הבנה חיובית כוזבת באבחון MRI

התחדשות מגנטית (MRI) היא אבן הפינה של הרפואה האבחון המודרנית, המציעה ניגודים רכה שאין כמוהו ללא הקרנה קרינת יון.אבל אפילו הסורקים המתקדמים ביותר של 3Tesla ורדיולוגים מנוסים אינם חסינים לאתגר מתמשך: ממצאים כוזבים של סרטן כוזבים, כאשר דו"ח MRI מצביע על נוכחות של שבץ, גידול, או חריגות אחרות שלאחר מכן, כי בדיקות אקראיות, הן חסרות תקדים, או חסרות תקדים, הן, או חסרות תקדים, הן תוצאות של סרטן כוזבות, או ירידה, לאחר מכן, או ירידה של תרופות נוגדות, או ירידה, לאחר מכן, או ירידה של תרופות נוגדות, או ירידה של תרופות נוגדות, לאחר מכן, לאחר מכן, או ירידה של תרופות נוגדות, או ירידה של תרופות נוגדות, או ירידה של תרופות נוגדות, לאחר מכן, או ירידה של תרופות נוגדות, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, עלולות, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן, לאחר מכן

הבנת מדוע חיובי כוזב להתרחש חיוני להעריך כיצד בינה מלאכותית (AI) יכול להקטין אותם. פרשנות MRI מסתמכת על זיהוי דפוס - רדיולוגים מחפשים אותות כי מפלט מאנטומיה נורמלית צפויה ופיזיולוגיה. עם זאת, MRI נוטה באופן טבעי לממצאים: תנועה סבלנית, שתלים מתכת, זרמי מתכת, זרימה של כלי דם, ואפילו גרסאות אנטומיות טבעיות יכול לחקות פתולוגיות, בנוסף, כמה מוקדם של גידולים דלקתיים או טמפרטורה דיגיטלית, כמו גם תכונות דלקתיות, או דלקתיות, כגון גירויים דלקתיות, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, יכול להכיל רק עם רזולוציה גבוהה, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, כגון, או חומרים כימיים, או חומרים כימיים, או דלקתיים, או דלקתיים, יכול רק עם זאת, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים, או חומרים כימיים רבים, כגון, כגון, או חומרים כימיים רבים, יכול רק על ידי רזולוציה גבוהה יותר, או

נקודות זכות של חיובי כוזב

ההשפעה משתרעת מעבר לדלפק הרגשי על חולים.חיובים כוזבים מייצרים עלויות מטה: מחקרים הדמיה נוספים (למשל, MRI, PT/CT, או אולטרסאונד), ביופסים מודרך תמונה, התייעצות פתולוגית, ומציאת מינויים מעקב. A 2018 מבטלת משאבים חיוביים במהלך הטיפול ה-FLT:0Journal של המכללה האמריקנית לרדיולוגיה FLT, העריך כי 1-8 שבועות כוזבים של טיפול תרופתי ו-MRIOS.

כיצד בינה מלאכותית מפחיתה את החיובים המזויפים ב-MRI

אינטליגנציה מלאכותית, במיוחד למידה עמוקה, מתייחסת לחיובים כוזבים על ידי שימוש כקורא שני חישובי שמעולם לא צמיגים, שומרת על קריטריונים עקביים, ויכולה לשלב מידע ממאגרי נתונים עצומים העולה על יכולת קוגניטיבית אנושית.הגישה הבסיסית כוללת רשתות עצביות מבוכות (CNN) על ספריות גדולות של סריקות MRI שבהן כל פיקסל הוא התווית "נורמלית", "נורמליות", או "benignity" לחקות את הגרסאות של צורות, או ממולקולות, להבדיל מגרסאות מורכבות של צורות של וריחות, או ממולקולות, או ממולקולות, או מגרסאות של , או מגרסאות מורכבות של רדיות, או מגרסאות של רדיקאליות, או מגרסאות של וריחות, או ממולקולות, או ממולקולות, למדות, או מגרסאות של רדיקאליות של תכונות מתמטיות, או ממולקולות, או ממולקולות, או מגרסאות מורכבות של .

