Интеграция алгоритмов машинного обучения с рабочими процессами радиологии

Интеграция алгоритмов машинного обучения с рабочими процессами радиологии

Машинное обучение вышло за рамки теоретических перспектив и стало активным развертыванием в клинических радиологических отделениях по всему миру. Способность алгоритмов распознавать закономерности в данных медицинской визуализации, учиться на примерах обучения и улучшаться с течением времени предлагает ощутимый путь к более высокой диагностической точности, сокращению времени обращения и более последовательному уходу за пациентами. Тем не менее путь от хорошо обученной модели до бесшовной части повседневной радиологической практики не прост. Он требует тщательного внимания к инфраструктуре данных, интеграции рабочих процессов, клинической валидации и человеческим факторам. Эта статья обеспечивает подробное практическое изучение того, как алгоритмы машинного обучения могут быть интегрированы в рабочие процессы радиологии, с акцентом на технические, эксплуатационные и нормативные соображения, которые определяют успех.

Радиология ежедневно генерирует огромные объемы данных визуализации.] Одна больница может производить сотни исследований КТ, МРТ, рентгеновских и ультразвуковых исследований в смене. Читатели-люди, независимо от того, насколько они опытны, сталкиваются с ограничениями внимания, усталостью и когнитивной нагрузкой. Машинное обучение предлагает масштабируемый вспомогательный слой, который может сортировать исследования, отмечать срочные результаты, автоматизировать измерения и даже предлагать дифференциальные диагнозы. При продуманной интеграции инструменты ML не заменяют рентгенологов, но усиливают их возможности, позволяя им сосредоточиться на сложных случаях, эффективно сообщать результаты и участвовать в планировании многодисциплинарной помощи.

Преимущества машинного обучения в радиологии

Преимущества интеграции МО в радиологию распространяются на весь рабочий процесс визуализации, от приобретения до отчетности. Понимание этих преимуществ в конкретных терминах помогает построить обоснование для инвестиций и принятия.

Повышение эффективности и пропускной способности

Повышение эффективности часто является наиболее непосредственно измеримым преимуществом. Алгоритмы ML могут обрабатывать повторяющиеся, трудоемкие задачи, такие как измерение конкреций, отслеживание размера поражения с течением времени или сегментирование анатомических структур. Путем автоматизации этих шагов радиологи могут сократить время, затрачиваемое на исследование, на рутинные измерения и переориентацию внимания. Некоторые отделы сообщают о 20-30-процентном сокращении времени чтения для определенных типов исследований после внедрения автоматизированных инструментов сортировки и сегментации. Эта увеличенная пропускная способность может помочь управлять растущими объемами изображений без соответствующего увеличения штатного расписания.

Улучшенная диагностическая точность

Модели МО превосходят в обнаружении тонких паттернов, которые могут ускользнуть от человеческого восприятия. Например, в рентгенографии грудной клетки алгоритмы могут идентифицировать небольшие легочные узелки, раннее интерстициальное заболевание легких или пневмоторакс с высокой чувствительностью. В маммографии системы глубокого обучения уменьшают ложные срабатывания и ложные негативы, распознавая подозрительные микрокальцификации и массы. Эти системы служат вторым считывателем, помечая области беспокойства, которые радиолог мог бы иначе пропустить. Чистый эффект - это сокращение пропущенных диагнозов и более высокое положительное прогностическое значение для отзываемых пациентов.

Более быстрая расстановка приоритетов и сортировка

Временные результаты, такие как внутричерепное кровоизлияние, легочная эмболия или пневмоторакс напряжения, требуют немедленного внимания. Алгоритмы ML могут анализировать входящие исследования в режиме реального времени и расставлять приоритеты для тех, у кого есть критические результаты, помещая их в верхней части рабочего списка радиолога. Эта возможность сортировки сокращает время на уведомление и может непосредственно улучшить результаты пациентов в чрезвычайных ситуациях. Некоторые системы интегрируются непосредственно с PACS (системы архивирования изображений и связи) для флага исследований с цветными предупреждениями или push-уведомлениями на мобильные устройства.

