RapidRead Science
RapidRead-teknik
- Artificiell intelligens (AI) är onekligen en del av vår vardag. Som veterinärer har vi ett ansvar att utbilda oss själva om AI och den inverkan det kommer att ha på vår praxis och våra patienters vård.
- Den här artikeln förklarar maskininlärning i samband med veterinärbilddiagnostik och granskar hur AIS är unikt positionerat för att utveckla en stark och exakt AI-produkt.
Artikel skriven av Diane U. Wilson, DVM, DACVR (augusti 2023)
Sammanfattning av AI och Machine Learning
Artificiell intelligens på Antech Imaging Services
Vi tror att vi känner till artificiell intelligens (AI) och maskininlärning (ML). När allt kommer omkring möter vi det varje dag i våra dagliga aktiviteter. Artificiell intelligens kan vara praktiskt när det riktar sig till nyhetsämnen som är skräddarsydda för våra intressen på våra elektroniska enheter. Vi kan tycka att det är irriterande, eller till och med ett intrång i integriteten, när det riktar marknadsföringsannonser till våra vanligaste internetsökningar. Vi är fascinerade när vår Alexa-, Cortana- eller Google-enhet till synes kan hålla en konversation med oss. Vi kan vara exalterade över utsikten till hur AI kan förbättra vår livskvalitet och samtidigt känna oro över att AI en dag kan nå medvetande och börja fatta beslut som kan vara katastrofala som något Hollywood-filmscenario. När vi förbereder oss för att ytterligare interagera med AI inom veterinärmedicin måste vi lösa denna konflikt mellan optimism och pessimism. För att göra det måste vi först förstå skillnaden mellan generativ och diskriminerande maskininlärning.
Stödet för vår process
Lära en dator att läsa bilder: Ett multidisciplinärt samarbete AIS utnyttjade expertis över hela organisationen och utanför
MASKININLÄRNING
I generativa maskininlärningsmodeller (eller algoritmer) kan maskinen skapa lösningar som inte tidigare programmerats. Ett exempel är chatboten, ChatGPT, som kan lära sig, skapa och utveckla konversationer när den används. Medan maskinen i diskriminerande maskininlärningsmodeller endast löser information i klassificeringar som den är programmerad för. Det vill säga, den identifierar och kategoriserar bara vad den från början tränades för att identifiera och kategorisera. En diskriminerande inlärningsmodell kan inte utvecklas till något mer. För närvarande använder AIS endast diskriminerande modeller för maskininlärningstekniker. (Figur 1)
Oavsett om du är optimistisk eller pessimistisk finns det redan betydande användning av AI inom veterinärmedicin. Liksom i andra delar av vardagen kan användningen av artificiell intelligens vara transparent för användaren. Oavsett om slutanvändaren är en allmänläkare, veterinärtekniker eller specialist, är det kanske inte uppenbart att artificiell intelligens har använts, helt eller delvis, för att nå ett mål. Ibland används AI för att hjälpa ett annat program i arbetsflödet eller för att hjälpa en specialist att tillhandahålla diagnostisk information. Mindre vanligt är att AI utför ett helt diagnostiskt test utan mänsklig input.
Som med all ny teknik måste AI respekteras för den spädbarnsteknologi den är. Som utvecklare och användare är vi ansvariga för att utbilda oss själva om maskinens möjligheter och begränsningar. Slutanvändare måste förstå skillnaderna mellan alla nya verktyg och traditionella verktyg som vi för närvarande förlitar oss på. Utvecklare måste tänka igenom och kartlägga konsekvenserna av det nya verktyget. Detta innebär att man inte bara fokuserar på de fördelar det ger, utan att man fullt ut väger den skada det kan orsaka och vidtar ansvarsfulla åtgärder för att mildra den.
Det finns tre huvudkomponenter som krävs för att skapa ett starkt och exakt AI-verktyg. Att bygga AI-modeller kräver enorma mängder data, domänspecialister och datavetare. Antech Imaging Services (AIS) och Mars är unikt redo att sammanföra alla nödvändiga komponenter för att bygga AI-diagnosverktyg för bättre patientgenomströmning, snabbare information till vårdpunkten och bättre veterinärmedicin för husdjur, kunder, veterinärer och tekniker.
