Scienza RapidRead

Tecnologia RapidRead

L’Intelligenza Artificiale (AI) fa innegabilmente parte della nostra vita quotidiana. Come veterinari, abbiamo la responsabilità di istruirci sull’IA e sull’impatto che avrà sulle nostre pratiche e sulla cura dei nostri pazienti.
Questo articolo spiega l’apprendimento automatico nel contesto della diagnostica per immagini veterinaria ed esamina come l’AIS sia posizionato in modo univoco per sviluppare un prodotto di intelligenza artificiale forte e accurato.

Articolo scritto da Diane U. Wilson, DVM, DACVR (agosto 2023)

Sinossi di AI e Machine Learning

Intelligenza artificiale presso Antech Imaging Services

Pensiamo di conoscere l’intelligenza artificiale (AI) e l’apprendimento automatico (ML). Dopotutto, lo incontriamo ogni giorno nelle nostre attività della vita quotidiana. L’intelligenza artificiale può essere conveniente quando prende di mira argomenti di notizie su misura per i nostri interessi sui nostri dispositivi elettronici. Potremmo trovarlo fastidioso, o addirittura un’invasione della privacy, quando indirizza gli annunci di marketing alle nostre ricerche Internet più comuni. Siamo affascinati quando il nostro dispositivo Alexa, Cortana o Google può apparentemente tenere una conversazione con noi. Possiamo essere entusiasti alla prospettiva di come l’IA potrebbe migliorare la nostra qualità di vita e, allo stesso tempo, essere preoccupati che un giorno l’IA possa prendere coscienza e iniziare a prendere decisioni che possono essere catastrofiche come lo scenario di un film di Hollywood. Nel prepararci a interagire ulteriormente con l’IA in medicina veterinaria, dobbiamo risolvere questo conflitto tra ottimismo e pessimismo. Per fare ciò, dobbiamo prima capire la differenza tra apprendimento automatico generativo e discriminativo.

Il supporto per il nostro processo

Insegnare a un computer a leggere le immagini: una collaborazione multidisciplinare AIS ha sfruttato le competenze di tutta l’organizzazione e oltre

APPRENDIMENTO AUTOMATICO

Nei modelli (o algoritmi) di machine learning generativo, la macchina può creare soluzioni non precedentemente programmate. Un esempio è il chatbot, ChatGPT, che può apprendere, creare ed evolvere conversazioni man mano che viene utilizzato. Mentre, nei modelli discriminativi di apprendimento automatico, la macchina risolve le informazioni solo nelle classificazioni per le quali è programmata. Cioè, identifica e classifica solo ciò che è stato inizialmente addestrato a identificare e classificare. Un modello di apprendimento discriminante non può evolvere in qualcosa di più. Attualmente, AIS utilizza solo modelli discriminativi per le tecniche di apprendimento automatico. (Figura 1)

Indipendentemente dal fatto che tu sia ottimista o pessimista, esiste già un uso significativo dell’IA in medicina veterinaria. Come in altre aree della vita quotidiana, l’uso dell’intelligenza artificiale può essere trasparente per l’utente. Che l’utente finale sia un medico generico, un tecnico veterinario o uno specialista, potrebbe non essere evidente che l’intelligenza artificiale sia stata impiegata, in tutto o in parte, per raggiungere un obiettivo. A volte, l’intelligenza artificiale viene utilizzata per assistere un altro programma nel flusso di lavoro o per assistere uno specialista nel fornire informazioni diagnostiche. Meno comunemente, l’intelligenza artificiale esegue un intero test diagnostico senza input umano.

Come con qualsiasi nuova tecnologia, l’IA deve essere rispettata per la tecnologia infantile che è. Come sviluppatori e utenti, abbiamo la responsabilità di istruirci sulle capacità e sui limiti della macchina. Gli utenti finali devono comprendere le differenze tra qualsiasi nuovo strumento e gli strumenti tradizionali su cui ci affidiamo attualmente. Gli sviluppatori devono riflettere a fondo e mappare le implicazioni del nuovo strumento. Ciò significa non solo concentrarsi sui benefici che porta, ma soppesare pienamente il danno che potrebbe causare e adottare misure responsabili per mitigarlo.