טכניקות בינה מלאכותית מפתח

  • (FLT:0) למידה סגמנטציה ו Classification:BuildFLT:1 , U-Net אדריכלות וגרסאותיה יכולות במקביל לפרט איברים ולסווג lesions. על ידי זיהוי הגבולות המדויקים של אזור חשוד, AI יכול לנתח את ההומוגניות הפנימית שלו, שוליות, ואת דפוסי שיפור - שינויים כי קורנולוגים להעריך באופן שגרתי, אבל AIifies עם דיוק פלסאלי.
  • (FLT:0)Radiomics ו-Photoion: ההרחבה: Beyond Learning, תכונות רדיו-גנטיות בעבודת יד - כגון entropy, kurtosis, ואמצעי הפחתה משותפת - מופקים מאזורים של מודלים למידה מכונה כמו ⁇ -boosted עצים לאחר מכן ללמוד לשלב תכונות אלה כדי לחזות הסתברות ממאירה, לעתים קרובות להשיג שטח-under-curence-curence) ערכים של סרטן משותף (Cve) עבור 0.
  • (FLT:0) יועצים רוחניים (גנים) לדיכוי ארטיפקט: איורים מבוססי GAN יכולים להסיר חפצים תנועה, פריטים תכופים וממצאים מתכתיים מתמונות MRI.נקה תמונות קלט מובילות פחות שיחות חיוביות כוזבות כי AI אינו מוסחת על ידי אותות מעוררי דעת שמבדילים את המחלה.
  • (FLT:0) למידה מעשית ו Active Learning:FreaLT:1 במקום מודלים סטטיים, מערכות בינה מלאכותית מודרניות יכולות להיות מעודכנים עם נתונים חדשים מאוכלוסייה של האתר עצמו. אלגוריתמי למידה Active Learning מזהים את המקרים המעמיקים ביותר ולקדם אותם לסקירה מקצועית, להבטיח שהמודל משפר את הביצועים שלו בדיוק במקרים שבהם חיובי כוזב הוא סביר ביותר.

יישומים קליניים ב- Modalities

בדיקת המוח: Tumor Detection and Stroke Assessment

ב-Norimaging, חיובי כוזב להתרחש לעתים קרובות כאשר גברים קטנים של ההומומאס, סטיות התפתחותיות, או שינויים שלאחר-הההה מוטעים על גלימות או metastases. A 2020 שפורסם בשנת 2020 במחקר שפורסם בשנת RadiologyFLT|1]], אך שיפור כלי ה-FLT:2linkrph3 (משימת למידה עמוקה נמוכה יותר מ- AI- HIV ב-DIS, לעומת 96%, לעומת שיפור של כלי קרינת רדיו קונבנציונליתיקים, לעומת 36%).

MRI: הפחתה של ביופסיות

ל-MRI השד יש רגישות גבוהה (90-98%) אך רק מפרט מתון (60–75%), כלומר נשים רבות עוברות ביופסיה עבור ממצאים שפירים.מערכות אבחון מבוססות מחשב (CAD) מבוססות מחשב (CAD) משיגות כעת שיפורים ספציפיים של 15-25 נקודות אחוז ללא רגישות מקרי הקרבה.בניסוי פוטנציאלי באוניברסיטת שיקגו, הכשרה של רשתות דינמיקה של MRI (DMRI-Sgrad) באופן תקין של תרופות המבוססות על מדדים לא היורדוניים של 4%.

MRI Prostate: Targeting Clinically significant cancer

המחשה של MRI בולטת היא בעלת שיעור חיובי גבוה עבור גידולים לא משמעותיים קלינית (Gleason 33), אשר לעתים קרובות מופיעים חשדנים אך לא מהווים איום על מודלים של AI יכול לפרט את בלוטת הערמונית, לזהות נגעים, ולהקצות ציון דמוי PI-RADS. A meta-analysis in FLT:0 European UrologyFalph 1LT (LT:2Flinkir: 3) אשר היה פחות מ-i-IQ) אשר היה פחות מ-D.

עדויות קליניות ואפקטים אמיתיים

מחקרים רבים ופוטנציאליים כבר הגדירו כיצד AI מפחית חיובי כוזב ב-MRI.סקירה שיטתית של 38 מחקרים ב-FLT:0 Nature Reviews Clinical OncologyFLT:1 (איור:2linkFLT 3: 3LT) סיכם כי אלגוריתמי למידת מכונה השיגו ירידה של 18% בביופסיה כוזבת על פני המוח, השד, הערמונית ו-MRI.

אחת הפריסה הפוטנציאלית של סטנד-אפ התקיימה במרפאת מאיו, שם מערכת של חתלתול בינה מלאכותית משולבת לתוך זרימת העבודה של המוח MRI עבור חולים שבץ.המערכת שטופלה מחקרים עם חשדות של אוקטנות גדולה, ובאופן מכריע, מופחתת הפעלה כוזבת של צוות שבץ ב-40% - כלומר פחות מטופלים מיהרו להליכים אנדלוסיים מיותרים.