Artificiell intelligens
är redan närvarande
i veterinärmedicin
Arbetsflöden förbättras med AI varje dag. Artificiell intelligens tar itu med vardagliga uppgifter som momentana mätningar för kothjärtats storlek, linjära och volymetriska mätningar, orientering av bilder för visning och identifiering och mekanisk räkning av celler på en bild. Detta gör att specialister, veterinärer och tekniker kan fokusera mänsklig uppmärksamhet där den behövs som mest – på patienten.
Rapporter skapas på några sekunder och skickas till utövare från flera specialiteter, vilket gör att nästa steg i patientvården kan ske tidigare. Maskingenererade rapporter sparar tid för utövarna att skriva journalen och låter deras uppmärksamhet riktas mot patienter och klienter.
Inom patologi känner AI igen och räknar mitotiska figurer och kan differentiera vävnadstyper för att hjälpa patologer i deras arbetsflöde. Inom kardiologi används maskininlärning för att läsa elektrokardiogram och ge information tillbaka till utövaren på några minuter. Detta är värdefullt för förebedövningsarbeten där snabb information hjälper utövare att fatta beslut om huruvida de ska fortsätta med elektiva operationer och om särskilda försiktighetsåtgärder är nödvändiga vid akuta operationer. Inom humanmedicin används AI för att övervaka patienter under anestesi. Det har uttryckts intresse bland veterinärmedicinska anestesiologer för att låta AI övervaka våra veterinärpatienter.
Maskininlärning måste utföras på ett ansvarsfullt sätt
Som nämnts tidigare är det avgörande för både slutanvändare och utvecklare att bli utbildade och förstå både de positiva och negativa konsekvenserna av ett givet AI-verktyg. Det finns tre huvudkrav för att utveckla starka och exakta modeller. Dessa är enorma mängder data, datavetare och domänexperter. Vi kommer att diskutera dessa utifrån bilddiagnostik.
Det krävs enorma mängder data för att träna en modell på varje fynd. Utan data kan vi inte på ett tillförlitligt sätt hävda påståenden om noggrannhet, känslighet och specificitet. Hos människor säger vi att man är expert på ett visst avbildningsfynd när det finns erfarenhet av minst 500 fall av det fyndet. Tyvärr är det inte så för en maskin att lära sig.
På AIS har vi bestämt att vi kan vara säkra på den uppmätta nivån av noggrannhet, känslighet och specificitet för en modell för ett visst fynd, när modellen har stött på fyra till fem tusen fall av det fyndet. För vanliga fynd, som ett pulmonellt bronkialt mönster, kan det nödvändiga antalet fall för att säkerställa noggrannhet vara lätt att förvärva. För mindre vanliga fynd som diskospondylit kan det ta längre tid och kräva samarbete mellan flera grupper för att få det nödvändiga antalet fall för att med säkerhet träna modellen.
Förutom många fall som behövs för att träna modellen krävs många fler fall av ett visst fynd för att testa modellen. Efter att en modell bedömts vara korrekt på ett visst fynd och därför kan släppas för användning som ett diagnostiskt verktyg till sjukhus, måste modellen testas regelbundet för att säkerställa fortsatt noggrannhet och att ingen drift har inträffat. Drift uppstår när det sker subtila förändringar i miljön såsom förändringar/förbättringar i utrustning över tid, förändringar i det elektroniska rummet, förändringar/framsteg i tekniken, etc. Varje gång en modell för ett visst fynd testas behövs många fler fall med det fyndet för att med säkerhet kunna bedöma noggrannheten, känsligheten och specificiteten och göra eventuella nödvändiga justeringar. Om justeringar görs behövs mer data för att testa dessa justeringar.