Ci sono tre componenti principali necessari per creare uno strumento di intelligenza artificiale forte e preciso. La creazione di modelli di intelligenza artificiale richiede enormi quantità di dati, specialisti di dominio e data scientist. Antech Imaging Services (AIS) e Mars sono pronti a riunire tutti i componenti necessari per costruire strumenti diagnostici di intelligenza artificiale per migliorare la produttività dei pazienti, velocizzare le informazioni al punto di cura e una migliore medicina veterinaria per animali domestici, clienti, veterinari e tecnici.

Intelligenza artificiale
è già presente
in Medicina Veterinaria

I flussi di lavoro vengono migliorati con l’intelligenza artificiale ogni giorno. L’intelligenza artificiale sta affrontando compiti banali come misurazioni istantanee delle dimensioni del cuore vertebrale, misurazioni lineari e volumetriche, orientamento delle immagini per la visualizzazione e identificazione e conteggio meccanico delle cellule su un vetrino. Ciò consente a specialisti, veterinari e tecnici di focalizzare l’attenzione umana dove è più necessaria: sul paziente.

I report vengono creati in pochi secondi e inviati ai professionisti di diverse specialità, consentendo di eseguire prima i passaggi successivi nella cura del paziente. I report generati dalla macchina fanno risparmiare tempo ai professionisti nella scrittura della cartella clinica e consentono inoltre di concentrare la loro attenzione su pazienti e clienti.

In patologia, l’intelligenza artificiale riconosce e conta le figure mitotiche e può differenziare i tipi di tessuto per assistere i patologi nel loro flusso di lavoro. In cardiologia, l’apprendimento automatico viene utilizzato per leggere gli elettrocardiogrammi e fornire informazioni al medico in pochi minuti. Ciò è prezioso per gli esami pre-anestetici in cui informazioni tempestive aiutano i professionisti a prendere decisioni in merito all’opportunità di procedere con interventi chirurgici elettivi e se sono necessarie precauzioni speciali negli interventi chirurgici urgenti. Nella medicina umana, l’IA viene utilizzata per monitorare i pazienti durante l’anestesia. È stato espresso interesse tra gli anestesisti veterinari affinché l’IA monitori i nostri pazienti veterinari.

L’apprendimento automatico deve essere svolto in modo responsabile

Come affermato in precedenza, è fondamentale che gli utenti finali e gli sviluppatori diventino istruiti e comprendano sia le implicazioni positive che quelle negative di un determinato strumento di intelligenza artificiale. Ci sono tre requisiti principali per lo sviluppo di modelli forti e accurati. Si tratta di enormi quantità di dati, data scientist ed esperti di dominio. Ne parleremo dal punto di vista della diagnostica per immagini.

Sono necessarie enormi quantità di dati per addestrare un modello su ogni risultato. Senza dati, non possiamo affermare in modo affidabile affermazioni di accuratezza, sensibilità e specificità. Nelle persone, diciamo che uno è un esperto in un particolare reperto di imaging quando c’è esperienza di almeno 500 casi di quel reperto. Sfortunatamente, non è così per una macchina imparare.
In AIS, abbiamo stabilito che possiamo essere sicuri del livello misurato di accuratezza, sensibilità e specificità di un modello per un particolare risultato, quando il modello ha riscontrato da quattro a cinquemila istanze di tale risultato. Per risultati comuni, come un modello bronchiale polmonare, il numero necessario di casi per garantire l’accuratezza può essere facilmente acquisito. Per risultati meno comuni come la discospondilite, può richiedere più tempo e richiedere la collaborazione tra più gruppi per ottenere il numero necessario di casi per addestrare con sicurezza il modello.

Oltre a molti casi necessari per addestrare il modello, sono necessari molti più casi di una particolare scoperta per testare il modello. Dopo che un modello è ritenuto accurato su un particolare risultato e quindi può essere rilasciato per essere utilizzato come strumento diagnostico per gli ospedali, il modello deve essere periodicamente testato per garantire una precisione continua e che non si sia verificata alcuna deriva. La deriva si verifica quando ci sono sottili cambiamenti nell’ambiente come cambiamenti/miglioramenti nell’attrezzatura nel tempo, cambiamenti nello spazio elettronico, cambiamenti/progressi nella tecnica, ecc. Ogni volta che viene testato un modello per un determinato risultato, sono necessari molti più casi con tale risultato per valutare con sicurezza l’accuratezza, la sensibilità e la specificità e apportare le modifiche necessarie. Se vengono apportate modifiche, sono necessari più dati per testare tali modifiche.

