RapidRead-Wissenschaft

RapidRead-Technologie

  • Künstliche Intelligenz (KI) ist unbestreitbar Teil unseres Alltags. Als Tierärzte haben wir die Verantwortung, uns über KI und die Auswirkungen, die sie auf unsere Praxen und die Versorgung unserer Patienten haben wird, aufzuklären.
  • In diesem Artikel wird maschinelles Lernen im Zusammenhang mit der veterinärmedizinischen Bildgebungsdiagnostik erläutert und erläutert, wie AIS einzigartig positioniert ist, um ein starkes und genaues KI-Produkt zu entwickeln.

Artikel geschrieben von Diane U. Wilson, DVM, DACVR (August 2023)

Zusammenfassung von KI und maschinellem Lernen

Künstliche Intelligenz bei Antech Imaging Services

Wir glauben, dass wir uns mit künstlicher Intelligenz (KI) und maschinellem Lernen (ML) auskennen. Schließlich begegnen wir ihm täglich in unseren Aktivitäten des täglichen Lebens. Künstliche Intelligenz kann praktisch sein, wenn sie Nachrichtenthemen anspricht, die auf unsere Interessen auf unseren elektronischen Geräten zugeschnitten sind. Wir empfinden es möglicherweise als störend oder sogar als einen Eingriff in die Privatsphäre, wenn Marketinganzeigen gezielt auf unsere häufigsten Internetsuchen ausgerichtet werden. Wir sind fasziniert, wenn unser Alexa-, Cortana- oder Google-Gerät scheinbar ein Gespräch mit uns führen kann. Wir können gespannt sein auf die Aussicht, wie KI unsere Lebensqualität verbessern könnte, und sind gleichzeitig besorgt, dass KI eines Tages das Bewusstsein erlangen und Entscheidungen treffen könnte, die katastrophal sein können, wie in einem Hollywood-Filmszenario. Bei der Vorbereitung auf die weitere Interaktion mit KI in der Veterinärmedizin müssen wir diesen Konflikt zwischen Optimismus und Pessimismus lösen. Dazu müssen wir zunächst den Unterschied zwischen generativem und diskriminierendem maschinellen Lernen verstehen.

Die Unterstützung für unseren Prozess

Einem Computer das Lesen von Bildern beibringen: Eine multidisziplinäre Zusammenarbeit AIS nutzte das Fachwissen im gesamten Unternehmen und darüber hinaus

MASCHINELLES LERNEN

In generativen Modellen (oder Algorithmen) für maschinelles Lernen kann die Maschine Lösungen erstellen, die zuvor nicht programmiert wurden. Ein Beispiel ist der Chatbot ChatGPT, der während seiner Nutzung lernen, Gespräche erstellen und weiterentwickeln kann. Bei diskriminierenden maschinellen Lernmodellen hingegen löst die Maschine Informationen nur in Klassifikationen auf, für die sie programmiert ist. Das heißt, es identifiziert und kategorisiert nur das, wofür es ursprünglich trainiert wurde, um es zu identifizieren und zu kategorisieren. Ein diskriminierendes Lernmodell kann sich nicht zu mehr entwickeln. Derzeit verwendet AIS nur diskriminierende Modelle für maschinelle Lerntechniken. (Abbildung 1)

Unabhängig davon, ob Sie optimistisch oder pessimistisch sind, gibt es in der Veterinärmedizin bereits einen erheblichen Einsatz von KI. Wie in anderen Bereichen des alltäglichen Lebens kann der Einsatz künstlicher Intelligenz für den Nutzer transparent sein. Unabhängig davon, ob es sich beim Endnutzer um einen Allgemeinmediziner, einen Veterinärtechniker oder einen Spezialisten handelt, ist es möglicherweise nicht offensichtlich, dass künstliche Intelligenz ganz oder teilweise eingesetzt wurde, um ein Ziel zu erreichen. Manchmal wird KI verwendet, um ein anderes Programm im Arbeitsablauf zu unterstützen oder um einen Spezialisten bei der Bereitstellung diagnostischer Informationen zu unterstützen. Seltener führt KI einen gesamten Diagnosetest ohne menschliches Zutun durch.

