AI verbessert-Wert in der Radiologie, aber braucht mehr klinische Nachweise

Seit die Bewegung umliegenden value-based healthcare begann, Radiologen verstanden haben, das Potenzial zu zeigen, Ihren Beitrag in der Versorgung der Patienten von der Erkrankung, Prognose, follow-up. Dies sind die zahlen der 4G-Zeitalter.

GSMA veröffentlicht neuen Bericht über die „Zukunft der Geräte im Alter von 5G-Netzwerken‘ im Januar 2020, und es identifiziert China als der Ort, an dem dieses nächste mobile revolution erlässt die Schnellste. Fast 50% der chinesischen Verbraucher sagen, Sie erhalten eine 5G Telefon, sobald der Dienst verfügbar ist, im Vergleich zu 30% in den USA und zwischen 15-20% in Europa.

Betrachtet man diese näher, die GSMA-Studie zeigt, dass für Handy-Kunden, 5G ist alles über Geschwindigkeit und Reichweite. Fifty-drei Prozent sagen, dass Sie erwarten, dass 5G zu bringen schnellere Netze, und 37% freuen uns auf eine bessere Versorgung. Nur 27%, im Gegensatz dazu erwarten Coole neue Dienstleistungen, und nicht mehr als 23% sagen, dass 5G ist über den Anschluss neuer Werkzeuge, um die mobilen Netzwerke.

“Unser Ziel muss es sein, die Wertschöpfung für den Patienten und nicht nur die Kosten zu senken. Eine Reihe von Firmen getan haben, ist mit Strategien zur Eindämmung der Kosten durch die Fokussierung auf Qualität. Bessere Gesundheit ist weniger teuer: wenn wir können, halten die Menschen gesund, können wir einen Mehrwert und senken unsere Kosten“, sagte Charles E Kahn, professor und stellvertretender Vorsitzender der Radiologie an der Universität von Pennsylvania, USA, während des Triangulo-Meeting in Madrid im Januar.

Steigerung Wert in der Prozedur-Auswahl und-Protokolle, Befunde und Diagnose

Die Radiologie-Wertschöpfungskette beginnt bei der Auswahl der am besten geeigneten und kostengünstigen, bildgebenden Verfahren, die es erlauben wird reduziert Strahlung und Kontrast verwenden Sie und, um die Diagnose früher. Jedoch Radiologen oft nicht teilnehmen, die Entscheidung, welche Prüfung verschrieben werden.

Es gibt Möglichkeiten für die KI zu verbessern, Verfahren der Auswahl, nach Kahn, der vorschlug, KI-Systeme könnten ziehen Informationen aus elektronischen Patientenakten auf Diagnosen, Probleme, bekannte Allergien, etc.. zur Verbesserung der Präzision der Kriterien bei der Auswahl.

„Wir können tiefes lernen zu betrachten Muster von früheren Patienten, die diese Bedingungen und mit welchen Verfahren Sie hatte die am effektivsten für Sie und verwenden Sie diese Informationen zum erstellen von algorithmen, die helfen bei der Auswahl der bildgebenden Verfahren“, sagte er.

Deep learning (DL) könnte auch ersetzen die Regel-basierte Ansätze zur Prüfung Protokoll Auswahl mit Kontrast. DL-Systeme könnten helfen, festzustellen, ob der Kontrast sollte intravenös verabreicht werden oder oral, und bestimmen Sie scan-Parameter, um zu maximieren, die Informationen, die zur Beantwortung der klinischen Fragestellung.

Es gibt auch eine Chance für die KI zu verbessern, Anzeige von Protokollen, die definieren, wie Radiologen view-Studien in Ihre PACS, zum Beispiel, wenn Sie öffnen eine MRI-Prüfung für die Anzeige. DL könnte helfen, automatisch anordnen-Bild-Anzeige, die mit früheren mustern und Identifizierung von Bild-Serie, die wahrscheinlich nützlich sein, basierend auf Präferenzen. „Einige PACS-Anbieter sind die Entwicklung intelligenter Arten von mapping-Bilder, die beobachten, was Sie tun, wenn Sie wählen Sie die Bilder,“ sagte er.

Erkenntnisse sind das, was die Menschen gedacht haben, die meisten mit AI-Technologie. Eine Menge Arbeit getan wurde, über die vergangenen zehn Jahre Voraus, Bild-Segmentierung, zum Beispiel Gehirn-tumor-Segmentierung zu Messen, das ödem der Umgebung der Läsion zu beurteilen, Therapie-response. Es hat auch einige Fortschritte in AI-Vollautomatische Bauch-CT-interpretation.

Forscher haben entwickelt und getestet, KI-Systeme, basierend auf deep convolutional neural networks (CNNs), für die automatisierte real-time-triaging der Erwachsenen Brust Röntgenaufnahmen auf der Grundlage der Dringlichkeit der imaging-Auftritte.

In Großbritannien werden solche Systeme haben dazu beigetragen, die Patienten in Brust-Röntgenbild (CXR) triage, klassifizieren Sie als 8% kritisch, 40% dringende, 26% nicht-dringenden und 26% normal. Die Durchschnittliche reporting Verzögerung wurde reduziert von 11,2 2,7 Tage für kritische bildgebenden Befunde.*

Die Segmentierung kann verwendet werden, um zu bestimmen, das Ausmaß der Krankheit, und zu beurteilen, die Diagnose, das staging und imaging-Phänotypen, und überwachen Sie dann die Krankheit.

