Mga nadagdag:
- Kakayahang ipaliwanag kung paano naitatag ang mga daloy ng trabaho na sinusuportahan ng artificial intelligence, pagse-segment at pag-prioritize sa mga radiological na larawan
- Kakayahang paghiwalayin ang mga output ng modelo (mapa ng init, posibilidad, pagsukat) mula sa desisyon ng radiologist at iposisyon ang mga ito sa isang papel na sumusuporta
- Kakayahang i-validate ang mga output ng modelo ng imahe na may sensitivity/specificity, false positive burden, at klinikal na konteksto
Ang Radiology ay ang pinaka-mature na lugar ng aplikasyon ng artificial intelligence sa biomedical engineering. Ang X-ray (X-ray), computed tomography (CT; CT sa English, na pinagsasama ang mga seksyon ng X-ray na kinuha mula sa iba't ibang anggulo) at magnetic resonance (MR; MRI sa English, imaging ng tissue na may malakas na magnetic field at radio waves) ay gumagawa ng milyun-milyong larawan araw-araw. Ito ay tumatagal ng mga taon ng kadalubhasaan para sa isang radiologist upang bigyang-kahulugan ang mga larawang ito. Ang artificial intelligence ay nag-aambag sa prosesong ito sa pamamagitan ng pagtuklas (pagkuha ng pansin sa isang paghahanap), pagse-segment (pagguhit ng mga hangganan ng isang istraktura; pagse-segment sa English) at pag-prioritize (paglalagay ng mga kagyat na kaso sa simula ng queue; triage sa English). Sa unit na ito, makikita natin kung paano naka-set up ang mga workflow na ito at — higit sa lahat — kung paano nakaposisyon ang output bilang input sa, sa halip na isang kapalit para sa, desisyon ng radiologist.
Bilang isang inhinyero, ang iyong trabaho ay madalas na bumuo ng modelo, isama ito, i-validate ito, at subaybayan ang pagganap nito kasama ang clinical team. Ginagawa ng radiologist ang diagnosis. Ang AI ay hindi nag-diagnose; nakakakuha ng pansin, sumusukat, nag-uuri.
Mga Hakbang ng Radiological AI Workflow
Hakbang 1 — Data at preprocessing. Ang mga imahe ay dumating bilang DICOM (Digital Imaging and Communications in Medicine; karaniwang file at format ng komunikasyon para sa mga medikal na larawan). Pre-processing; Kabilang dito ang windowing (pagsasaayos ng contrast ng larawan), resampling (pagbabago ng laki ng mga hiwa sa karaniwang laki), at pagbabawas ng ingay. Ang hakbang na ito ay ligtas at angkop para sa automation.
Hakbang 2 — Detection at segmentation. Ang pattern ay minarkahan ang lugar na tumutugma sa isang lung nodule, isang bali, o isang pagdurugo. Ang output ay karaniwang nasa anyo ng isang marka ng posibilidad at isang mapa ng init (isang layer na nagpapakita ng kulay sa mga lugar kung saan ang atensyon ng modelo ay puro). Sa segmentation, iginuhit ng modelo ang mga hangganan ng pixel ng isang organ o lesyon; Ito ay ginagamit para sa pagsukat ng volume.
Hakbang 3 - Unahin. Kung ang isang agarang paghahanap (hal. pagdurugo ng utak) ay nakita, ang kaso ay iniharap sa listahan ng trabaho. Ang layunin dito ay hindi upang baguhin ang radiologist, ngunit upang matiyak na ang kritikal na kaso ay nakita nang mas maaga.
Hakbang 4 - Pagsusuri ng Radiologist. Ang mga output ng modelo ay ipinakita sa radiologist bilang isang layer ng rekomendasyon. Ang radiologist ay tumatanggap, tumatanggi o nagbabago. Ang huling ulat at diagnosis ay pag-aari ng radiologist.
Hakbang 5 — Pag-verify at pagsubaybay. Kapag ang modelo ay nasa field, ang pagganap nito ay patuloy na sinusubaybayan; Ang mga maling positibo at maling negatibong rate ay hiwalay na sinusubaybayan sa iba't ibang device at pangkat ng pasyente.
Sensitivity, Specificity at Maling Positibong Pasan
Mayroong dalawang pangunahing sukatan para sa pagsusuri ng modelo ng larawan. Ang pagiging sensitibo ay ang rate ng pagtuklas ng mga tunay na may sakit: ang mataas na sensitivity ay nangangahulugan ng mas kaunting mga napalampas na natuklasan. Ang pagtitiyak ay ang rate kung saan tumpak nating inaalis ang tunay na malusog: ang mataas na pagtitiyak ay nangangahulugan ng mas kaunting mga maling alarma. May balanse sa pagitan ng dalawang ito; Kung babaan mo ang threshold at makakakita ka ng higit pang mga natuklasan, tataas ang mga maling alarma.