Wie jede neue Technologie muss auch die KI als junge Technologie respektiert werden. Als Entwickler und Benutzer sind wir dafür verantwortlich, uns über die Fähigkeiten und Einschränkungen der Maschine zu informieren. Endbenutzer müssen die Unterschiede zwischen neuen Tools und herkömmlichen Tools, auf die wir derzeit angewiesen sind, verstehen. Entwickler müssen die Auswirkungen des neuen Tools vollständig durchdenken und abbilden. Das bedeutet, sich nicht nur auf die Vorteile zu konzentrieren, die es mit sich bringt, sondern auch den möglichen Schaden vollständig abzuwägen und verantwortungsvolle Maßnahmen zu ergreifen, um ihn zu mindern.
Es sind drei Hauptkomponenten erforderlich, um ein starkes und genaues KI-Tool zu erstellen. Die Erstellung von KI-Modellen erfordert riesige Datenmengen, Fachspezialisten und Datenwissenschaftler. Antech Imaging Services (AIS) und Mars sind in der einzigartigen Lage, alle notwendigen Komponenten zusammenzuführen, um KI-Diagnosetools zu entwickeln, die den Patientendurchsatz verbessern, Informationen schneller an den Behandlungsort bringen und eine bessere Veterinärmedizin für Haustiere, Kunden, Tierärzte und Techniker ermöglichen.

Künstliche Intelligenz
ist bereits vorhanden
in Veterinärmedizin

Arbeitsabläufe werden täglich mit KI verbessert. Künstliche Intelligenz übernimmt alltägliche Aufgaben wie sofortige Messungen der Wirbelherzgröße, lineare und volumetrische Messungen, das Ausrichten von Bildern für die Betrachtung sowie das Identifizieren und mechanische Zählen von Zellen auf einem Objektträger. Dies ermöglicht es Spezialisten, Tierärzten und Technikern, die menschliche Aufmerksamkeit dort zu lenken, wo sie am meisten benötigt wird – auf den Patienten.
Berichte werden in Sekundenschnelle erstellt und an Ärzte verschiedener Fachrichtungen gesendet, sodass die nächsten Schritte in der Patientenversorgung schneller erfolgen können. Maschinell erstellte Berichte sparen Ärzten Zeit beim Verfassen der Krankenakte und ermöglichen es ihnen, sich auf Patienten und Klienten zu konzentrieren.
In der Pathologie erkennt und zählt KI mitotische Figuren und kann Gewebetypen unterscheiden, um Pathologen bei ihren Arbeitsabläufen zu unterstützen. In der Kardiologie wird maschinelles Lernen eingesetzt, um Elektrokardiogramme auszulesen und dem Arzt innerhalb weniger Minuten Informationen zur Verfügung zu stellen. Dies ist wertvoll für Untersuchungen vor der Anästhesie, bei denen zeitnahe Informationen den Ärzten dabei helfen, Entscheidungen darüber zu treffen, ob elektive Operationen durchgeführt werden sollen und ob bei dringenden Operationen besondere Vorsichtsmaßnahmen erforderlich sind. In der Humanmedizin wird KI zur Überwachung von Patienten während der Narkose eingesetzt. Unter Veterinäranästhesisten besteht Interesse daran, dass KI unsere Veterinärpatienten überwacht.

Maschinelles Lernen muss verantwortungsvoll durchgeführt werden

Wie bereits erwähnt, ist es für Endbenutzer und Entwickler gleichermaßen von entscheidender Bedeutung, sich zu informieren und sowohl die positiven als auch die negativen Auswirkungen eines bestimmten KI-Tools zu verstehen. Es gibt drei Hauptanforderungen für die Entwicklung starker und genauer Modelle. Dabei handelt es sich um riesige Datenmengen, Datenwissenschaftler und Fachexperten. Wir werden diese aus Sicht der bildgebenden Diagnostik diskutieren.

