Lợi nhuận:
- Khả năng giải thích cách thiết lập quy trình phát hiện, phân đoạn và ưu tiên được hỗ trợ bởi trí tuệ nhân tạo trong hình ảnh X quang
- Khả năng tách các đầu ra của mô hình (bản đồ nhiệt, xác suất, phép đo) khỏi quyết định của bác sĩ X quang và đặt chúng vào vai trò hỗ trợ
- Khả năng xác thực kết quả đầu ra của mô hình hình ảnh với độ nhạy/độ đặc hiệu, mức độ dương tính giả và bối cảnh lâm sàng
X quang là lĩnh vực ứng dụng trưởng thành nhất của trí tuệ nhân tạo trong kỹ thuật y sinh. X-quang (X-quang), chụp cắt lớp vi tính (CT; CT trong tiếng Anh, kết hợp các phần tia X chụp từ các góc khác nhau) và cộng hưởng từ (MR; MRI trong tiếng Anh, chụp ảnh mô bằng từ trường mạnh và sóng vô tuyến) tạo ra hàng triệu hình ảnh mỗi ngày. Một bác sĩ X quang phải mất nhiều năm kinh nghiệm mới giải thích được những hình ảnh này. Trí tuệ nhân tạo góp phần vào quá trình này bằng cách phát hiện (thu hút sự chú ý đến một phát hiện), phân đoạn (vẽ ranh giới của cấu trúc; phân đoạn bằng tiếng Anh) và ưu tiên (đặt các trường hợp khẩn cấp ở đầu hàng; phân loại bằng tiếng Anh). Trong phần này, chúng ta sẽ xem cách thiết lập các quy trình công việc này và - quan trọng nhất - cách đầu ra được định vị làm đầu vào, thay vì thay thế cho quyết định của bác sĩ X quang.
Là một kỹ sư, công việc của bạn thường là phát triển mô hình, tích hợp nó, xác nhận nó và theo dõi hiệu suất của nó với nhóm lâm sàng. Bác sĩ X quang đưa ra chẩn đoán. AI không chẩn đoán; thu hút sự chú ý, các biện pháp, các loại.
Các bước của quy trình làm việc AI phóng xạ
Bước 1 - Dữ liệu và tiền xử lý. Hình ảnh có dạng DICOM (Hình ảnh kỹ thuật số và truyền thông trong y học; định dạng tệp và truyền thông tiêu chuẩn cho hình ảnh y tế). Tiền xử lý; Chúng bao gồm cửa sổ (điều chỉnh độ tương phản của hình ảnh), lấy mẫu lại (thay đổi kích thước các lát theo kích thước tiêu chuẩn) và giảm nhiễu. Bước này an toàn và phù hợp cho việc tự động hóa.
Bước 2 - Phát hiện và phân đoạn. Mẫu này đánh dấu khu vực tương ứng với một nốt phổi, vết gãy hoặc xuất huyết. Đầu ra thường ở dạng điểm xác suất và bản đồ nhiệt (một lớp hiển thị bằng màu sắc các khu vực tập trung sự chú ý của mô hình). Trong phân đoạn, mô hình vẽ các ranh giới pixel của một cơ quan hoặc tổn thương; Điều này được sử dụng để đo khối lượng.
Bước 3 - Ưu tiên. Nếu phát hiện một phát hiện khẩn cấp (ví dụ như xuất huyết não), trường hợp đó sẽ được đưa vào danh sách công việc. Mục đích ở đây không phải là thay đổi bác sĩ X quang mà là để đảm bảo rằng trường hợp nguy kịch được phát hiện sớm hơn.
Bước 4 - Đánh giá của bác sĩ X quang. Đầu ra của mô hình được trình bày cho bác sĩ X quang dưới dạng lớp khuyến nghị. Bác sĩ X quang chấp nhận, từ chối hoặc thay đổi. Báo cáo và chẩn đoán cuối cùng thuộc về bác sĩ X quang.
Bước 5 - Xác minh và giám sát. Khi mô hình được đưa vào hiện trường, hiệu suất của nó sẽ được theo dõi liên tục; Tỷ lệ dương tính giả và âm tính giả được theo dõi riêng biệt trên các thiết bị và nhóm bệnh nhân khác nhau.
Độ nhạy, độ đặc hiệu và gánh nặng dương tính giả
Có hai số liệu cơ bản để đánh giá mô hình hình ảnh. Độ nhạy là tỷ lệ phát hiện những người thực sự bị bệnh: độ nhạy cao nghĩa là ít phát hiện bị bỏ sót hơn. Độ đặc hiệu là tốc độ chúng ta loại bỏ chính xác những con thực sự khỏe mạnh: độ đặc hiệu cao nghĩa là ít cảnh báo sai hơn. Có sự cân bằng giữa hai điều này; Nếu bạn hạ thấp ngưỡng và phát hiện nhiều phát hiện hơn, cảnh báo sai sẽ tăng lên.