Снижение изменчивости и ошибок

Интерпретация человеком подвержена изменчивости из-за опыта, усталости и отвлечения. Модели ML применяют одни и те же критерии обнаружения последовательно в каждом исследовании. Эта согласованность помогает уменьшить вариабельность между читателями и диагностические ошибки, особенно для тонких или пограничных выводов. В программах скрининга, где большие объемы нормальных исследований смешиваются с случайным аномальным открытием, последовательное применение правил может улучшить чувствительность при сохранении специфичности.

Ключевые алгоритмы и методы машинного обучения

Не все алгоритмы МО подходят для радиологических задач.Понимание типов используемых алгоритмов и их сильных сторон помогает в выборе правильного инструмента для конкретной клинической проблемы.

Сверточные нейронные сети для анализа изображений

Связочные нейронные сети (CNN) являются доминирующей архитектурой для медицинского анализа изображений.] Они обрабатывают данные изображения, изучая иерархические особенности — начиная с простых краев и текстур и достраивая до сложных моделей, таких как границы органов или морфология поражения. Популярные варианты CNN, такие как U-Net, используются для задач сегментации (например, изложение опухоли или органа). ResNet и EfficientNet обычно используются для задач классификации (например, определение того, показывает ли сканирование признаки заболевания). Эти сети требуют больших наборов данных с метками и значительных вычислительных ресурсов для обучения, но после обучения они могут выполнять выводы на стандартном клиническом оборудовании.

Обработка естественного языка для отчетов

Отчеты радиологии содержат богатый неструктурированный текст, который описывает результаты, впечатления и рекомендации. Методы обработки естественного языка (NLP), включая трансформаторы, такие как варианты BERT и GPT, могут извлекать структурированную информацию из этих отчетов. NLP может автоматизировать кодирование результатов, заполнять структурированные шаблоны или отчеты флага, которые требуют последующих рекомендаций. В сочетании с анализом изображений NLP позволяет мультимодальные системы, которые коррелируют функции визуализации с клинической документацией.

Генерирующее и самоконтролируемое обучение

Одним из узких мест в медицинском ИИ является необходимость больших наборов данных с маркировкой. Генеративные модели и подходы к обучению под контролем самоконтроля помогают преодолеть это ограничение. Генеративные состязательные сети (GAN) могут синтезировать реалистичные медицинские изображения для обучения или увеличения данных. Самоконтролируемые методы изучают полезные представления из немаркированных изображений, а затем тонко настраиваются с меньшими наборами с маркировкой. Эти методы особенно ценны для редких заболеваний или модальностей, где меченные данные скудны.

Архитектура интеграции: техническая и операционная структура

Переход от обученного алгоритма к развернутому клиническому инструменту требует тщательного планирования инфраструктуры, потока данных и человеческих факторов.

Инфраструктура данных и проектирование трубопроводов

Первое требование — это надежный конвейер данных, который может принимать, анонимизировать и хранить данные визуализации в формате, подходящем для обучения ML и вывода. DICOM (Digital Imaging and Communications in Medicine) — стандартный формат для медицинских изображений, а интеграция ML должна быть в состоянии анализировать заголовки DICOM, извлекать метаданные и преобразовывать данные пикселей в тензоры, подходящие для ввода модели. Облачные озера данных, граничные вычислительные узлы или гибридные архитектуры могут использоваться в зависимости от объема данных, требований к задержке и потребностей в соответствии. Многие учреждения используют FHIR (Fast Healthcare Interoperability Resources) вместе с DICOM для связи данных визуализации с клиническими результатами.

Разработка и проверка моделей

Разработка модели включает в себя выбор соответствующего алгоритма, сбор репрезентативного набора обучения и выполнение строгой внутренней проверки. Для приложений радиологии набор данных обучения должен отражать демографические данные и распространенность заболевания целевой популяции, чтобы избежать смещения. Валидация должна включать оценку чувствительности, специфичности, положительной прогностической ценности и области под кривой рабочих характеристик приемника (AUC). Внешняя валидация на независимых наборах данных из разных учреждений имеет решающее значение для оценки обобщаемости. RSNA предоставляет руководящие принципы для валидации ИИ в радиологии, которые подчеркивают прозрачность, воспроизводимость и клиническую значимость.

