Роль Pacs в поддержке исследований искусственного интеллекта в медицинской визуализации

От кино до цифрового рабочего процесса

Переход на PACS принес глубокие успехи в эффективности. Радиологам больше не нужно ходить в лайтбокс для просмотра физических фильмов; они могут читать экзамены с любой подключенной рабочей станции, часто одновременно с другими задачами. Изображения сразу же доступны для просмотра направляющими врачами, сокращая время на диагностику. Кроме того, цифровые изображения могут быть легко дублированы без потери качества в образовательных целях или удаленной консультации. Эта цифровая экосистема создает идеальную среду для следующего скачка вперед: интеграция искусственного интеллекта.

Симбиотические отношения между PACS и искусственным интеллектом

Искусственный интеллект, особенно модели глубокого обучения, обученные на медицинских изображениях, показали замечательный потенциал в обнаружении аномалий, количественной оценке прогрессирования заболевания и прогнозировании результатов пациентов. Однако ИИ испытывает недостаток данных. Успех любой модели медицинского изображения зависит непосредственно от количества, качества и разнообразия данных обучения. Системы PACS служат основным и часто единственным источником этих данных в масштабе.

Данные как топливо для обучения модели ИИ

Разработка надежного алгоритма ИИ для, скажем, обнаружения легочных конкреций на КТ грудной клетки требует тысяч аннотированных примеров. Эти изображения должны быть получены от разных производителей сканеров, с различными протоколами приобретения и в разных популяциях пациентов для обеспечения обобщения. Архивы PACS, хранящие годы накопленных клинических исследований, представляют собой золотой рудник для исследователей. Через безопасные трубопроводы извлечения данных исследователи могут запрашивать PACS для конкретных типов исследований, фильтровать по диапазонам дат и извлекать большие объемы анонимных данных. Исследование, опубликованное в Радиология , подчеркнуло, как использование многоинституциональных данных PACS значительно улучшило производительность модели глубокого обучения для скрининга рака молочной железы. Доступ к большим хранилищам PACS часто является критическим первым шагом для любого серьезного проекта развития ИИ в радиологии.

Аннотирование изображений для контролируемого обучения

Сырые изображения сами по себе недостаточны для обучения контролируемых моделей машинного обучения. Им требуются метки - например, контурирование опухоли или маркировка наличия перелома. Среда PACS часто облегчает процесс аннотации. Некоторые зрители PACS включают встроенные инструменты для маркировки представляющих интерес областей, или они могут интегрироваться со специализированными платформами аннотации. Кроме того, существующие радиологические отчеты, хранящиеся вместе с изображениями в PACS, могут быть добыты с использованием обработки естественного языка (NLP) для генерации слабых меток. Например, отчет, в котором упоминается "нет доказательств пневмоторакса", может служить отрицательной метки, в то время как "большой правый пневмоторакс" может обеспечить положительную. Эта техника, хотя и несовершенна, позволяет исследователям предварительно обучать модели на массивных наборах данных, прежде чем совершенствовать их с помощью экспертных аннотаций.

Реальное время вывода и клиническое принятие решений

Истинный потенциал ИИ в медицинской визуализации лежит не только в исследованиях, но и в клиническом развертывании. В этой парадигме алгоритм ИИ стоит за PACS. Когда новое исследование приобретается и продвигается к PACS, система может автоматически направлять изображения в движок ИИ для анализа. В течение нескольких секунд ИИ генерирует прогноз или вывод (например, вероятность внутричерепного кровоизлияния или сегментации поражений печени). Этот результат затем отправляется обратно и отображается радиологу в рамках их нормального рабочего процесса чтения, либо в качестве наложения на изображение, либо в качестве структурированного отчета. Эта интеграция минимизирует разрушение и максимизирует принятие. Несколько коммерческих поставщиков PACS теперь предлагают встроенные рынки ИИ или открытые API для подключения к сторонним приложениям ИИ, как обсуждается в этой статье Healthcare IT News об интеграции ИИ .

Ключевые проблемы использования PACS для разработки и развертывания ИИ

Несмотря на огромные перспективы, интеграция исследовательских и клинических инструментов ИИ с существующей инфраструктурой PACS не лишена существенных препятствий. Эти проблемы охватывают технические, нормативные и операционные области.

Конфиденциальность данных и безопасность

Медицинские изображения содержат высокочувствительную информацию о здоровье пациента (PHI), встроенную как в пиксельные данные (например, сожженный текст), так и в метаданные DICOM (имя, MRN, дата рождения). Для исследовательских целей эти данные должны быть строго деидентифицированы. Закон о переносимости и подотчетности медицинского страхования (HIPAA) в Соединенных Штатах устанавливает строгие руководящие принципы для удаления 18 идентификаторов. Общие подходы включают использование программного обеспечения для деидентификации, которое удаляет сожженный текст с помощью оптического распознавания символов (OCR) или маскировки пикселей, и псевдонимизирует идентификаторы пациентов. Однако остаточная идентификация не идеальна; остаточные риски повторного идентификации остаются. Исследователи должны внедрять надежные соглашения об управлении данными и использовать безопасные, проверенные платформы обмена данными. Многие учреждения теперь размещают специализированные среды «песочницы ИИ», которые копируют данные PACS, но изолированы от производственных клинических систем.

Совместимость и неоднородность данных

Даже со стандартом DICOM данные реального мира беспорядочны. Различные производители сканеров могут кодировать один и тот же параметр приобретения в разных частных метках DICOM. Разрешение изображения, толщина среза и фазы контраста широко варьируются. Модель, обученная на КТ толщины 1,5 мм, может потерпеть неудачу на 5 мм срезах. Администраторы PACS и инженеры ИИ должны приложить значительные усилия для курирования данных: установление критериев включения / исключения, нормализация интервала вокселей и гармонизация интенсивности сигнала. Без строгой предварительной обработки модели ИИ могут соответствовать шуму данных обучения, а не истинному базовому сигналу. Инструменты с открытым исходным кодом, такие как MONAI и PyDICOM помогают стандартизировать эти рабочие процессы.

Качество данных и недостающие аннотации

Общим плачем в медицинском ИИ является «мусор в мусоре». Данные PACS собираются для клинической помощи, а не для исследований. Изображения могут иметь артефакты, размытие движения или неполные серии. Сопроводительные радиологические отчеты могут содержать субъективные формулировки, ошибки или упущения. Создание чистого, меченого набора данных, подходящего для обучения, требует значительных ручных усилий экспертов по домену (борт-сертифицированные радиологи). Краудсорсинг или использование полуавтоматизированных инструментов аннотации может помочь, но высококачественная наземная правда остается дорогостоящей. Кроме того, многие редкие заболевания имеют слишком мало примеров в PACS любого отдельного учреждения, что требует многоцентрового сотрудничества, которое вводит дополнительные сложности обмена данными.

Реальные приложения и истории успеха

Несмотря на проблемы, многочисленные успешные приложения ИИ появились в результате исследований, использующих данные PACS. Например, алгоритмы обнаружения внутричерепного кровоизлияния на неконтрастных КТ головы были развернуты во многих отделениях неотложной помощи, автоматически уделяя приоритетное внимание критическим исследованиям в рабочем списке PACS. Эти модели были обучены на тысячах КТ-экзаменов, взятых из корпоративных архивов PACS. Аналогичным образом, AI для обнаружения узлов легких в программах скрининга рака легких был очищен регулирующими органами, такими как FDA. Список FDA медицинских устройств с поддержкой AI / ML включает в себя многочисленные инструменты визуализации, которые были обучены и проверены с использованием наборов данных PACS.