Um für jedes Ergebnis ein Modell zu trainieren, sind riesige Datenmengen erforderlich. Ohne Daten können wir keine verlässlichen Ansprüche auf Genauigkeit, Sensitivität und Spezifität geltend machen. Bei Menschen spricht man von einem Experten für einen bestimmten bildgebenden Befund, wenn mindestens 500 Fälle mit diesem Befund vorliegen. Leider ist es nicht so, dass eine Maschine lernt.
Bei AIS haben wir festgestellt, dass wir uns auf das gemessene Maß an Genauigkeit, Sensitivität und Spezifität eines Modells für einen bestimmten Befund verlassen können, wenn das Modell vier- bis fünftausend Instanzen dieses Befundes festgestellt hat. Bei häufigen Befunden, wie z. B. einem pulmonalen Bronchialmuster, kann die zur Gewährleistung der Genauigkeit erforderliche Anzahl von Fällen leicht ermittelt werden. Bei weniger häufigen Befunden wie Diskospondylitis kann es länger dauern und die Zusammenarbeit mehrerer Gruppen erfordern, um die erforderliche Anzahl von Fällen für ein sicheres Training des Modells zu erhalten.

Zusätzlich zu den vielen Fällen, die zum Trainieren des Modells erforderlich sind, sind viele weitere Fälle eines bestimmten Befundes zum Testen des Modells erforderlich. Nachdem ein Modell bei einem bestimmten Befund als genau erachtet wurde und daher zur Verwendung als Diagnosewerkzeug in Krankenhäusern freigegeben werden kann, muss das Modell regelmäßig getestet werden, um eine anhaltende Genauigkeit sicherzustellen und sicherzustellen, dass keine Abweichung aufgetreten ist. Drift tritt auf, wenn sich die Umgebung geringfügig ändert, z. B. Änderungen/Verbesserungen der Ausrüstung im Laufe der Zeit, Änderungen im elektronischen Raum, Änderungen/Fortschritte in der Technik usw. Jedes Mal, wenn ein Modell für einen bestimmten Befund getestet wird, sind viele weitere Fälle mit diesem Befund erforderlich, um die Genauigkeit, Sensitivität und Spezifität sicher beurteilen und alle erforderlichen Anpassungen vornehmen zu können. Wenn Anpassungen vorgenommen werden, sind mehr Daten erforderlich, um diese Anpassungen zu testen.

Für die Schulung und Messung der Genauigkeit jedes Modells werden Fachexperten (vom Vorstand zertifizierte Spezialisten) benötigt. Radiologen (Pathologen, Kardiologen, Zahnärzte usw.) verbringen Stunden damit, Bilder zu kennzeichnen und korrigierte Daten anzubieten, die zum Trainieren, Bewerten und Umschulen des Geräts verwendet werden. Darüber hinaus ist es notwendig, ein Team von Fachexperten einzubeziehen, damit ein Konsens erzielt werden kann und die Maschine nicht auf die Meinung einer Einzelperson trainiert wird. Zur Überprüfung der Genauigkeit anhand bekannter Fälle sollten Untersuchungen Dritter herangezogen werden.

Datenwissenschaftler bilden die Grundlage des Programmierteams, das zur Entwicklung von Modellalgorithmen erforderlich ist. Zu den besten Teams gehören Datenwissenschaftler mit einer Vision für das Produkt, einer starken Zusammenarbeit mit Fachexperten und Kenntnissen über die Bedürfnisse der Endbenutzer. Ein vielfältiges Team mit einzigartigen Fachgebieten (Segmentierung, Regression, Datenanalyse, verschiedene Software) sowie ein solides Verständnis aller Aspekte der Datenwissenschaft sorgen für ein äußerst robustes Team, das in der Lage ist, Hindernisse mit kreativen Lösungen zu überwinden.

KI bei AIS

AIS und Mars sind einzigartig positioniert und verfügen über internen Zugriff auf alle drei Hauptanforderungen für die Entwicklung eines starken, präzisen KI-Produkts. AIS bietet seit 1999 teleradiologische Dienstleistungen an. Mit 24 Jahren staatlich geprüfter Radiologenberichte und etwa 8 Milliarden gespeicherten Bildern sind riesige Datenmengen sofort verfügbar. In vielen Fällen erfolgten Nachuntersuchungen in Krankenhäusern und Pathologieberichte mit endgültiger Diagnose.