Một khái niệm quan trọng trong phòng khám là gánh nặng của kết quả dương tính giả: nếu mô hình nói "nghi ngờ" quá thường xuyên, bác sĩ X quang mỗi lần phải loại trừ những dấu hiệu này và sau một thời gian sẽ không xem xét cảnh báo một cách nghiêm túc (cảnh báo mệt mỏi). Do đó, không chỉ cần đánh giá độ nhạy của mô hình mà còn phải đánh giá số lượng kết quả dương tính giả trong quy trình làm việc thực tế.
Ba trường hợp nhỏ: Bằng những con số
Trường hợp 1 - Tiết kiệm thời gian nhờ ưu tiên. Mô hình ưu tiên chảy máu trong chụp CT não đã được triển khai tại bệnh viện. Thời gian trung bình để các trường hợp chảy máu được bác sĩ X quang khám lần đầu tiên giảm từ 28 phút xuống còn 8 phút. Tuy nhiên, mô hình này không ghi lại được một trường hợp xuất huyết dưới nhện nhỏ bị bỏ sót; do đó tất cả các trường hợp lại được bác sĩ X quang đọc đầy đủ. Mô hình tăng tốc độ phân loại nhưng không loại bỏ việc đọc.
Trường hợp 2 - Gánh nặng dương tính giả. Một mô hình phát hiện nốt phổi tạo ra trung bình 6 dấu hiệu “nghi ngờ” trên mỗi bệnh nhân khi chạy với ngưỡng thấp để tăng độ nhạy lên 94%; Hầu hết trong số này là các phần mạch máu và các ổ lành tính. Trong vòng hai tuần, các bác sĩ X quang bắt đầu bỏ qua các dấu hiệu. Khi ngưỡng được điều chỉnh lại và số điểm giảm xuống còn 1,5 trên mỗi bệnh nhân, mô hình lại trở nên hữu ích.
Trường hợp 3 - Dịch chuyển hiện trường. Một mô hình phát hiện gãy xương được thực hiện với độ nhạy 91% trên máy chụp X-quang kỹ thuật số tại bệnh viện A, nhưng giảm xuống 72% tại bệnh viện B sử dụng thiết bị cầm tay của nhà sản xuất khác. Chất lượng hình ảnh và vị trí khác nhau. Mô hình không thể được coi là đáng tin cậy nếu không được xác nhận thêm trên từng thiết bị và nhóm người mà nó sẽ được sử dụng.
Nhắc yếu / Nhắc mạnh
Lưu ý: Lời nhắc bên dưới dùng để định cấu hình báo cáo văn bản hoặc quy trình công việc, không phải để diễn giải hình ảnh. Chẩn đoán hình ảnh là công việc của phần mềm lâm sàng và bác sĩ X quang đã được xác nhận.
Dấu nhắc yếu:
Hãy xem báo cáo chụp X-quang này và cho tôi biết liệu bệnh nhân có bị bệnh hay không.[báo cáo]
Lời nhắc mạnh mẽ:
Vai trò của bạn: Bạn là trợ lý quy trình làm việc của khoa X quang (BẠN KHÔNG CHẨN ĐOÁN). Cấu trúc văn bản báo cáo X quang ẩn danh như sau: - Lập bảng các kết quả, số đo và vị trí giải phẫu. - Giữ nguyên các tuyên bố mơ hồ/tiêu cực ("không thể loại trừ"), không đưa ra quyết định cuối cùng. - Không thêm bất kỳ phát hiện nào không có trong văn bản. - Tập hợp các câu “gợi ý/theo dõi” vào một phần riêng. - Cuối cùng, liệt kê 3 điểm mà bác sĩ X quang cần xác nhận. Báo cáo ẩn danh: [văn bản]
Mô hình gợi ý mạnh mẽ giúp mô hình không cần phải diễn giải và tập trung vào cấu hình; Nên duy trì sự mơ hồ, bởi vì trong ngôn ngữ của X quang, sự khác biệt giữa “không thể loại trừ” và “có sẵn” là rất quan trọng.
Bốn mẫu có thể sao chép
1) Cấu hình báo cáo:
Chia báo cáo X quang ẩn danh sau đây thành các tiêu đề sau: Chỉ định, Kỹ thuật, Kết quả, Kết luận, Khuyến nghị. Bám sát văn bản, không thêm ý kiến. Báo cáo: [văn bản]
2) Kiểm tra tính nhất quán của phép đo:
Liệt kê tất cả các phép đo bằng số (mm, cm, HU) trong báo cáo này và đánh dấu các giá trị xung đột hoặc không sinh lý. Báo cáo: [văn bản]
3) Kế hoạch đánh giá mô hình:
Viết kế hoạch đánh giá dự thảo cho mô hình phát hiện hình ảnh: độ nhạy, độ đặc hiệu, dương tính giả/bệnh nhân, phân tích nhóm phụ (thiết bị, độ tuổi), bộ xác nhận bên ngoài. Đánh dấu các điểm phê duyệt lâm sàng riêng biệt.