Ang isang kritikal na konsepto sa klinika ay ang pasanin ng mga maling positibo: kung ang modelo ay masyadong madalas na nagsasabi ng "kahina-hinala", ang radiologist ay kailangang ibukod ang mga flag na ito sa bawat oras at pagkatapos ng ilang sandali ay hindi sineseryoso ang mga alerto (alerto sa pagkapagod). Samakatuwid, hindi lamang ang sensitivity ng isang modelo ang dapat suriin, kundi pati na rin ang bilang ng mga maling positibo sa aktwal na daloy ng trabaho.
Tatlong Mini Case: Sa pamamagitan ng Mga Numero
Case 1 — Oras na natipid sa pamamagitan ng prioritization. Ang isang modelo ng prioritization ng dumudugo sa mga CT ng utak ay ipinatupad sa isang ospital. Ang average na oras para sa mga kaso ng pagdurugo na unang makita ng radiologist ay bumaba mula 28 minuto hanggang 8 minuto. Gayunpaman, nabigo ang modelo na makuha ang isang napalampas na maliit na subarachnoid hemorrhage; samakatuwid ang lahat ng mga kaso ay muling sumailalim sa buong pagbabasa ng radiologist. Pinabilis ng modelo ang pag-uuri, ngunit hindi inalis ang pagbabasa.
Kaso 2 — Maling positibong pasanin. Ang isang modelo ng pag-detect ng lung nodule ay gumawa ng average na 6 na "kahina-hinala" na mga senyales sa bawat pasyente kapag tumakbo nang may mababang threshold upang mapataas ang sensitivity sa 94%; Karamihan sa mga ito ay mga seksyon ng vascular at benign foci. Sa loob ng dalawang linggo, sinimulan ng mga radiologist na huwag pansinin ang mga palatandaan. Kapag naayos muli ang threshold at nabawasan ang bilang ng mga marka sa 1.5 bawat pasyente, naging kapaki-pakinabang muli ang modelo.
Kaso 3 — Field shift. Isang fracture detection model ang gumanap na may 91% sensitivity sa mga digital x-ray machine sa ospital A, ngunit bumaba sa 72% sa ospital B gamit ang mga portable na device mula sa ibang manufacturer. Ang kalidad ng larawan at pagpoposisyon ay iba. Ang modelo ay hindi maituturing na mapagkakatiwalaan nang hindi pa napapatunayan sa bawat device at populasyon kung saan ito gagamitin.
Mahina Prompt / Malakas na Prompt
Tandaan: Ang mga prompt sa ibaba ay para sa pag-configure ng isang textual na ulat o daloy ng trabaho, hindi para sa pagbibigay-kahulugan sa mismong larawan. Ang diagnosis ng imahe ay ang gawain ng napatunayang klinikal na software at radiologist.
Mahinang prompt:
Tingnan ang ulat ng x-ray na ito at sabihin sa akin kung may sakit ang pasyente.[ulat]
Napakahusay na prompt:
Ang iyong tungkulin: Isa kang radiology workflow assistant (HINDI KA DIAGNOSIS). Istraktura ang anonymous na teksto ng ulat ng radiology tulad ng sumusunod: - Itala ang mga natuklasan, mga sukat at anatomical na lokasyon. - Panatilihin ang hindi malinaw/negatibong mga pahayag ("hindi maaaring ibukod") bilang ay, huwag gawing pinal. - Huwag magdagdag ng anumang natuklasan na wala sa teksto. - Kolektahin ang "rekomendasyon/follow-up" na mga pangungusap sa isang hiwalay na seksyon. - Sa dulo, maglista ng 3 puntos na dapat kumpirmahin ng radiologist. Anonymous na ulat: [text]
Pinipigilan ng makapangyarihang modelo ng prompt ang modelo mula sa interpretasyon at tumutuon sa pagsasaayos; Ito ay kanais-nais na mapanatili ang kalabuan, dahil sa wika ng radiology ang pagkakaiba sa pagitan ng "hindi maibubukod" at "ay magagamit" ay napakahalaga.
Apat na Nakokopyang Template
1) Configuration ng ulat:
Hatiin ang sumusunod na hindi kilalang ulat ng radiology sa mga sumusunod na heading: Indikasyon, Teknik, Mga Natuklasan, Konklusyon, Rekomendasyon. Dumikit sa text, huwag magdagdag ng mga komento. Ulat: [teksto]
2) Pagsusuri ng pagkakapare-pareho ng pagsukat:
Ilista ang lahat ng mga numerical na sukat (mm, cm, HU) sa ulat na ito at markahan ang magkasalungat o hindi physiological na mga halaga. Ulat: [teksto]
3) Plano sa pagsusuri ng modelo:
Sumulat ng draft na plano sa pagsusuri para sa isang modelo ng pag-detect ng larawan: sensitivity, specificity, false positive/pasyente, pagsusuri ng subgroup (device, edad), external validation set. Markahan ang mga klinikal na punto ng pag-apruba nang hiwalay.
