Dobički:
- Sposobnost razlage, kako so z umetno inteligenco podprti delovni tokovi zaznavanja, segmentacije in določanja prednosti vzpostavljeni v radioloških slikah
- Sposobnost ločevanja rezultatov modela (toplotni zemljevid, verjetnost, meritev) od odločitve radiologa in njihovega položaja v podporno vlogo
- Sposobnost potrjevanja rezultatov slikovnega modela z občutljivostjo/specifičnostjo, lažno pozitivnim bremenom in kliničnim kontekstom
Radiologija je najbolj zrelo področje uporabe umetne inteligence v biomedicinskem inženirstvu. Rentgen (X-ray), računalniška tomografija (CT; CT v angleščini, kombinacija rentgenskih izrezov, posnetih iz različnih zornih kotov) in magnetna resonanca (MR; MRI v angleščini, slikanje tkiva z močnim magnetnim poljem in radijskimi valovi) proizvedejo milijone slik vsak dan. Za interpretacijo teh slik radiolog potrebuje leta strokovnega znanja. Umetna inteligenca prispeva k temu procesu z detekcijo (opozori na najdbo), segmentacijo (risanje meja strukture; segmentacija v angleščini) in prioritizacijo (postavljanje nujnih primerov na začetek čakalne vrste; triaža v angleščini). V tej enoti bomo videli, kako so ti delovni tokovi vzpostavljeni in – kar je najpomembneje – kako je izhod postavljen kot vhodni podatek za odločitev radiologa in ne kot nadomestilo zanjo.
Kot inženir je vaša naloga pogosto razviti model, ga integrirati, potrditi in spremljati njegovo delovanje s klinično skupino. Diagnozo postavi radiolog. AI ne diagnosticira; opozarja, meri, razvršča.
Koraki delovnega toka radiološke umetne inteligence
1. korak — Podatki in predobdelava. Slike so na voljo kot DICOM (Digital Imaging and Communications in Medicine; standardna oblika datoteke in komunikacije za medicinske slike). Predobdelava; Ti vključujejo okna (prilagajanje kontrasta slike), ponovno vzorčenje (spreminjanje velikosti rezin na standardno velikost) in zmanjšanje šuma. Ta korak je varen in primeren za avtomatizacijo.
2. korak — Odkrivanje in segmentacija. Vzorec označuje območje, ki ustreza pljučnemu vozliču, zlomu ali krvavitvi. Izhod je običajno v obliki ocene verjetnosti in toplotnega zemljevida (plast, ki z barvo prikazuje področja, kjer je koncentrirana pozornost modela). Pri segmentaciji model nariše meje slikovnih pik organa ali lezije; Uporablja se za merjenje prostornine.
3. korak — Določite prednost. Če se odkrije nujna ugotovitev (npr. možganska krvavitev), se primer premakne naprej na delovnem seznamu. Tukaj ni cilj zamenjati radiologa, temveč zagotoviti, da se kritični primer prej pregleda.
4. korak — ocena radiologa. Izhodi modela so radiologu predstavljeni kot priporočilna plast. Radiolog sprejme, zavrne ali spremeni. Končni izvid in diagnoza pripada radiologu.
Korak 5 — Preverjanje in spremljanje. Ko je model na terenu, se njegovo delovanje nenehno spremlja; Stopnje lažno pozitivnih in lažno negativnih rezultatov se spremljajo ločeno v različnih napravah in skupinah bolnikov.
Občutljivost, specifičnost in lažno pozitivno breme
Obstajata dve osnovni metriki za vrednotenje slikovnega modela. Občutljivost je stopnja odkrivanja tistih, ki so resnično bolni: visoka občutljivost pomeni manj zgrešenih ugotovitev. Specifičnost je hitrost, s katero natančno izločimo resnično zdravo: visoka specifičnost pomeni manj lažnih alarmov. Med tema dvema obstaja ravnotežje; Če znižate prag in zaznate več ugotovitev, se lažni alarmi povečajo.