4) Lưu ý phân loại dương tính giả:
Phân loại danh sách đầu ra phát hiện sau đây là "mức độ ưu tiên cao/thấp của bác sĩ X quang"; Viết lý do cho mỗi lớp. Nói rõ rằng bạn để bác sĩ X quang quyết định. Danh sách: [kết quả đầu ra]
Vai trò của mô hình: Theo loại phát hiện
Tìm loại
Đóng góp của AI
sự quan trọng
xác minh
Ưu tiên chảy máu khẩn cấp
cao
rất cao
Bác sĩ X quang đọc đầy đủ
Phát hiện nốt phổi
cao
cao
Ngưỡng + giao thức theo dõi
Tuổi xương/đo lường
cao
trung bình
Kiểm soát chuyên gia
Phân chia khối lượng cơ quan
cao
trung bình
Xác minh mẫu thủ công
Cấu hình báo cáo (văn bản)
cao
thấp
Xác nhận của bác sĩ X quang
Mẹo: Không bao giờ dựa vào một tỷ lệ phần trăm độ chính xác duy nhất khi đánh giá mô hình hiển thị. Yêu cầu độ nhạy, độ đặc hiệu, gánh nặng dương tính giả và hiệu suất của nhóm con cùng nhau; "Bạn đã thử nghiệm mô hình trên thiết bị và nhóm bệnh nhân nào?" câu hỏi tiết lộ hầu hết các vấn đề.
Thận trọng: Bản đồ nhiệt không đảm bảo "tại sao" mô hình lại quyết định như vậy; Nó chỉ cho thấy sự chú ý của bạn tập trung vào đâu. Đôi khi mô hình đưa ra câu trả lời đúng vì lý do sai (ví dụ: bằng cách nhìn vào điểm đánh dấu trong ảnh). Đầu ra có thể giải thích cũng yêu cầu xác nhận.
Những lỗi thường gặp
- Dựa vào một số liệu duy nhất. Độ chính xác tổng thể cao có thể che giấu độ nhạy thấp trong một nhóm con quan trọng.
- Không đo tải dương giả. Mô hình tạo ra quá nhiều tín hiệu sẽ tạo ra sự mệt mỏi do kích thích và bị loại bỏ.
- Xác minh mô hình trên một thiết bị duy nhất và sử dụng nó ở mọi nơi. Trôi trường là nguyên nhân phổ biến nhất gây ra lỗi AI hình ảnh.
- Nhầm bản đồ nhiệt với bằng chứng. Bản đồ chú ý không phải là một lời giải thích; Câu trả lời đúng có thể dựa trên lý do sai.
- Loại bỏ bác sĩ X quang. Mô hình ưu tiên và gắn cờ; Việc chẩn đoán và báo cáo thuộc về bác sĩ X quang.
Tóm lại
- AI phóng xạ; Nó tạo ra giá trị thông qua việc phát hiện, phân đoạn và ưu tiên, đồng thời không thay thế chẩn đoán.
- Có sự cân bằng giữa độ nhạy và độ đặc hiệu; Gánh nặng dương tính giả là một thước đo quan trọng trong phòng khám.
- Các mô hình phải trải qua quá trình xác thực bên ngoài (chuyển đổi miền) trên từng thiết bị và nhóm mà chúng sẽ được sử dụng.
- Bản đồ nhiệt thể hiện sự chú ý nhưng không đảm bảo giải thích; không thể lấy làm bằng chứng được.
- Chẩn đoán và báo cáo cuối cùng thuộc về bác sĩ X quang; AI là một lớp hỗ trợ.
Nhiệm vụ ứng dụng
Chọn một kịch bản phát hiện hình ảnh hiện có (hoặc giả định). Viết khung đánh giá cho mô hình này: chỉ định số liệu nào (độ nhạy, độ đặc hiệu, dương tính giả/bệnh nhân), nhóm con nào (thiết bị, độ tuổi, giới tính) và bộ xác thực bên ngoài nào bạn sẽ sử dụng. Sau đó, đánh dấu điểm chính xác trong quy trình làm việc mà bác sĩ X quang đưa ra quyết định và giải thích trong một đoạn văn về cách đầu ra của mô hình được đưa vào quyết định đó.
danh sách kiểm tra
- [ ] Tôi có thể phân biệt vai trò phát hiện, phân đoạn và ưu tiên của AI X quang.
- [ ] Tôi có thể đánh giá độ nhạy, độ đặc hiệu và gánh nặng dương tính giả cùng nhau.
- [ ] Tôi biết dịch chuyển trường là gì và tại sao cần phải xác thực bên ngoài.
- [ ] Tôi nhận ra rằng bản đồ nhiệt không phải là lời giải thích và cần phải xác minh.
- [ ] Tôi có thể định vị đầu ra của mô hình làm đầu vào cho quyết định của bác sĩ X quang, thay vì thay thế nó.