Sono necessari esperti di dominio (specialisti certificati dal consiglio di amministrazione) per addestrare e misurare l’accuratezza di ciascun modello. I radiologi (patologi, cardiologi, dentisti, ecc.) trascorrono ore a etichettare le immagini e offrire dati corretti da utilizzare per addestrare, valutare e riaddestrare la macchina. Inoltre, è necessario includere un team di esperti di dominio in modo da poter raggiungere il consenso e la macchina non è addestrata sull’opinione di un individuo. Le indagini di terze parti dovrebbero essere utilizzate per convalidare l’accuratezza rispetto a casi noti.

I data scientist sono la base del team di programmazione necessario per sviluppare algoritmi modello. I migliori team includono data scientist con visione del prodotto, forte collaborazione con esperti di dominio e conoscenza delle esigenze degli utenti finali. Un team eterogeneo con sottospecialità uniche (segmentazione, regressione, analisi dei dati, vari software) e una solida conoscenza di tutti gli aspetti della scienza dei dati costituiscono un team più solido in grado di affrontare gli ostacoli con soluzioni creative.

AI all’AIS

AIS e Mars sono posizionati in modo univoco con accesso interno a tutti e tre i principali requisiti per lo sviluppo di un prodotto AI forte e accurato. AIS offre servizi di teleradiologia dal 1999. Con 24 anni di referti radiologici certificati e circa 8 miliardi di immagini memorizzate, sono prontamente disponibili enormi quantità di dati. Molti dei casi hanno follow-up da ospedali e referti patologici con diagnosi definitiva.

Quindici radiologi certificati dal consiglio di amministrazione del team AIS AI lavorano instancabilmente per etichettare le immagini, fornire feedback sulle valutazioni AI e mantenere il controllo di qualità sui rapporti di studio pilota per garantire che la cura del paziente rimanga fondamentale. Il Mars Science and Diagnostics Next Generation Technologies Team comprende il team finanziato dall’AIS di dieci data scientist, ciascuno con una vasta esperienza, un insieme unico di qualifiche e un’ampia conoscenza dell’apprendimento automatico.

Il risultato è RapidRead Radiology di AIS, che è stato oggetto di studi pilota per quasi due anni negli Stati Uniti e in Europa. Con l’aiuto degli ospedali della famiglia Mars e non Mars che partecipano agli studi pilota, RapidRead Radiology si è sviluppato in un solido strumento diagnostico che fornisce consulenza a livello di esperti per molti risultati in pochi minuti. Durante gli studi pilota, RapidRead si è dimostrato utile a medici generici, specialisti e medici di pronto soccorso. RapidRead Radiology attualmente valuta oltre 50 risultati nel torace, nell’addome e negli arti di cani e gatti (Figura 2) senza che venga rilasciato alcun risultato a meno che non sia dimostrato che sia accurato almeno al 95% come il consenso del nostro team di esperti certificati radiologo.

L’applicazione clinica di un elenco di risultati significa che diversi risultati possono essere presenti in un dato rapporto. Ogni singola scoperta può avere una precisione di almeno il 95%; tuttavia, occorre prendere in considerazione il contributo informativo complessivo del rapporto al caso.

Le attuali statistiche sul controllo di qualità di AIS dimostrano che lo strumento RapidRead risponde adeguatamente alla domanda clinica associata a un dato caso l’82% delle volte se utilizzato da solo e senza la supervisione del radiologo. Quando si utilizza la supervisione del radiologo con la revisione RapidRead, il numero di referti che forniscono informazioni significative a un caso aumenta al 92%. Il restante 8% dei casi inviati non è appropriato per la revisione RapidRead perché l’intelligenza artificiale non è addestrata per la parte del corpo, la specie o la modalità nelle immagini inviate. (Figura 3)

L’accuratezza del radiologo è stata riportata a circa il 96% (solo il tasso di errore del 4%). Per questo motivo, AIS implementa un solido sistema di controllo della qualità con radiologi certificati prontamente nel ciclo attraverso la revisione giornaliera della qualità dei casi inviati, l’instradamento automatico dei risultati emergenti per la revisione del radiologo e l’invio con un clic per richiedere una revisione del radiologo. Quando lo strumento RapidRead viene utilizzato correttamente e in combinazione con una solida supervisione del radiologo, il contributo di informazioni utili per il caso e l’accuratezza si avvicinano al 100%.

