Neurokuvan Diagnostiikan Säätiömallin Kliinisen Soveltuvuuden Validointi

Neurologiset sairaudet aiheuttavat vakavan uhan ihmisten terveydelle ja luovat merkittävän sosioekonomisen taakan. Kuvantamistutkimukset, kuten CT ja MRI, ovat korvaamattomassa roolissa sairauksien seulonnassa, kajoamattomassa diagnosoinnissa ja hoitopäätösten ohjaamisessa. Tekoälytyökalut (AI) ovat osoittaneet lupaavia kliinisiä sovellusmahdollisuuksia radiologien tuottavuuden vapauttamisessa ja potilaiden odotusaikojen lyhentämisessä, erityisesti kriittisessä hoidossa ja lääketieteellisesti alipalvelluilla alueilla. Vaikka perusmallilla koulutetuilla tekoälytyökaluilla oletetaan olevan luotettava yleistettävyys ja kyky sopeutua monimutkaisiin kliinisiin skenaarioihin, nykyisiltä tekoälyjärjestelmiltä puuttuu usein vankka validointi todellisessa kliinisessä käytännössä.

Kasvavan tarkkailulääketieteen kysynnän ja lääketieteellisen kuvantamisdatan tulvan edessä kliiniset tutkimukset ovat välttämättömiä tekoälyavusteisten järjestelmien diagnostisen tehokkuuden ja niiden sovellettavuuden laajemmassa kliinisessä ympäristössä vahvistamiseksi. Monitieteisen tiimin (yhdistäen asiantuntijuuden tekoälyssä, radiologiassa, ensihoidossa, neurologiassa ja patologiassa) ja aiemman tutkimuskokemuksen perusteella tämä tutkimus on suunnitellut kattavan ja vankan tutkimusprotokollan varmistaakseen tutkimuksen luotettavuuden, mikä lopulta helpottaa kliinistä siirtoa.

Tämä tutkimus olettaa, että radiologien työskentelyteho, jotka tekevät yhteistyötä neurokuvantamisen perusmallin kanssa aivojen CT- ja MRI-tutkimuksissa, ei ole heikompi kuin niillä, jotka työskentelevät itsenäisesti. Toissijaisten päätepisteiden osalta tutkimme tekoäly-radiologi-yhteistyön suorituskykyä tekoälytyökalujen kanssa todellisessa kliinisessä ympäristössä. Kliininen koe sisältää kolme alatutkimusta:

1. Poikkeavien tapausten tunnistaminen Aivoskannaukset, mukaan lukien normaalit ja kaikki neurologiset sairaudet sekä CT:ssä että MRI:ssa, annettiin satunnaisesti kahdelle radiologiryhmälle luokiteltavaksi normaaleiksi tai poikkeaviksi tapauksiksi joko ilman tai tekoälyavusteisen järjestelmän ennustetun merkinnän kanssa. Verrataan radiologien herkkyyttä, spesifisyyttä ja tehokkuutta tekoälyn kanssa yhteistyössä tai itsenäisesti työskennellessään.
2. Tutkimus kriittisen arvon tunnistamiseksi Tutkimus sisälsi tulevaisuuteen suunnatun, satunnaisesti valitun ensihoidon CT-datan 1–3 päivän ikkunasta. Kolmen paradigman – vain ihminen, vain tekoäly ja ihminen+tekoäly – suorituskykyä arvioitiin erikseen perustuen diagnostiseen tarkkuuteen, aikatehokkuuteen ja kriittiseen mittariin lyhyemmästä johtoajasta kiireellisten löydösten tunnistamisessa, kun tekoäly integroitiin verrattuna vain ihmiseen.
3. Sairausluokittelukoe Tulevaisuuteen suunnatusta ajanjakson tietojoukosta, joka sisälsi sekä CT- että MRI-tutkimuksia, hyödynnettiin. Kokeessa verrataan kolmen diagnostisen lähestymistavan suorituskykyä, mukaan lukien vain ihmisen tulkinta, vain tekoälyn analyysi ja ihminen-tekoäly-yhteistyötulkinta. Osassa I tehtävän suoritusaikaa, diagnostista tarkkuutta ja diagnostista palautusastetta (tapauksille, joissa on useita merkintöjä) laskettiin ja verrattiin kolmen menetelmän kesken seuraavasti: (1) Radiologit valitsevat itsenäisesti ja käyttävät tarjottuja sairauspohjia raporttien luomiseen, sitten poimivat diagnoosimerkinnät raporteista; (2) Radiologit luovat raportteja selatessaan kuvia tekoälyn luomien luokittelumerkintöjen ja tekoälyn määrittämien raporttipohjien avulla perustuen "midnights"-pääluokitusjärjestelmään; (3) Tekoäly luo automaattisesti täydellisen raportin ja luokittelumerkinnät. Osassa II alkuperäiset raportoivat radiologit kutsuttiin takaisin uudelleentulkitsemaan tutkimuksia, ja tämä uudelleenarviointi suoritettiin tekoälyn luomien merkintöjen ja vastaavien pohjien avustuksella. Osassa III hyödynnettiin suuren kielimallin/perusmallin luokittelukykyjä, ja järjestelmää arvioitiin useilla suurten otosten ulkoisilla testijoukoilla tarkkuuden ja käsittelyajan mittaamiseksi. Lisäksi satunnaisesti valittiin osajoukko tapauksia eri luokista neuroradiologien arvioitavaksi laskettavaksi diagnoosien ohittamis- ja väärindiagnoosiprosentteja.