Domänexperter (styrelsecertifierade specialister) behövs för att utbilda och mäta noggrannheten för varje modell. Radiologer (patologer, kardiologer, tandläkare, etc.) lägger timmar på att märka bilder och erbjuda korrigerade data som ska användas för att träna, bedöma och omskola maskinen. Dessutom är det nödvändigt att inkludera ett team av domänexperter så att konsensus kan nås, och maskinen är inte utbildad på en individs åsikt. Tredjepartsundersökningar bör användas för att validera riktigheten mot kända fall.
Dataforskare är basen i det programmeringsteam som krävs för att utveckla modellalgoritmer. De bästa teamen inkluderar datavetare med vision för produkten, starkt samarbete med domänexperter och kunskap om slutanvändarnas behov. Ett mångsidigt team med unika subspecialiteter (segmentering, regression, dataanalys, olika programvaror) samt en gedigen förståelse för alla aspekter av datavetenskap skapar ett mycket robust team som kan ta itu med hinder med kreativa lösningar.AI på AIS
AIS och Mars är unikt positionerade med intern tillgång till alla tre huvudkraven för att utveckla en stark, exakt AI-produkt. AIS har erbjudit teleradiologitjänster sedan 1999. Med 24 år av styrelsecertifierade radiolograpporter och cirka 8 miljarder lagrade bilder är enorma mängder data lätt tillgängliga. Många av fallen har uppföljning från sjukhus och patologirapporter med definitiv diagnos.
Femton styrelsecertifierade radiologer i AIS AI-teamet arbetar outtröttligt med att märka bilder, ge feedback på AI-utvärderingar och upprätthålla kvalitetskontroll på pilotstudierapporter för att säkerställa att patientvården förblir av största vikt. Mars Science and Diagnostics Next Generation Technologies Team inkluderar det AIS-finansierade teamet på tio dataforskare, var och en med lång erfarenhet, en unik uppsättning kvalifikationer och en bred förståelse för maskininlärning.
Resultatet är AIS RapidRead Radiology som har varit i pilotstudier i nästan två år i USA och Europa. Med hjälp av både Mars-familjens och icke-Mars-familjens sjukhus som deltar i pilotstudierna har RapidRead Radiology utvecklats till ett robust diagnostiskt verktyg som ger konsultation på expertnivå för många fynd inom några minuter. Under pilotstudierna har RapidRead visat sig användbar för allmänläkare, specialister och övernattnings- och akutläkare. RapidRead Radiology utvärderar för närvarande för 50+ fynd i bröstkorgen, buken och extremiteterna hos hundar och katter (Figur 2) utan att något fynd släpps om det inte har bevisats vara minst 95 % lika korrekt som konsensus från vårt team av styrelsecertifierade radiolog.
Klinisk tillämpning av en lista med fynd innebär att flera olika fynd kan finnas i varje given rapport. Varje enskilt fynd kan ha en noggrannhet på minst 95 %; hänsyn måste dock tas till rapportens samlade informationsbidrag i ärendet.
AIS nuvarande kvalitetskontrollstatistik visar att RapidRead-verktyget svarar på den kliniska frågan som är förknippad med ett givet fall 82 % av tiden när det används ensamt och utan tillsyn av radiologen. När radiologtillsyn används med RapidRead-granskning, ökar antalet rapporter som bidrar med betydande information till ett fall till 92 %. De återstående 8 % av fallen som skickas in är olämpliga för RapidRead-granskning eftersom AI inte är tränad för kroppsdelen, arten eller modaliteten i de inskickade bilderna. (Figur 3)
Radiologens noggrannhet har rapporterats till ungefär 96 % (endast 4 % felfrekvens). Av denna anledning implementerar AIS ett starkt system för kvalitetskontroll med styrelsecertifierade radiologer lätt i kretsen genom daglig kvalitetsgranskning av inlämnade ärenden, autodirigering av nya fynd för radiologgranskning och ett klick-inlämning för att begära en radiologgranskning. När RapidRead-verktyget används på rätt sätt, och i kombination med en robust radiologövervakning, är bidraget med användbar information för fallet och noggrannheten 100 %.