AI Segmentierungs-tools könnte auch helfen Radiologen auf einer täglichen basis. “Viele unserer CT-scans sind auf Krebs-Patienten, die wir follow-up alle drei Monate, und wir brauchen, um zu verfolgen Läsionen und Messen Sie passen Sie Ihre Therapien. Dies ist nicht nur mühsame Arbeit, sondern auch eine echte Chance zur Verbesserung der alle diese Messungen mit „AI“,“ Kahn sagte.

Chancen in der Berichterstattung und Vorhersage

Große Mengen von Informationen, die Einbeziehung der text ist in den meisten Krankenhäusern “ elektronische Systeme. Diese Informationen können freigeschaltet werden, extrahiert und verwendet, um zu helfen trainieren KI-Systeme.

An der Penn Medizin, machine learning (ML) und der Verarbeitung natürlicher Sprache (NLP) kombiniert werden, um einzuordnen, tumor response in der Radiologie berichten. Radiologen haben eine Politik, um einen code in jeder Studie Bericht, um anzuzeigen, tumor Wachstum oder regression, und mit diesem code, das medizinische team kann extrahieren von Informationen aus der Radiologie Berichte, die relevant für die Behandlung des Patienten. „Ein ideales system würde ein link Pathologie Ergebnisse mit der Radiologie Verfahren, so dass die Radiologen kennen die Ergebnisse Ihrer Biopsien,“ Kahn vorgeschlagen.

Als für die Vorhersage von Krankheiten, DL-Modelle können Vorhersagen, ein patient Risiko von Brust-Krebs, die ärzte verwenden, DL-Modelle voraussagen, einen Patienten das Risiko von Krebs, aber auch helfen, Messungen durchführen, während opportunistisches screening, D. H. wenn die Suche nach Bildern, die routinemäßig für die Bedingungen, die nahelegen, dass eine Gefährdung der Gesundheit.

Zum Beispiel, AI Messen können koronaren Verkalkung auf der Brust-CT zur Beurteilung von Patienten das Risiko von Herz-Kreislauferkrankungen. „Die Informationen, die früh bedeutet in der Lage sein, um eine bessere Prognose des Patienten“, sagte er.

AI-begünstigt opportunistisches screening kann auch als nützlich erweisen bei der Osteoporose, Bauch-Aorten-Aneurysma, Arteriosklerose, Lungenemphysem und Leberzirrhose.

Welche Art von klinischen Evidenz wird benötigt?

Es gibt eine Menge Diskussion über, was ist die beste computing-Technik zum trainieren der computer, wie das betreute lernen vs. unüberwachtes lernen, und die damit verbundenen Herausforderungen.

Sobald der Algorithmus trainiert wurde, viel Arbeit noch bleibt. “Es ist eine Notwendigkeit für die Tests und die Feinabstimmung weiter zu verbessern Ihre Allgemeine Genauigkeit. Nach einer großen externen Validierung phase ist obligatorisch,“ Luis Martí-Bonmatí, professor der Radiologie an La Fe University Hospital in Valencia, Spanien, sagte, nach dem treffen.

Eine aktuelle Studie hat gezeigt, dass diese Anforderung nicht immer erfüllt. Forscher aus Südkorea haben festgestellt, dass nur 31 (6%) von 516 förderfähig veröffentlichten Studien von AI-DL-Systeme durchgeführt, die externe Validierung von Testdaten; und keine dieser Studien angenommen, alle drei design-Merkmale – Diagnose-Kohorten-design, die Aufnahme von mehreren Institutionen und prospektive Datenerhebung für die externe Validierung.

Für AI zu mainstream geworden, klinische Beweise müssen so stark sein wie für jeden anderen Bereich der Wissenschaft. „Realen Welt Beweise für AI muss die gleichen standards wie jede andere wissenschaftliche Studie über evidenzgrad und Empfehlung,“ Martí-Bonmatí sagte.

Transfer-lernen ist ein muss im Gesundheitswesen und in AI, besonders da die Daten knapp. Aber es ist nicht klar, ob alle Studien sollten verallgemeinert werden, von einem Patienten zum anderen. Erhalt der Heterogenität der Daten, D. H. die Gewährleistung, dass die Daten stammen aus verschiedenen Krankenhäusern und Patienten setzt, ist sicherlich eine Herausforderung im training KI Modelle.

Aber es gibt Stimmen, die zugunsten der Verwendung von homogenen Daten zu. Wenn ein team die Züge eines Algorithmus in ein Krankenhaus, Sie verwenden, um lokale Geräte. Da die Scanner sind nicht das gleiche von einer institution in eine andere, die Muster gelernt von AI kann sich ändern, wie gut.

Es ist auch wichtig, um eine Mischung von Fällen, die repräsentativ für die Bevölkerung betrachtet man zum trainieren des Algorithmus mit mustern, die relevant sind für die Bevölkerung. Ein großes Problem bleibt, dass ein Großteil der Arbeit rund um die Technik nicht immer getan zu beantworten klinische Fragen.

Radiologen haben noch zu entscheiden, was erwarten Sie von AI. Eine neue Technik muss nicht unbedingt besser sein als was derzeit verfügbar ist, Kahn erklärt. “AI muss nicht sein, Übermenschliche (;) wir haben noch zu verstehen, wie wir mit AI,“, Schloss er.

Dieser Artikel wurde zuerst veröffentlicht in der neuesten Ausgabe von HIMSS Insights, Daten Erfüllt die Privatsphäre. Healthcare-IT-News und HIMSS Insights sind HIMSS Medien.