Nonostante l’elevato livello di accordo tra RapidRead e i referti di lettura dei radiologi, la comprensione dell’uso corretto dell’intelligenza artificiale per la generazione dei referti radiologici rimane il fattore trainante dell’utilità di uno strumento di questo tipo per una singola clinica. Data la somiglianza nell’aspetto e nella “sensazione” del referto RapidRead (Figura 4) e del referto di un radiologo, è facile credere che RapidRead sia l’equivalente di un “radiologo meccanico” che valuta tutte le possibili anomalie proprio come un radiologo. Tuttavia, questo è tutt’altro che vero. Un modello di intelligenza artificiale valuterà solo i risultati per i quali è stato addestrato. Ad esempio, guardando l’elenco dei risultati per RapidRead (Figura 2), è evidente che il controllo della gravidanza (conta dei cuccioli) non è nell’elenco. Inviare un consulto a RapidRead aspettandosi di sapere se la paziente è incinta o quanti cuccioli sono presenti non darebbe informazioni utili. Considera l’analogia di un emocromo completo (CBC) rispetto a un pannello chimico. Non invieremo un emocromo in attesa di ricevere informazioni sugli enzimi epatici poiché comprendiamo che i livelli degli enzimi epatici non fanno parte dello strumento di test dell’emocromo. Circa l’8% dei casi inviati a RapidRead non è idoneo per la valutazione da parte della macchina. Cioè, è inclusa una parte del corpo, una specie o una modalità per la quale la macchina non è ancora addestrata.

È anche importante ricordare la differenza tra modelli di IA discriminativi e generativi descritti in precedenza in questo articolo e che RapidRead è costruito con modelli di programmazione AI discriminativi, non modelli generativi. Non è programmato per l’apprendimento autonomo. Pertanto, non sarebbe utile inviare immagini di una parte del corpo o di una specie attualmente non valutate da RapidRead e aspettarsi che “impara” da tali immagini.
D’altra parte, RapidRead è ampiamente addestrato nei risultati elencati nella Figura 2. Ad esempio, se stiamo cercando di sapere se un paziente ha cambiamenti cardiaci o polmonari che potrebbero controindicare l’anestesia o se stiamo cercando di determinare se un paziente con segni gastrointestinali è ostruito, allora RapidRead è uno strumento molto utile per velocizzare le informazioni di livello esperto al punto di cura in pochi minuti (rispetto a ore o giorni per le letture radiologiche tradizionali).

Conclusione

L’intelligenza artificiale è entrata nella nostra vita quotidiana a un ritmo entusiasmante, qualcuno potrebbe anche dire allarmante. Come per tutte le nuove tecnologie, c’è un periodo di apprendimento e adattamento. Con la conoscenza può arrivare la comprensione, spesso seguita dall’assimilazione. L’uso dell’intelligenza artificiale nella medicina veterinaria esiste già in molte aree tra cui il flusso di lavoro, la misurazione e la segmentazione e come strumento diagnostico in alcune specialità come patologia, cardiologia e diagnostica per immagini.

Comprendere le basi dell’apprendimento automatico è la chiave per aiutare ognuno di noi a comprenderne al meglio l’uso nell’imaging diagnostico. Gli sviluppatori devono comprendere che sono necessarie grandi quantità di dati, data scientist ed esperti di dominio per creare un prodotto AI responsabile e accurato. Gli utenti finali devono comprendere l’uso corretto degli strumenti di intelligenza artificiale per beneficiare al meglio il paziente. È solo quando questi fattori si uniscono che possiamo raggiungere il nostro obiettivo finale di migliorare la vita degli animali domestici e dei clienti con l’intelligenza artificiale.