Клиническая валидация и путь регулирования

Перед развертыванием модель должна пройти клиническую валидацию, чтобы продемонстрировать, что она улучшает результаты лечения пациентов или эффективность рабочего процесса в реальных условиях. Это может включать в себя перспективные исследования, исследования считывателей, сравнивающих радиологов с помощью ИИ и без нее, или интеграцию в клиническое испытание. Регуляторное одобрение от таких органов, как Управление по контролю за продуктами и лекарствами США (FDA) или Европейское агентство по лекарственным средствам (EMA) требуется для коммерческих инструментов ИИ. Подход FDA к программному обеспечению на основе ИИ / мл в качестве медицинского устройства (SaMD) включает в себя заранее определенный план контроля изменений для тех моделей, которые постоянно изучаются. Понимание этих нормативных требований на ранних этапах разработки экономит время и ресурсы позже.

Интеграция развертывания и рабочего процесса

Интеграция в рабочий процесс радиолога является наиболее важным и часто наиболее сложным шагом.] Инструмент ML должен взаимодействовать с существующими системами: PACS для доступа к изображениям, RIS (Радиологическая информационная система) для управления рабочим списком и электронная запись о состоянии здоровья (EHR) для генерации отчетов. Многие поставщики ИИ предоставляют совместимые с DICOM интерфейсы, которые позволяют нажимать результаты непосредственно на рабочую станцию радиолога в качестве наложений или структурированных отчетов. Пользовательский интерфейс должен быть интуитивно понятным и не нарушающим. Например, алгоритм, который обнаруживает легочные узелки, может выделять узелки на изображении и предоставлять измерительный ящик, позволяя радиологу принимать, изменять или отклонять находку одним щелчком мыши. Минимизация кликов и ненужных прерываний имеет важное значение для принятия пользователем.

Непрерывный мониторинг и управление жизненным циклом модели

После развертывания модели ML должны контролироваться на дрейф производительности из-за изменений в оборудовании для визуализации, популяции пациентов или клинической практике. Система мониторинга должна отслеживать точность модели, ложноположительные и ложноотрицательные показатели и обратную связь с пользователем. При ухудшении производительности модели может потребоваться переподготовка с новыми данными, корректировка порогов принятия решений или замена обновленной версией. Установление формального процесса управления жизненным циклом модели - включая контроль версий, графики переподготовки и процедуры отката - является лучшей практикой для безопасного и эффективного использования ИИ. Институт данных ACR предлагает рамки для непрерывного мониторинга и проверки инструментов ИИ в радиологии.

Проблемы и соображения в клинической интеграции

Признание проблем, стоящих перед нами, имеет важное значение для реалистичного планирования. Хотя потенциал ИИ в радиологии огромен, несколько препятствий могут сорвать реализацию.

Конфиденциальность данных и безопасность

Данные медицинской визуализации содержат защищенную информацию о здоровье (PHI). Анонимизация и деидентификация являются обязательными для обучения и тестирования наборов данных. При использовании облачных платформ ML требуется шифрование данных в пути и в покое, а соглашения должны указывать процедуры обработки данных и уведомления о нарушениях. Соблюдение правил, таких как HIPAA в Соединенных Штатах, GDPR в Европе и местные законы должны быть встроены в конвейер данных с самого начала, а не добавлены в качестве запоздалой мысли.

Предвзятость и справедливость

Модели МО, обученные на нерепрезентативных данных, могут давать предвзятые результаты, которые усугубляют неравенство в отношении здоровья. Например, модель, обученная преимущественно на изображениях пожилых людей, может плохо работать на педиатрических пациентах. Одна модель, обученная в первую очередь на одной расовой или этнической группе, может неправильно классифицировать результаты в других группах. Решение проблемы предвзятости требует тщательного изучения наборов данных обучения, оценки эффективности модели в демографических подгруппах и прозрачной отчетности об ограничениях. Институты должны привлекать экспертов по разнообразию и включению в решения по валидации и развертыванию моделей.

