Imaging Pre-Assessment: Radiography, Ultrasound at Cytology

Mga nadagdag:

• Kakayahang tukuyin ang papel ng AI sa pre-screening, prioritization at report drafting sa radiography, ultrasound at cytology na mga imahe
• Kakayahang patunayan ang mga natuklasang na-flag ng AI gamit ang klinikal na konteksto, karaniwang pagpoposisyon, at pagsusuri ng eksperto (radiologist/pathologist)
• Kakayahang maunawaan na ang AI na nakabatay sa imahe ay hindi nagbibigay ng isang tiyak na diagnosis, na ang mga pagkakaiba sa uri/posisyon/kalidad ay nakakapanlinlang, at na ang huling interpretasyon ay nakasalalay sa manggagamot.

Ang imaging ay isang bintana na dinadala ang mata ng beterinaryo sa katawan. Ang Radiography (x-ray; imaging ng mga panloob na istruktura na may X-ray), ultrasound (imaging ng malambot na mga tisyu na may sound wave) at cytology (pagsusuri ng mga sample ng cell sa ilalim ng mikroskopyo) ay mahalagang bahagi ng pang-araw-araw na pagsasanay. Ang artificial intelligence (AI) ay mabilis na sumulong sa pattern recognition sa mga larawang ito sa mga nakaraang taon: maaari itong mag-flag ng isang posibleng masa sa isang radiograph, unahin ang isang hanay ng mga larawan, mag-draft ng isang ulat. Ngunit ang pinaka-mapanganib na maling kuru-kuro dito ay ito: Ang AI ay hindi gumagawa ng isang tiyak na diagnosis mula sa imahe. Ang mga pagkakaiba sa posisyon, pagkakalantad (dosis ng beam), uri, at superposisyon (nagpapatong ng mga organo) ay madaling nalinlang sa AI. Sa unit na ito matututunan mo kung paano ligtas na gamitin ang vision-based na AI bilang pre-screening at prioritization tool. Ang huling interpretasyon ay palaging pagmamay-ari ng manggagamot at, kung kinakailangan, ang radiologist o pathologist.

Ano ang magagawa at hindi maaaring gawin ng AI sa imaging

Ang mga lehitimong tungkulin para sa AI ay: pre-screening (pagmamarka sa lugar na kailangang tingnan), prioritization (pagbibigay ng kaso na tila apurahan), tulong sa pagsukat (pagkalkula ng mga karaniwang sukat gaya ng heart/thoracic ratio), at pag-draft ng ulat (paglalagay ng mga natuklasan sa maayos na teksto). Ang hindi magagawa ng AI: tiyak na diagnosis, tiyak na diagnosis ng malignant/benign, desisyon sa paggamot at pagpapalit ng pagsusuri.

Ang pinaka mapanlinlang na pitfall ng vision-based AI ay na ito ay halos sinanay sa data ng tao o limitadong data ng species. Magkaiba ang anatomy ng thorax ng aso at ng pusa, ng greyhound at ng bulldog. Maaaring malito ng AI ang mga pagkakaibang ito at mag-flag ng isang normal na pagkakaiba-iba bilang patolohiya, o kabaliktaran.

Pag-iingat: Dahil lamang sa nag-flag ang AI ng paghahanap ay hindi nangangahulugang "may bagay doon"; Ibig sabihin ay "tumingin dito". Ang bawat minarkahang lugar ay dapat mapatunayan laban sa klinikal na konteksto at karaniwang nakaposisyon na imaging; Ang mga lugar na walang marka ay dapat ding suriin ng manggagamot.

Two-way na error: false positive at false negative

Gumagawa ang Image AI ng dalawang uri ng mga error. Maling positibo: minarkahan ang isang natuklasan na hindi umiiral (hal., napagkamalan bilang isang masa sa superposisyon). Ito ay humahantong sa hindi kinakailangang pagsusuri at pagkabalisa sa may-ari. Maling negatibo: nakakaligtaan ang isang tunay na paghahanap (hal. nakakaligtaan ang isang maliit na metastasis). Ito ay mas mapanganib dahil maaari itong humantong sa manggagamot sa maling kumpiyansa. Kaya lang dahil sinabi ng AI na "malinis" ay hindi nagbubukod ng patolohiya; Dapat suriin ng manggagamot ang buong imahe gamit ang kanyang sariling mga mata.