Kritičen koncept na kliniki je breme lažnih pozitivnih rezultatov: če model prepogosto reče "sumljivo", mora radiolog vsakič izključiti te oznake in čez nekaj časa opozoril ne jemlje resno (utrujenost zaradi opozorila). Zato je treba oceniti ne le občutljivost modela, temveč tudi število lažno pozitivnih rezultatov v dejanskem delovnem procesu.
Trije mini kovčki: po številkah
1. primer – prihranek časa z določanjem prednosti. V bolnišnici so uvedli model določanja prednosti krvavitev v CT možganov. Povprečni čas, v katerem so bili primeri krvavitve prvič pregledani pri radiologu, se je zmanjšal z 28 minut na 8 minut. Vendar pa model ni uspel zajeti zgrešene majhne subarahnoidne krvavitve; zato so bili vsi primeri znova podvrženi popolnemu radiološkemu branju. Model je pospešil razvrščanje, ni pa izničil branja.
Primer 2 – Lažno pozitivno breme. Model za odkrivanje pljučnih nodulov je v povprečju ustvaril 6 "sumljivih" znakov na bolnika, ko je bil izveden z nizkim pragom za povečanje občutljivosti na 94 %; Večinoma so bili žilni odseki in benigna žarišča. V dveh tednih so radiologi začeli ignorirati znake. Ko je bil prag ponovno nastavljen in se je število točk zmanjšalo na 1,5 na bolnika, je model spet postal uporaben.
Primer 3 – Premik na terenu. Model zaznavanja zlomov je bil izveden z 91-odstotno občutljivostjo na digitalnih rentgenskih napravah v bolnišnici A, vendar je padel na 72-odstotno v bolnišnici B z uporabo prenosnih naprav drugega proizvajalca. Kakovost slike in položaj sta bili različni. Modela ni mogoče šteti za zanesljivega brez nadaljnje validacije na vsaki napravi in populaciji, v kateri se bo uporabljal.
Šibek poziv / močan poziv
Opomba: Spodnji pozivi so namenjeni konfiguriranju besedilnega poročila ali poteka dela, ne pa interpretaciji same slike. Diagnostika slike je delo potrjene klinične programske opreme in radiologa.
Šibek poziv:
Poglejte ta rentgenski izvid in mi povejte, ali je bolnik bolan.[poročilo]
Močan poziv:
Vaša vloga: Ste asistent v radiološkem procesu (NISTE DIAGNOZA). Strukturirajte besedilo anonimnega radiološkega izvida na naslednji način: - Pregledajte izvide, meritve in anatomske lokacije. - Ohranite nejasne/negativne izjave ("ni mogoče izključiti") takšne, kot so, ne dokončne. - Ne dodajajte ugotovitev, ki jih ni v besedilu. - Zberite stavke "priporočilo/nadaljnje ukrepanje" v ločenem razdelku. - Na koncu navedite 3 točke, ki jih mora potrditi radiolog. Anonimna prijava: [besedilo]
Zmogljiv pozivni model ohranja model proč od interpretacije in se osredotoča na konfiguracijo; Zaželeno je ohraniti dvoumnost, saj je v radiološkem jeziku razlika med "ni mogoče izključiti" in "je na voljo" ključna.
Štiri kopirane predloge
1) Konfiguracija poročila:
Naslednje anonimno radiološko poročilo razdelite na naslednje naslove: Indikacija, Tehnika, Ugotovitve, Zaključek, Priporočilo. Drži se besedila, ne dodajaj komentarjev. Poročilo: [besedilo]
2) Preverjanje skladnosti meritev:
Navedite vse numerične meritve (mm, cm, HU) v tem poročilu in označite nasprotujoče si ali nefiziološke vrednosti. Poročilo: [besedilo]
3) Model načrta vrednotenja:
Napišite osnutek načrta vrednotenja za model zaznavanja slike: občutljivost, specifičnost, lažno pozitivno/pacient, analiza podskupine (naprava, starost), zunanji validacijski niz. Ločeno označite točke klinične odobritve.