Регулятивные препятствия и сроки утверждения

Получение нормативного разрешения или одобрения алгоритма ML является длительным и дорогостоящим процессом. FDA создало путь для устройств на основе ИИ, но требования к клиническим доказательствам, валидации и системам управления качеством являются строгими. В Европе новый Регламент медицинского устройства (MDR) налагает дополнительные требования к программному обеспечению в качестве медицинского устройства. Раннее взаимодействие с консультантами по нормативным вопросам и четкое понимание случая предполагаемого использования (например, ассистивный против автономного) может упростить процесс. Многие учреждения предпочитают работать с поставщиками ИИ, которые имеют существующие нормативные разрешения для снижения риска.

Нарушение рабочего процесса и усыновление пользователя

Даже самый точный алгоритм потерпит неудачу, если рентгенологи и техники не будут доверять или использовать его. Введение инструментов ИИ может нарушить установленные рабочие процессы, добавить шаги или создать настороженность, если они не разработаны должным образом. Обучение и управление изменениями имеют решающее значение. Радиологи должны участвовать в выборе и настройке инструментов ИИ, чтобы гарантировать, что они соответствуют клиническому контексту. Циклы обратной связи - где пользователи могут сообщать о ложных срабатываниях или ложных негативах - помогают улучшить систему и построить доверие. Принятие часто следует кривой: ранний энтузиазм может привести к чрезмерной зависимости, за которой последует разочарование, когда появятся ограничения, и, наконец, реалистичное понимание соответствующей роли инструмента.

Реальные приложения и тематические исследования

Изучение успешных реализаций дает конкретные примеры того, как можно эффективно реализовать интеграцию с ML.

Автоматическое обнаружение легочных узлов в КТ

Было показано, что скрининг рака легких с помощью низкодозной КТ снижает смертность, но большой объем скрининговых исследований ложится бременем на радиологов. Несколько коммерческих систем ИИ теперь обеспечивают автоматическое обнаружение и характеристику узлов, включая размер, плотность и рост с течением времени. В клинике Майо интеграция системы глубокого обучения для обнаружения узлов привела к 15%-ному увеличению обнаружения небольших узелков и сокращению времени чтения за исследование. Система была развернута в качестве второго считывателя, с результатами, отображаемыми рядом с первичными изображениями. Радиологи приняли или модифицировали результаты ИИ, и система постоянно извлекала уроки из своих исправлений.

Инсульт в экстренной КТ

При остром ишемическом инсульте каждая минута задержки лечения снижает вероятность хорошего исхода. Инструменты ИИ, которые автоматически анализируют неконтрастную КТ и КТ-ангиографию для обнаружения окклюзии крупных сосудов (ЛВО), могут расставить приоритеты в этих исследованиях в рабочем списке и предупредить команду по инсульту. В Калифорнийском университете в Сан-Франциско развертывание системы обнаружения ЛВО сократило время от сканирования до уведомления в среднем на 30 минут. Система интегрировалась непосредственно с рабочим списком PACS и отправляла push-оповещения на мобильные устройства команды по инсульту. Ключевым фактором успеха была бесшовная интеграция с существующими путями связи и минимальные дополнительные шаги для радиолога.

Эффективность рабочего процесса при скрининге рака молочной железы

Скрининговая маммография генерирует большой объем экзаменов с низкой долей положительных результатов. Системы сортировки на основе ИИ могут идентифицировать экзамены с высокой вероятностью злокачественности и помечать их для ускоренного рассмотрения, в то время как экзамены с низкой вероятностью могут быть выданы для последующей интерпретации или двойного чтения одним радиологом. В исследовании в Каролинском институте в Швеции такая система поддерживала чувствительность, позволяя радиологам уменьшить объем чтения на 30%. Инструмент был интегрирован в существующую систему отчетности по маммографии, а результаты ИИ отображались в качестве оценки риска и выделяли области, представляющие интерес на изображениях.