4) Maling positibong tala ng triage:
Uriin ang sumusunod na listahan ng mga detection output bilang "radiologist priority high/low"; Isulat ang katwiran para sa bawat klase. Sabihin na ipaubaya mo ang desisyon sa radiologist. Listahan: [mga output]
Tungkulin ng Modelo: Ayon sa Uri ng Paghahanap
Uri ng paghahanap
kontribusyon ng AI
pagiging kritikal
pagpapatunay
Apurahang pagdurugo ng prioritization
mataas
napakataas
Buong pagbabasa ng radiologist
Pagtuklas ng nodule sa baga
mataas
mataas
Threshold + tracking protocol
Edad/pagsukat ng buto
mataas
daluyan
Kontrol ng dalubhasa
Pag-segment ng dami ng organ
mataas
daluyan
Manu-manong sample na pag-verify
Configuration ng ulat (teksto)
mataas
mababa
Pagkumpirma ng radiologist
Tip: Huwag umasa sa isang porsyento ng katumpakan kapag sinusuri ang isang modelo ng display. Humingi ng sensitivity, specificity, false positive burden, at performance ng subgroup nang magkasama; "Saang device at pangkat ng pasyente mo sinubukan ang modelo?" tanong ay nagpapakita ng karamihan sa mga problema.
Babala: Hindi ginagarantiya ng heat map ang "bakit" ang modelo ay nagpasya sa paraang ginawa nito; Ipinapakita lang nito kung saan nakatutok ang iyong atensyon. Minsan ang modelo ay nagbibigay ng tamang sagot para sa maling dahilan (halimbawa, sa pamamagitan ng pagtingin sa isang marker sa larawan). Nangangailangan din ng pagpapatunay ang output ng pagpapaliwanag.
Mga karaniwang pagkakamali
- Umaasa sa iisang sukatan. Ang mataas na pangkalahatang katumpakan ay maaaring magtakpan ng mababang sensitivity sa isang kritikal na subgroup.
- Hindi sinusukat ang false positive load. Ang modelo na gumagawa ng masyadong maraming signal ay lumilikha ng stimulus fatigue at inabandona.
- I-verify ang modelo sa isang device at gamitin ito kahit saan. Ang field drift ay ang pinakakaraniwang sanhi ng pagkabigo ng image AI.
- Napagkakamalang ebidensya ang heat map. Ang mapa ng atensyon ay hindi isang paliwanag; Ang tamang sagot ay maaaring batay sa maling dahilan.
- Pag-alis ng radiologist. Ang modelo ay priyoridad at flag; Ang diagnosis at ulat ay nabibilang sa radiologist.
Sa buod
- Radiological AI; Gumagawa ito ng halaga sa pamamagitan ng pagtuklas, pag-segment at pag-prioritize, at hindi pinapalitan ang diagnosis.
- May balanse sa pagitan ng sensitivity at specificity; Ang maling positibong pasanin ay isang kritikal na sukatan sa klinika.
- Ang mga modelo ay dapat sumailalim sa panlabas na pagpapatunay (paglipat ng domain) sa bawat aparato at populasyon kung saan sila gagamitin.
- Ang mga heatmap ay nagpapakita ng atensyon ngunit hindi ginagarantiyahan ang paliwanag; hindi maaaring kunin bilang ebidensya.
- Ang huling pagsusuri at ulat ay pagmamay-ari ng radiologist; Ang AI ay isang layer ng suporta.
Gawain ng aplikasyon
Pumili ng umiiral na (o hypothetical) na senaryo ng pag-detect ng larawan. Sumulat ng balangkas ng pagsusuri para sa modelong ito: tukuyin kung aling mga sukatan (sensitivity, specificity, false positive/pasyente), aling mga subgroup (device, edad, kasarian), at aling external validation set ang iyong gagamitin. Pagkatapos ay markahan ang eksaktong punto sa daloy ng trabaho kung saan gumawa ng desisyon ang radiologist at ipaliwanag sa isang talata kung paano naipasok ang output ng modelo sa desisyong iyon.
checklist
- [ ] Makikilala ko ang mga tungkulin sa pagtuklas, pagse-segment at pag-prioritize ng radiological AI.
- [ ] Masusuri ko ang sensitivity, specificity at false positive burden nang magkasama.
- [ ] Alam ko kung ano ang field shifting at kung bakit kailangan ang external validation.
- [ ] Napagtanto ko na ang heat map ay hindi isang paliwanag at kailangan ang pag-verify.
- [ ] Maaari kong iposisyon ang output ng modelo bilang isang input sa desisyon ng radiologist, sa halip na isang kapalit para dito.