Hakbang-hakbang: Paunang pagsusuri ng larawan gamit ang AI

1. Kumuha ng mga de-kalidad na larawan. Kung walang karaniwang posisyon, tamang pagkakalantad, malinaw na imahe, walang interpretasyon na maaasahan.
2. Magdagdag ng klinikal na konteksto. Ibigay ang mga species, edad, reklamo at mga natuklasan sa pagsusuri sa AI.
3. Humiling ng pre-screening. Hilingin sa AI na "markahan ang mga lugar na titingnan", hindi "gumawa ng diagnosis".
4. I-verify ang mga palatandaan. Suriin ang bawat sign na may karaniwang larawan at klinikal na konteksto.
5. Hanapin ang mga nakatakas. Suriin para sa iyong sarili ang mga lugar na hindi minarkahan ng AI.
6. Kumonsulta sa isang eksperto. Kumuha ng pagsusuri sa radiologist/pathologist kung sakaling may kaduda-dudang o kritikal na mga natuklasan.
7. Hayaang aprubahan ng doktor ang ulat. Ang huling interpretasyon at lagda ay pag-aari ng manggagamot.

tatlong mini case

Kaso 1. Ang AI sa isang 9-taong-gulang na aso ay minarkahan ng isang posibleng nodule sa kanang caudal lung lobe. Sinuri ng manggagamot ang lugar na may karaniwang dalawang posisyon na pagkuha; nakita niya na ang marka ay talagang isang magkapatong na anino ng mga tadyang at ugat (false positive). Itinuro ng AI ang atensyon, ngunit itinuwid ng doktor ang diagnosis.

Kaso 2. 14 na radiograph ang naipon sa panahon ng abalang emergency shift. Pinagbukud-bukod ng AI ang mga larawan ayon sa posibilidad ng pagkaapurahan at nagdala ng posibleng kaso ng libreng likido sa tiyan. Ginamit ng manggagamot ang order na ito bilang isang priority cue, ngunit sinusuri pa rin ang bawat larawan mismo. Nakatipid ng oras ang priyoridad; Ang desisyon ay sa doktor.

Kaso 3. Ang sample ng cytology mula sa isang masa ay "posibleng nagpapasiklab," sabi ng AI. Napansin ng manggagamot na ang kalidad ng sample ay hindi maganda (kaunting mga selula, kontaminasyon ng dugo), kumuha ng bagong sample at ipinadala ito sa pathologist; Iba ang naging resulta. Ang kasong ito ay nagpapakita na kung ang sample/kalidad ng imahe ay hindi maganda, ang output ng AI ay hindi rin maaasahan.

Isang tsart ng paghahambing

Katayuan

Ang papel ng AI

Ang tungkulin ng manggagamot

Mahina ang kalidad ng larawan

Hindi mapagkakatiwalaan, magbigay ng babala

I-reshoot/sample

Ang paghahanap ay may marka

"Tingnan mo dito" clue

I-verify gamit ang karaniwang larawan

Walang natuklasan

Hindi ibinubukod ang patolohiya

Suriin ito sa iyong sarili

Kritikal/kaduda-dudang paghahanap

Report draft

Kumonsulta sa radiologist/pathologist, kumpirmahin

Apat na maaaring kopyahin na mga template

Tungkulin: Image pre-screening assistant (hindi ka nag-diagnose, nakakakuha ka ng atensyon).Konteksto: Uri [...], edad [...], reklamo [...], uri ng shot [...] posisyon.Gawain: Ilista ang mga bahagi sa larawang ito na kailangang tingnang mabuti at kung bakit. Pagbibigay ng "definitive diagnosis"; Isulat ang "na-verify na doktor" para sa bawat item.

Gawain: Gumawa ng isang structured na REPORTDRAFT mula sa mga sumusunod na natuklasan sa radiology (teknikal na kalidad / natuklasan / iminungkahing interpretasyon). Panuntunan: Isulat ang interpretasyon sa "posible" na wika, huwag gumawa ng isang tiyak na diagnosis. Ang huling interpretasyon ay pag-aari ng manggagamot. Mga natuklasan: [...]

Gawain: Magbigay ng checklist ng teknikal na kalidad para sa larawan/sample na ito (posisyon, pagkakalantad, paggalaw, kasapatan ng sample). Kung mababa ang kalidad, iha-highlight nito ang babalang "hindi mapagkakatiwalaan ang komento, dapat i-repost". Konteksto: [...]

Gawain: Listahan na may pamantayang pulang bandila kapag kailangan ang referral sa isang espesyalista (radiologist/pathologist) para sa sumusunod na paghahanap. Ang desisyon ay pag-aari ng manggagamot. Nahanap: [...]

Mahinang prompt / Malakas na prompt

Mahina: "Ano ang nasa x-ray na ito, i-diagnose ito."

Güçlü: "Right-left lateral thorax radiograph ng isang 10-taong-gulang na pusa na nagrereklamo ng ubo. Ilista ang mga lugar na kailangang suriing mabuti at ang dahilan; huwag gumawa ng definitive diagnosis, isulat ang 'dapat i-verify ng doktor' para sa bawat item. Kung makakita ka ng problema sa kalidad ng larawan, sabihin muna ito."

Sa malakas na prompt, ang papel ng AI ay limitado sa pre-screening, ang kontrol sa kalidad ay priyoridad at ang diagnosis ay ipinagbabawal.