Будущее радиологии с машинным обучением

Траектория интеграции ML в радиологии указывает на более глубокие, более бесшовные и более автономные системы, но всегда с человеком в обозримом будущем.

Полностью автоматизированные диагностические системы еще не являются реальностью для большинства показаний, но прогресс ускоряется. Алгоритмы, которые сочетают анализ изображений с клиническими данными из EHR, геномных профилей и предшествующей истории визуализации, обеспечат более богатые, более персонализированные диагностические предложения. Анализ изображений в реальном времени во время интервенционных процедур, таких как флюороскопия или биопсия с использованием КТ, может направлять размещение игл и уменьшать осложнения. Модели генерации естественного языка могут составлять предварительные отчеты на основе результатов изображений, которые рентгенолог затем рассматривает и редактирует, сокращая время, затрачиваемое на документацию.

Разработка моделей фундамента, обученных на обширных, немаркированных наборах данных изображений, обещает уменьшить потребность в данных для обучения с меткой задачи. Эти модели могут быть точно настроены для нескольких задач вниз по течению, таких как обнаружение переломов, пневмонии или опухолей, из единой базовой архитектуры. В сочетании с федеративным обучением, которое позволяет моделям обучаться в учреждениях без централизации данных о пациентах, эти подходы могут преодолеть некоторые из существующих барьеров дефицита данных и конфиденциальности.

Интеграция также станет более плавной с принятием стандартов, таких как результаты FHIR, DICOMweb и IHE AI. Эти стандарты позволяют хранить результаты ИИ в виде структурированных данных, которые могут быть запрошены, совместно использованы и интегрированы в любую совместимую систему. Отделение радиологии будущего будет иметь платформу оркестровки ИИ, которая управляет несколькими алгоритмами, направляет исследования к соответствующей модели на основе клинического вопроса и представляет результаты в едином, удобном для пользователя интерфейсе.

Предлагаемая FDA структура для SaMD на основе ИИ включает положения для заранее определенных планов контроля изменений, позволяющих производителям обновлять свои модели новыми данными, не требуя нового разрешения для каждого изменения. Этот подход уравновешивает инновации с безопасностью пациентов и ускорит темпы улучшения развернутых инструментов.

Заключение

Интеграция алгоритмов машинного обучения в рабочие процессы радиологии — это не одноразовый проект, а непрерывный процесс уточнения, проверки и адаптации. Потенциальные преимущества — повышение эффективности, повышение точности, более быстрая сортировка и снижение изменчивости — существенны и хорошо подтверждаются доказательствами от ранних пользователей. Путь к успешной интеграции требует внимания к инфраструктуре данных, выбору алгоритмов, клинической валидации, соблюдению нормативных требований и, самое главное, человеческим факторам, которые определяют, является ли инструмент принятым или игнорируемым. По мере того, как стандарты становятся более зрелыми, регуляторные пути становятся более ясными, а спектр проверенных приложений растет, машинное обучение будет все чаще функционировать как основной компонент набора инструментов радиолога, помогая им предоставлять более быструю, более точную и более персонализированную помощь каждому пациенту.

Для радиологических отделов, рассматривающих этот путь, начиная с сфокусированного случая использования с высокой отдачей, такого как обнаружение легочных узлов или сортировка ударов, и исходя из этого, существует практический подход. Привлечение радиологов, техников, ИТ-персонала и экспертов по регулированию с самого начала гарантирует, что решение удовлетворяет реальные потребности и вписывается в существующие рабочие процессы. Мониторинг производительности непрерывно и оставаясь открытым для корректировки позволит отделу реализовать все перспективы машинного обучения в радиологии.

Для дальнейшего чтения о стандартах и лучших практиках для ИИ в радиологии обратитесь к стандарту DICOM и руководящим принципам AAAPM по ИИ в медицинской физике .