4) Lažno pozitivna triažna opomba:
Naslednji seznam izhodov zaznavanja razvrstite kot "prioriteta radiologa visoka/nizka"; Napišite utemeljitev za vsak razred. Navedite, da odločitev prepustite radiologu. Seznam: [izpisi]
Vloga modela: po vrsti najdbe
Vrsta iskanja
Prispevek AI
kritičnost
preverjanje
Dajanje prednosti nujnim krvavitvam
visoka
zelo visoko
Radiolog celotno branje
Odkrivanje pljučnih nodulov
visoka
visoka
Prag + protokol sledenja
Kostna starost/merjenje
visoka
srednje
Strokovni nadzor
Segmentacija volumna organa
visoka
srednje
Ročno preverjanje vzorcev
Konfiguracija poročila (besedilo)
visoka
nizka
Potrditev radiologa
Namig: pri ocenjevanju modela zaslona se nikoli ne zanašajte na en odstotek natančnosti. Skupaj vprašajte za občutljivost, specifičnost, lažno pozitivno obremenitev in uspešnost podskupine; "Na kateri napravi in skupini bolnikov ste testirali model?" vprašanje razkriva večino težav.
Pozor: Toplotni zemljevid ne zagotavlja, zakaj se je model odločil tako, kot se je; Samo kaže, kam je usmerjena vaša pozornost. Včasih model da pravi odgovor iz napačnega razloga (na primer, ko pogleda marker na sliki). Izhod razložljivosti zahteva tudi validacijo.
Pogoste napake
- Zanašanje na eno samo metriko. Visoka splošna natančnost lahko prikrije nizko občutljivost v kritični podskupini.
- Ne meri lažno pozitivne obremenitve. Model, ki proizvaja preveč signalov, povzroči utrujenost dražljajev in je opuščen.
- Preverite model na eni sami napravi in ga uporabite kjer koli. Odmik polja je najpogostejši vzrok za neuspeh slikovne umetne inteligence.
- Toplotni zemljevid zamenjujemo z dokazom. Zemljevid pozornosti ni razlaga; Pravilen odgovor lahko temelji na napačnem razlogu.
- Odprava radiologa. Model daje prednost in označuje; Diagnoza in izvid pripadata radiologu.
Če povzamem
- Radiološka umetna inteligenca; Proizvaja vrednost z odkrivanjem, segmentacijo in določanjem prednosti in ne nadomešča diagnoze.
- Obstaja ravnotežje med občutljivostjo in specifičnostjo; Lažno pozitivno breme je kritična metrika v kliniki.
- Modeli morajo opraviti zunanjo validacijo (premik domene) na vsaki napravi in populaciji, v kateri bodo uporabljeni.
- Toplotni zemljevidi kažejo pozornost, vendar ne zagotavljajo razlage; ni mogoče vzeti kot dokaz.
- Končna diagnoza in izvid pripadata radiologu; AI je podporna plast.
Aplikacijska naloga
Izberite obstoječi (ali hipotetični) scenarij zaznavanja slike. Napišite ogrodje vrednotenja za ta model: navedite, katere metrike (občutljivost, specifičnost, lažno pozitivno/pacient), katere podskupine (naprava, starost, spol) in kateri zunanji niz validacije boste uporabili. Nato označite točno točko v delovnem procesu, kjer se je radiolog odločil, in v odstavku razložite, kako je bil izhod modela vključen v to odločitev.
kontrolni seznam
- [ ] Razlikujem vloge radiološke umetne inteligence pri odkrivanju, segmentaciji in določanju prednosti.
- [ ] Skupaj znam oceniti občutljivost, specifičnost in lažno pozitivno obremenitev.
- [ ] Vem, kaj je premikanje polja in zakaj je potrebna zunanja validacija.
- [ ] Ugotovil sem, da toplotni zemljevid ni razlaga in je potrebno preverjanje.
- [ ] Izhod modela lahko postavim kot vhodni podatek k odločitvi radiologa in ne kot nadomestilo zanj.