Mga karaniwang pagkakamali

• Napagkamalan ang sign para sa pagkilala. Ang sabi ni AI ay "tumingin ka rito", hindi "ito iyon".
• Pagkomento na may mahinang kalidad ng mga larawan. Parehong nagkakamali ang AI at tao sa mababang kalidad ng imahe.
• Pagtitiwala sa "malinis" na output at pag-abandona sa pagsusuri. Ang mga maling negatibo ay isang tunay na panganib.
• Pag-bypass sa pagkakaiba ng genre/posisyon. Ang AI na sinanay sa tao o iba pang uri ng data ay maliligaw.
• Pagkaantala ng referral ng espesyalista. Sa kritikal/kahina-hinalang mga natuklasan, ang pagsusuri ng radiologist/pathologist ay mahalaga.

Trust threshold at ang "black box" na problema

Ang mga tool sa AI na nakabatay sa paningin ay kadalasang nagbabalik ng marka ng posibilidad: "malamang na mataas ang audience" o isang porsyento. Lumilikha ang numerong ito ng mapanlinlang na pakiramdam ng katiyakan; Gayunpaman, madalas na hindi posible na makita kung paano gumagawa ng mga pagpapasya ang modelo sa background. Ito ay tinatawag na problema sa itim na kahon: ang sistema ay gumagawa ng isang resulta ngunit hindi ipinapaliwanag ang pangangatwiran nito sa paraang makokontrol ng mga tao. Ang isang manggagamot ay hindi dapat magkaroon ng bulag na pagtitiwala sa isang resulta kung saan hindi niya makita ang katwiran. Makahulugan ang mataas na marka kung ang data at kundisyon kung saan sinanay ang modelong iyon ay katulad ng iyong pasyente; Kung ibang species, ibang device, o hindi pangkaraniwang posisyon ang kasangkot, mabilis na nagiging hindi maaasahan ang marka.

Ang isang patakaran ng hinlalaki ay na anuman ang marka ng AI, tingnan para sa iyong sarili at itugma ito sa klinikal na konteksto para sa anumang paghahanap na magbabago sa iyong desisyon. Ang isang mataas na marka ay maaaring magdirekta sa iyo sa isang pagsusulit, ngunit ang pagsusulit at pagsusuri ay gumagawa ng diagnosis; Ang isang mababang marka ay hindi dapat magbigay ng katiyakan sa iyo, dahil ang isang maling negatibo ay palaging posible. Bukod pa rito, ang muling pagsusuri sa parehong larawan sa ilalim ng magkakaibang kundisyon (bagong posisyon, magkaibang pagkakalantad) ay binabawasan ang margin ng error para sa iyo at sa AI. Ang Vision AI ay isang tool na gumagabay sa atensyon ng isang may karanasang mata, hindi isang kapalit nito; Ang bigat ng pangwakas na interpretasyon ay palaging nakasalalay sa manggagamot.

Sa buod

Ang AI na nakabatay sa paningin ay isang makapangyarihang tulong sa pre-screening, prioritization at pagbalangkas ng ulat; ngunit hindi ito gumagawa ng isang tiyak na diagnosis. Kunin ang kanilang mga marka bilang isang "tumingin dito" na cue, i-verify ang bawat isa gamit ang karaniwang koleksyon ng imahe at klinikal na konteksto, at suriin ang mga lugar na walang marka. Kung mahina ang kalidad ng imahe/sample, hindi maaasahan ang output. Sa kaso ng kritikal na paghahanap, kumunsulta sa radiologist o pathologist. Ang huling interpretasyon at pananagutan ay pag-aari ng manggagamot.

Gawain ng aplikasyon

Paunang i-scan ang tatlong larawan (isang radiograph, isang ultrasound slice, isang cytology) sa AI. Para sa bawat: (1) i-verify ang lugar na minarkahan ng AI na may karaniwang larawan, (2) suriin kung mayroong maling positibo o maling negatibo, (3) tandaan kung aling kaso ang nangangailangan ng referral ng espesyalista. Gumawa din ng checklist ng kalidad at gamitin ito sa klinika.

checklist

• [ ] Nakatanggap ako ng de-kalidad na imahe na may karaniwang posisyon at tamang pagkakalantad.
• [ ] Ibinigay ko ang klinikal na konteksto (uri, edad, reklamo) sa AI.
• [ ] Humingi ako ng AI para sa pre-screening, hindi diagnosis.
• [ ] Na-verify ko ang mga minarkahang lugar gamit ang karaniwang larawan.
• [ ] Sinuri ko rin mismo ang mga lugar na walang marka.
• [ ] Kumonsulta ako sa isang eksperto sa mga kritikal/kahina-hinalang natuklasan.
• [ ] Bilang isang manggagamot, inaprubahan ko ang huling ulat.