מעבר לרגישות: המהפכה הספקטרום

באופן מסורתי, מאמצי AI התמקדו בשיפור הרגישות כדי להימנע מלקות בסרטן.אבל ב-MRI, שם הרגישות גבוהה, הפרי התלולה הנמוכה הוא ספציפי – גרימת חיובי כוזב ללא זיהוי מגובש.על ידי כך ש מכריח מודלים להתאמן על מקרים קשים (ממצאים שפירים שנראים ממאירים), AI יכול להשיג רמות ספציפיות מעבר ליכולת אנושית.

שילוב של Radiology Workflow

יעילותה של בינה מלאכותית בצמצום חיובי כוזב תלויה במידה רבה באיך הוא משולב בזרימת העבודה הקלינית.שלוש פרדיגמות הפריסה מתעוררות:

  1. (FLT:0II Reader:BuildFLT:1) The AI מנתח תמונות באופן עצמאי ומציג את ממצאיו לצד הרדיולוג.הרדיוולוג יכול להציף או לשלב את ההצעה של AI.מודל זה משמר אוטונומיה רפואית והוא נפוץ ביותר כיום עבור חזה ו MRI הערמונית.
  2. (FLT:0) , עדיפויות ועדיפות: LT:1 , AI מציין מחקרים עם ציון חשד גבוה כך שהם קוראים ראשון. מחקרים המסומנים כמו חשד נמוך מאוד יכול להיות מוחזק עבור קריאה אצווה או מעקב מהיר.זה מקטין את הנטל הקוגניטיבי על קורנולוגים ומקטין את הסיכוי של ממצאים חיוביים כוזבים המסיחים ממקרים דחופים באמת.
  3. (FLT:0)הורד למטה: FLT:1 למקרים שבהם AI צופה באמון גבוה כי מציאת הוא שפיר (למשל, הסתברות ובושה;5%), המערכת עשויה להציע הורדת ה-BI-RADS או PI-RADS קטגוריה. הרדיולוג חייב לאשר, אך מספר טיפות ביופסים מיותרות.

יתרונות מעשיים עבור רדיולוגים

רדיולוגים המשתמשים בדו"ח בינה מלאכותית ירד מהשריפה משום שהם מבלים פחות זמן בחיפוש אחר חיובי כוזב, במקום לספוג מאות תמונות כדי לאשר מיקוד לשיפור זעיר הוא חפץ או כלי שיט רגיל, הם יכולים להסתמך על AI המגביל את הפרצות החשודות ביותר ולספק ציון סביר.סקר של 200 רדיולוגים שפורסמו ב-FLT:0Academic RadiologyFLT:13% מצאו כי 73% חשות AI חשות כי הוא עזר להם להפוך להפחתה בטוחה יותר של 6.

אתגרים ושיקולים אתיים

פרטיות נתונים ואבטחה

הכשרה ופריסת AI ב-MRI דורשת גישה לכמויות גדולות של מידע על בריאות מוגן.תקנות כגון HIPAA בארצות הברית ו-GDPR באירופה מחייבות זיהוי קפדני וממשל נתונים. פדרated למידה - שבו מודלים מתאמנים על פני בתי חולים רבים ללא העברת נתונים של מטופלים - מול פתרון, אך יישום זה דורש תשתיות חזקות והסכמה על פורמטים סטנדרטיים של נתונים (למשל, ראשי DCOMI).

BAS ב- Training Data

מודלים של בינה מלאכותית שאומנו בעיקר על נתונים של יצרן דמוגרפי או סורק אחד עשויים להופיע בצורה גרועה - או להגדיל את החיובים המזויפים - באוכלוסיות הנמצאות תחת ייצוג נמוך.לדוגמה, מודל שהוכשר על MRI השד מנשים קווקזיות עשויות לא להכללת נשים ממוצא אפריקאי שיש להן רקמות חזה צפופה ודינמיקה שיפור שונה.ה- FDA דורש ניתוח טרום-שיווק לביצועים דמוגרפיים, אך מעקב אחרי שוק נשאר בחוקרים עקביים עבור הכללה של נתונים ובדיקות שונות.

« « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « «

כלי אבחון מבוססי בינה מלאכותית מסווגים כמכשירים רפואיים ברוב תחומי השיפוט.ה-FDA הבהיר יותר מ-200 אלגוריתמים של AI לרדיולוגיה, אך רק שבריר יעד קטן להפחתה חיובית כוזבת באופן ספציפי. Clearance בדרך כלל דורשת הדגמה של שוויון לקורא אנושי, לא בהכרח שיפור.הפחתת החיובים כוזבים בניסויים מבוקרים פוטנציאליים הוא מורכב ומורכב מבחינה לוגיסטית.