Fünfzehn zertifizierte Radiologen im AIS-KI-Team arbeiten unermüdlich daran, Bilder zu kennzeichnen, Feedback zu KI-Bewertungen zu geben und die Qualitätskontrolle von Pilotstudienberichten aufrechtzuerhalten, um sicherzustellen, dass die Patientenversorgung weiterhin an erster Stelle steht. Zum Mars Science and Diagnostics Next Generation Technologies Team gehört das von AIS finanzierte Team von zehn Datenwissenschaftlern, die jeweils über umfangreiche Erfahrung, einzigartige Qualifikationen und ein umfassendes Verständnis des maschinellen Lernens verfügen.
Das Ergebnis ist RapidRead Radiology von AIS, das sich seit fast zwei Jahren in Pilotstudien in den USA und Europa befindet. Mit der Hilfe von Krankenhäusern der Mars-Familie und Nicht-Mars-Familien, die an den Pilotstudien teilnehmen, hat sich RapidRead Radiology zu einem robusten Diagnosetool entwickelt, das eine Beratung auf Expertenebene für viele Befunde in wenigen Minuten ermöglicht. Während der Pilotstudien hat sich RapidRead für Allgemeinmediziner, Fachärzte sowie Nacht- und Notärzte als nützlich erwiesen. RapidRead Radiology wertet derzeit mehr als 50 Befunde im Brustkorb, Bauch und an den Gliedmaßen von Hunden und Katzen aus (Abbildung 2), wobei kein Befund veröffentlicht wird, es sei denn, er ist nachweislich mindestens 95 % so genau wie der Konsens unseres Teams zertifizierter Fachärzte Radiologe.

Die klinische Anwendung einer Befundliste bedeutet, dass in einem bestimmten Bericht mehrere unterschiedliche Befunde enthalten sein können. Jeder einzelne Befund kann eine Genauigkeit von mindestens 95 % haben; Allerdings muss der Gesamtinformationsbeitrag des Berichts zum Fall berücksichtigt werden.

Die aktuellen Qualitätskontrollstatistiken von AIS zeigen, dass das RapidRead-Tool die mit einem bestimmten Fall verbundene klinische Frage in 82 % der Fälle angemessen beantwortet, wenn es allein und ohne Aufsicht des Radiologen verwendet wird. Wenn die Aufsicht eines Radiologen mit der RapidRead-Überprüfung kombiniert wird, steigt die Anzahl der Berichte, die wichtige Informationen zu einem Fall liefern, auf 92 %. Die verbleibenden 8 % der eingereichten Fälle sind für die Überprüfung durch RapidRead ungeeignet, da die KI nicht auf den Körperteil, die Art oder die Modalität in den übermittelten Bildern trainiert ist. (Figur 3)

