ИИ был популярным термином в радиологии в течение многих лет, при этом большинство приложений в этой области ИИ достигают США. Утверждение Управления по санитарному надзору за качеством пищевых продуктов и медикаментов (FDA) до широкого использования GPT-3 и GPT-4 в 2023 году. Для многих потенциал машинного обучения – это больше, чем просто разговоры; сила хорошо обученного, дополненного изображением ИИ уже продемонстрирована в качестве полезного инструмента для контроля качества, отслеживания заболеваний, сегментации опухолей и прогнозирования прогнозов.

ИИ будет и впредь оставаться движущей силой в 2024 году, что приведет к постепенному повышению эффективности ухода и приведет к глубокому влиянию на путешествие пациента. Читайте дальше, чтобы узнать наши взгляды на то, как стандартизированная, адаптируемая инфраструктура для искусственного интеллекта медицинской визуализации в конечном итоге повысит эффективность и точность радиологических оценок.

1. Дополняющие ИИ, Не Автономные

Повествование об ИИ радиологии эволюционировало от понятия автономных систем, заменяющих опытных радиологов, к вспомогательному подходу. ИИ может взять на себя административные задачи, которые рентгенологам не нужно выполнять, и дополнять все остальное. Пробелы в медицинских записях и коммуникации остаются слишком распространенным риском безопасности для пациентов и являются легкими проблемами для решения крупных языковых моделей, такими как обобщение истории болезни для информированных оценок, передача случайных результатов пациентам и планирование последующих действий.

ИИ может быть использован для постепенного улучшения на каждом этапе трубопровода медицинской визуализации, помимо задач, хорошо подходящих для большой языковой модели. Модели искусственного интеллекта визуализации могут информировать контрастную или радиационную дозиметрию, выявлять важную информацию о пациентах, такую как возраст или основные условия для сортировки экстренного реагирования, выполнять оценки качества сканирования для автоматизации преобразований, отмечать проблемы с позиционированием оборудования или пациентов, а также выявлять поражения при сканировании для экспертного глаза.

Эти микроусоверждения на каждом этапе обработки изображений могут означать, что секунды сэкономлены для человека, проходящего лечение. В совокупности эти микроулучшения сокращают годы ручной обработки данных в интегрированной системе здравоохранения, позволяя гораздо большему количеству пациентов быстрее получать результаты радиологии. Этот сдвиг не только повысит точность на каждом этапе конвейера визуализации, но и снизит общую нагрузку на радиологов и смежный персонал.

2. Ответственный ИИ в здравоохранении

Область радиологии объединяется для определения лучших практик для развития заслуживающего доверия ИИ, с RSNA, Американским колледжем радиологии (ACR), Европейским обществом радиологии (ESR) и двумя другими профессиональными обществами, недавно выпустившими совместное заявление с руководящими принципами для прозрачного развития и внедрения ИИ в клиническую практику.

Меры прозрачности включают в себя раскрытие дизайна исследования, размера выборки, демографических характеристик, спецификаций оборудования, способа обработки изображений, целевой группы населения и целевого случая использования. Последовательное сообщение об первоначальном намерении алгоритмов и параметрах проектирования модели только укрепит доверие к нишевым алгоритмам и выделит области, в которых отсутствуют специализированные модели.

Хотя внедрение систем для проверки, отслеживания и объяснения жизненного цикла разработки модели может быть обременительным и обеспечение того, чтобы внедрение модели приносило значительные преимущества по сравнению с существующими инструментами, эти усилия имеют решающее значение не только для широкого внедрения, но и для ответственной полагания на ИИ на практике. Чрезмерная заверка на ИИ может привести к более низкой производительности, чем радиологи, работающие без инструментов ИИ или даже автономный ИИ. Обучение, визуализация неопределенности, когнитивные проверки и инфраструктура корпоративного ИИ, которая показывает результаты производительности модели и характеристики исходных данных, могут быть эффективными для противодействия чрезмерной или недостаточной зависии на ИИ.

3. Мультимодальные, ориентированные на пациентов реестры ускоряют принятие решений о регистрации в клинических испытаниях

Как только повышение эффективности будет реализовано за счет оптимизации неинтерпретивных, «обыденных» процессов курирования изображений с помощью ИИ, системы здравоохранения могут начать создавать «золотой стандарт» хранилища радиологических данных, которые предварительно помечены и помечены. Эти живые хранилищи включают в себя годы визуализации и репрезентативные образцы тысяч пациентов с множеством опыта и показаний, которые могут иметь право на зачисление в жизненно важные клинические испытания.

В то время как администрации могут добиться экономии времени или снижения риска за счет внедрения алгоритмов ИИ в уход, самым важным активом для революционизации ухода является наличие организованных мультимодальных данных визуализации. Когда у клиницистов есть хранилища с возможностью поиска, данные, принадлежащие системе здравоохранения, являются вечнозелеными для подключения пациентов к клиническим испытаниям или для построения моделей в любом месте и в любое время. Единичные части медицинской карты пациента, такие как радиологический отчет или сканирование с одной временной точки, часто являются неполными или пропускают значительную часть временной шкалы пациента.

Надежные реестры пациентов, которые включают текстовые данные и медицинскую визуализацию, как правило, очень трудоемки для сборки, требующие методов ручного извлечения, преобразования и загрузки (ETL) для объединения данных в течение нескольких недель или месяцев. Используя решения, которые автоматически объединяют эти данные в визуальные панели мониторинга и поддерживают запросы на естественном языке, поставщики имеют полное представление о истории болезни пациента, что необходимо для информированных планов лечения и является предшественником внешнего сотрудничества с реальными доказательствами.

Фармацевтические организации уже тестируют обещание ИИ по оптимизации критериев включения и исключения клинических испытаний и предотвращению дорогостоящих сбоев. Анализируя большие, мультимодальные, реальные наборы данных, критерии включения могут быть уточнены только для субъектов, которые с наибольшей вероятностью отреагируют на лечение. Будущее решений о зачислении в клинические испытания и больших основополагающих медицинских моделей зависит от сопостоляции наборов данных медицинской визуализации с данными EMR и агрегирования этих точек данных в когорты, которые повышают способность ИИ поддерживать клиническую корреляцию.

К счастью, сегодня существуют решения, которые могут связать деидентифицированную медицинскую визуализацию с соответствующими табличными данными. В конце концов, клиницисты смогут идентифицировать фенотипы с помощью глубокого фенотипирования, превращая изображения из связанных данных в медицинской карте в количественно полезные инструменты.

В отличие от генотипа, который предписывает, как системы органов и структуры тела будут реагировать на жизненное событие, фенотипы медицинской визуализации представляют собой совокупный результат истории жизни пациента. Медицинская визуализация накапливает эти доказательства на уровне пикселей более подробно, чем любой другой формат. Глубокое фенотипирование позволит прогнозировать показатели заболевания способами, которые ранее не считались возможными.

4. ИИ здравоохранения требует облачной корпоративной визуализации

Организации все чаще используют облачные корпоративные изображения в качестве стратегического шага для подготовки к внедрению и разработке приложений искусственного интеллекта. Этот сдвиг обеспечивает безопасность, масштабируемость и доступность данных медицинской визуализации, необходимых для разработки точных и надежных моделей.

Внимание, автоперевод! За ошибки перевода ответственности не несём. Первоисточник по ссылке.