אמון פיזיקליאני ונאמנות

רדיולוגים עשויים להיות קשובים ל-AI מחשש מאחריות אם האלגוריתם מפספס סרטן בעוד שהורדת מועמד חיובי כוזב.חוק מלפרקטי עדיין לא ביסס סטנדרטים ברורים עבור קבלת החלטות מועצמית AI. חלק מבתי החולים אימצו מדיניות "אנושית-אט-הגלגל" שבה המלצות בינה מלאכותית הן רק מייעצת; אחרים נעים לעבר אוטומציה מלאה למשימות רגישות נמוכה, וסיכון חיובי של סרטן שקוף, וסיכון של ניהול לקוי של סרטן כוזב, וסיכון נמוך.

כיוונים עתידיים

מודלים של למידה ושיתוף פעולה

כדי להתגבר על בעיות של סילווס והפרטיות של נתונים, למידה מאוזן מאפשרת למוסדות מרובים לתרום למודל משותף ללא החלפת תמונות גולמיות. טייסים מוקדמים ב-MRI המוח הראו כי מודלים ממוזגים יכולים להשיג דיוק דומה לאלה מאוכשרים מרכזי תוך צמצום חיובי כוזב על ידי 5-7% נוספים בשל חשיפה רחבה לגרסאות אנטומיות מגוונות. גישה זו מתייחסת גם לבעיה ההטיה על ידי שילוב נתונים מאוכלוסיות שונות וסונרכות וסונרת.

AI מסביר את האמון ברדיולוג

מחסום אחד לאימוץ קליני הוא טבע "קופסא שחורה" של למידה עמוקה.סביר טכניקות בינה מלאכותית - כגון מפות סלנסיבית, מיפוי הפעלה בכיתה במשקל ⁇ -Crepe (Grad-CAM), ומודלים של צוואר בקבוק קונספט - יכול לדמיין אילו אזורים של MRI רואה חשודה.כאשר רדיולוג רואה כי AI הורידה מחדש מיפוי כי זיהה שינוי כימי ולא עצם אמיתי, הם נוטים יותר לדמיון של מחקר חדש עם הסתברות.

Multimodal AI: שילוב MRI עם נתונים אחרים

חיובי כוזב יכול להיות מופחת עוד על ידי שילוב ההיסטוריה הקלינית, תוצאות מעבדה, ומודולים הדמיה אחרים במודל מאוחד.לדוגמה, AI המשלבת ערמונית עם צפיפות PSA, גיל, והיסטוריה ביופסיה קודמת יכול לסווג les ליתר דיוק מאשר MRI לבדו.

תיקון בזמן אמת

הדור הבא של AI לא רק לפרש תמונות, אלא גם לתקן אותן במהלך הרכישה.תיקון התנועה בזמן אמת באמצעות למידה עמוקה יכול למנוע פריטים של החולה-הההבחנה לפני שהם מופיעים על פרוסה הסופית, ובכך להפחית באופן דרסטי את מספר השיחות החיוביות שקריות הנגרמות על ידי רוחות רפאים או מטושטשות. חברות כמו Canon Medical Medical ו-Sense Healthineers משלבות אלגוריתמים כאלה לקונסולות שלהם.

מסקנה

חיובי כוזב באבחון MRI נשאר בעיה מס יקר ורגשי, אבל אינטליגנציה מלאכותית מציעה תרופה רבת עוצמה. על ידי מינוף למידה עמוקה, רדיומיקה, אסטרטגיות פריסה מתוחכמת יותר ויותר, AI יכול להפחית את שיעורי חיובי כוזבים ב-20-40% על פני יישומים גדולים של MRI - מבשל, מוח, ערמונית, ומעבר - ללא הקרבה של הרגישות.

עם זאת, המעבר דורש תשומת לב זהירה לפרטיות נתונים, הטיה אלגוריתמית, תאימות רגולטורית ואמון הרופא. as Explainable AI, למידה מוזן ומודלים רב-ממדיים, הפער בין מה AI יכול להשיג במחקר לבין מה שהוא מספק בצד המיטה יצמצם.עבור רדיולוגים, חולים ומערכות בריאות כאחד, ההבטחה של הליכים מיותרים, עלויות נמוכות יותר, ואבחון בטוח יותר הוא לא רק שאיפה טכנולוגית - זה כבר לפתח את המציאות הקלינית מורכבת כי הוא עכשיו הוא לפתח את ההשפעות הרפואיות.