytyczność
weryfikacja
Pilne ustalenie priorytetu krwawienia
wysoki
bardzo wysoki
Pełna lektura radiologa
Wykrywanie guzków płuc
wysoki
wysoki
Protokół progowy + śledzenie
Wiek kostny/pomiar
wysoki
średni
Kontrola ekspercka
Segmentacja objętości narządów
wysoki
średni
Ręczna weryfikacja próbki
Konfiguracja raportu (tekst)
wysoki
niski
Potwierdzenie radiologa
Wskazówka: nigdy nie polegaj na jednym procencie dokładności podczas oceny modelu wyświetlacza. Poproś o łącznie czułość, swoistość, fałszywie dodatnie obciążenie i wyniki podgrup; „Na jakim urządzeniu i grupie pacjentów testowałeś model?” pytanie ujawnia większość problemów.
Uwaga: Mapa cieplna nie gwarantuje, „dlaczego” model zdecydował się tak, a nie inaczej; Pokazuje tylko, na czym skupiona jest Twoja uwaga. Czasami model podaje właściwą odpowiedź z niewłaściwego powodu (na przykład patrząc na znacznik na obrazku). Wyniki wyjaśnialności również wymagają walidacji.
Typowe błędy
- Opieranie się na jednym wskaźniku. Wysoka ogólna dokładność może maskować niską czułość w krytycznej podgrupie.
- Brak pomiaru obciążenia fałszywie dodatniego. Model wytwarzający zbyt wiele sygnałów powoduje zmęczenie bodźcem i zostaje porzucony.
- Zweryfikuj model na jednym urządzeniu i korzystaj z niego w dowolnym miejscu. Dryft pola jest najczęstszą przyczyną awarii sztucznej inteligencji obrazu.
- Mylenie mapy cieplnej z dowodem. Mapa uwagi nie jest wyjaśnieniem; Właściwa odpowiedź może opierać się na złym powodzie.
- Eliminacja radiologa. Model ustala priorytety i flagi; Diagnoza i raport należą do radiologa.
Podsumowując
- Radiologiczna sztuczna inteligencja; Tworzy wartość poprzez wykrywanie, segmentację i ustalanie priorytetów i nie zastępuje diagnozy.
- Istnieje równowaga pomiędzy czułością i swoistością; Fałszywie dodatnie obciążenie jest krytycznym wskaźnikiem w klinice.
- Modele muszą przejść zewnętrzną walidację (przesunięcie domeny) na każdym urządzeniu i populacji, w której będą używane.
- Mapy cieplne zwracają uwagę, ale nie gwarantują wyjaśnienia; nie mogą być traktowane jako dowód.
- Ostateczna diagnoza i raport należą do radiologa; AI jest warstwą wsparcia.
Zadanie aplikacji
Wybierz istniejący (lub hipotetyczny) scenariusz wykrywania obrazu. Napisz ramy oceny dla tego modelu: określ, które metryki (czułość, swoistość, fałszywie dodatni wynik/pacjent), które podgrupy (urządzenie, wiek, płeć) i jakiego zestawu walidacji zewnętrznej będziesz używać. Następnie zaznacz dokładny punkt w procesie pracy, w którym radiolog podjął decyzję i wyjaśnij w akapicie, w jaki sposób dane wyjściowe modelu zostały uwzględnione w tej decyzji.
lista kontrolna
- [ ] Potrafię rozróżnić rolę wykrywania, segmentacji i ustalania priorytetów radiologicznej sztucznej inteligencji.
- [ ] Potrafię łącznie ocenić czułość, swoistość i obciążenie fałszywie dodatnie.
- [ ] Wiem, co to jest przesunięcie pola i dlaczego wymagana jest zewnętrzna walidacja.
- [ ] Zdałem sobie sprawę, że mapa cieplna nie jest objaśnieniem i wymagana jest weryfikacja.
- [ ] Mogę wykorzystać wynik modelu jako wkład w decyzję radiologa, a nie go zastąpić.