Die Genauigkeit der Radiologen liegt Berichten zufolge bei etwa 96 % (Fehlerquote nur 4 %). Aus diesem Grund implementiert AIS ein starkes Qualitätskontrollsystem mit staatlich geprüften Radiologen, die durch tägliche Qualitätsprüfung der eingereichten Fälle, automatische Weiterleitung neuer Befunde zur Überprüfung durch den Radiologen und Ein-Klick-Übermittlung zur Anforderung einer Überprüfung durch den Radiologen stets auf dem Laufenden sind. Bei ordnungsgemäßer Verwendung des RapidRead-Tools und in Verbindung mit einer strengen Aufsicht durch den Radiologen erreichen der Beitrag nützlicher Informationen für den Fall und die Genauigkeit nahezu 100 %.
Trotz der hohen Übereinstimmung zwischen RapidRead und den von Radiologen gelesenen Berichten bleibt das Verständnis der richtigen Verwendung von KI zur Erstellung radiologischer Berichte der entscheidende Faktor dafür, wie nützlich ein solches Tool für eine einzelne Klinik sein kann. Angesichts der Ähnlichkeit in Aussehen und „Gefühl“ des RapidRead-Berichts (Abbildung 4) und eines Berichts eines Radiologen kann man leicht glauben, dass RapidRead das Äquivalent eines „mechanischen Radiologen“ ist, der alle möglichen Anomalien untersucht, genau wie ein Radiologe. Dies ist jedoch bei weitem nicht der Fall. Ein Modell der künstlichen Intelligenz wertet nur die Ergebnisse aus, für die es trainiert wurde. Wenn man sich beispielsweise die Ergebnisliste für RapidRead (Abbildung 2) ansieht, fällt auf, dass die Trächtigkeitsprüfung (Welpenzählung) nicht auf der Liste steht. Eine Konsultation bei RapidRead einzureichen und zu erfahren, ob die Patientin trächtig ist oder wie viele Welpen anwesend sind, würde keine nützlichen Informationen liefern. Betrachten Sie die Analogie eines vollständigen Blutbildes (CBC) mit einem Chemietest. Wir würden kein CBC in der Erwartung einreichen, Informationen zu Leberenzymen zu erhalten, da wir wissen, dass Leberenzymwerte nicht Teil des CBC-Testtools sind. Ungefähr 8 % der an RapidRead übermittelten Fälle sind für die maschinelle Auswertung nicht geeignet. Das heißt, es wird ein Körperteil, eine Art oder eine Modalität einbezogen, für die die Maschine noch nicht trainiert ist.

Es ist auch wichtig, sich an den weiter oben in diesem Artikel beschriebenen Unterschied zwischen diskriminierenden und generativen KI-Modellen zu erinnern und daran, dass RapidRead auf diskriminierenden KI-Programmiermodellen und nicht auf generativen Modellen basiert. Es ist nicht für selbstständiges Lernen programmiert. Daher wäre es auch nicht sinnvoll, Bilder eines Körperteils oder einer Art einzureichen, die derzeit nicht von RapidRead ausgewertet wurden, und zu erwarten, dass RapidRead aus diesen Bildern „lernt“.
Andererseits ist RapidRead umfassend auf die in Abbildung 2 aufgeführten Erkenntnisse geschult. Wenn wir beispielsweise herausfinden möchten, ob ein Patient Herz- oder Lungenveränderungen hat, die eine Anästhesie kontraindizieren könnten, oder wenn wir feststellen möchten, ob ein Patient Magen-Darm-Beschwerden hat, ist RapidRead ein sehr nützliches Tool, um Informationen auf Expertenebene schneller an den Behandlungsort zu bringen in wenigen Minuten (im Gegensatz zu Stunden bis Tagen bei herkömmlichen Messungen durch Radiologen).

Abschluss

Künstliche Intelligenz ist mit aufregender – manche würden sogar sagen alarmierender – Geschwindigkeit in unser tägliches Leben eingedrungen. Wie bei jeder neuen Technologie gibt es eine Phase des Lernens und der Anpassung. Mit Wissen kann Verständnis einhergehen, oft gefolgt von Assimilation. Der Einsatz von KI in der Veterinärmedizin erfolgt bereits in vielen Bereichen, einschließlich Arbeitsabläufen, Messungen und Segmentierung, sowie als diagnostisches Werkzeug in einigen Fachgebieten wie Pathologie, Kardiologie und diagnostischer Bildgebung.
Das Verständnis der Grundlagen des maschinellen Lernens ist der Schlüssel, damit jeder von uns seinen Einsatz in der diagnostischen Bildgebung bestmöglich verstehen kann. Entwickler müssen verstehen, dass große Datenmengen, Datenwissenschaftler und Fachexperten erforderlich sind, um ein verantwortungsvolles und genaues KI-Produkt zu entwickeln. Endbenutzer müssen den richtigen Einsatz von KI-Tools verstehen, um dem Patienten den größtmöglichen Nutzen zu bringen. Nur wenn diese Faktoren zusammenkommen, können wir unser Endziel erreichen, das Leben von Haustieren und Kunden mit künstlicher Intelligenz zu verbessern.
×