Trots den höga nivån av överensstämmelse mellan RapidRead och röntgenläsande rapporter, är förståelsen för korrekt användning av AI för att generera röntgenrapporter fortfarande den drivande faktorn för hur användbart ett sådant verktyg kan vara för en enskild klinik. Med tanke på likheten i utseende och ”känsla” av RapidRead-rapporten (Figur 4) och en rapport från en radiolog, är det lätt att falla in i tron att RapidRead är motsvarigheten till en ”mekanisk radiolog” som utvärderar för alla möjliga avvikelser precis som en radiolog. Detta är dock långt ifrån fallet. En artificiell intelligensmodell kommer bara att utvärdera för de fynd som den har utbildats för. När man till exempel tittar på listan med fynd för RapidRead (Figur 2), är det uppenbart att graviditetskontroll (antal valpar) inte finns på listan. Att skicka in en konsultation till RapidRead och förvänta sig att veta om patienten är dräktig eller hur många valpar som finns skulle inte ge användbar information. Tänk på analogin av ett fullständigt blodvärde (CBC) kontra en kemipanel. Vi skulle inte skicka in en CBC som förväntar oss att få leverenzyminformation eftersom vi förstår att leverenzymnivåer inte är en del av CBC-testverktyget. Cirka 8 % av fallen som skickas till RapidRead är olämpliga för utvärdering av maskinen. Det vill säga en kroppsdel, art eller modalitet ingår som maskinen ännu inte är utbildad för.
Det är också viktigt att komma ihåg skillnaden mellan diskriminerande och generativa AI-modeller som beskrivits tidigare i den här artikeln och att RapidRead är byggd med diskriminerande AI-programmeringsmodeller, inte generativa modeller. Det är inte programmerat för självständigt lärande. Att skicka in bilder av en kroppsdel eller art som för närvarande inte utvärderas av RapidRead och att förvänta sig att den ska ”lära sig” av dessa bilder skulle därför inte heller vara användbart.
Å andra sidan är RapidRead omfattande utbildad i de resultat som anges i figur 2. Till exempel, om vi letar efter att ta reda på om en patient har hjärt- eller lungförändringar som kan kontraindicera anestesi eller om vi vill avgöra om en patient med gastrointestinala tecken är obstruerad, är RapidRead ett mycket användbart verktyg för att snabba upp expertnivåinformation till vårdcentralen inom några minuter (mot timmar till dagar för traditionella radiologläser).
Å andra sidan är RapidRead omfattande utbildad i de resultat som anges i figur 2. Till exempel, om vi letar efter att ta reda på om en patient har hjärt- eller lungförändringar som kan kontraindicera anestesi eller om vi vill avgöra om en patient med gastrointestinala tecken är obstruerad, är RapidRead ett mycket användbart verktyg för att snabba upp expertnivåinformation till vårdcentralen inom några minuter (mot timmar till dagar för traditionella radiologläser).
Slutsats
Artificiell intelligens har kommit in i våra dagliga liv i en spännande – vissa kanske till och med säger alarmerande – takt. Som med all ny teknik finns det en period av lärande och anpassning. Med kunskap kan komma förståelse ofta följt av assimilering. Användningen av AI inom veterinärmedicin finns redan inom många områden, inklusive arbetsflöde, mätning och segmentering, och som ett diagnostiskt verktyg inom vissa specialiteter som patologi, kardiologi och diagnostisk bildbehandling.
Att förstå grunderna bakom maskininlärning är nyckeln till att hjälpa var och en av oss att bäst förstå dess användning i diagnostisk bildbehandling. Utvecklare måste förstå att stora mängder data, datavetare och domänexperter krävs för att bygga en ansvarsfull och korrekt AI-produkt. Slutanvändare måste förstå den korrekta användningen av AI-verktyg för att gynna patienten på bästa sätt. Det är först när dessa faktorer samverkar som vi kan nå vårt slutmål att förbättra livet för husdjur och klienter med artificiell intelligens.