2022 年 4 月 4 日——大规模实施放射学人工智能 (AI) 并不容易。在2022 年春季虚拟会议上，Radiology Partners (RP) 的 Nina Kottler 博士分享了从他们的 AI 部署中吸取的五个经验教训。
“人工智能将继续存在，”科特勒说。“我们应该接受它作为我们未来的一部分。如果我们接受它作为我们未来的一部分，如果我们接受它并了解它并成为专家，我们就可以推动这将走向何方。”
1. 放射学 AI 采用的规模化是一个非线性过程
在 RP，AI 的实施速度在最初几年内进展得非常快。但根据科特勒的说法，它随后放缓了。
她说，最初用于试点测试计划的流程现在需要重写。此外，需要开发基础设施以支持高速增长和采用。
“对一个人或 10 人甚至 100 人有效的方法对 1,000 人无效，”她说。“而且你需要从技术角度让它发挥作用。一旦你这样做了，事情就会再次起飞。”
2.人工智能可以产生意想不到的发现
在为关键发现部署计算机辅助分类算法后，RP 发现这些算法使他们的放射科医生更有效率。
“我们发现放射科医生的效率更高，因为他们对阴性研究的效率更高，”她说。“消极的研究比积极的[研究]多得多。”
计算机辅助分类算法还可以使放射科医生更加敏感。Kottler 说，尽管这些先前遗漏的结果中的绝大多数都是微妙的发现，但这并不意味着它们可以被忽略。
Kottler 说，如果结果数据最终可以表明这些检测是值得的，那么这些 AI 发现可能会用于分类目的，从而帮助患者和医疗系统。
人工智能还可以提供一些意想不到的发现。在她的演讲中，Kottler 分享了他们的肋骨骨折检测算法如何揭示创伤患者的气胸以及检测到病理性肋骨骨折后的骨转移。例如，在应用用于检测颅内出血和肺栓塞的算法时，也发现了类似的意外发现。
“人工智能会找到一件事，而我，因为当我专门观察它时，我非常适应那一件事，所以我可以找到更多，”她说。“这就是人类与人工智能结合在一起会变得更好的地方。”
3. 是时候投资放射学 AI 教育了。
根据科特勒的说法，放射科医生需要成为人工智能方面的专家。
“花点时间从早期学习者或早期采用者转变为早期专家，”她说。
但这种教育不可能是一次性的。
“你需要回去重新教育，并确保有人积极培训放射科医生并加强这些信息，”科特勒说。
4. 人工智能需要整合到放射学工作流程中。
目前有三种可行的选项可将 AI 集成到放射学工作流程中。根据 Kottler 的说法，AI 结果被发送到 PACS，PACS“调用”AI 查看器，或者 AI 查看器嵌入在 PACS 中。
“希望将来会有像我们正在使用的 FHIR 标准或其他标准这样的标准，这些标准将使我们能够在 PACS 系统中集成和使用我们需要的信息，”她说。“我们只是还没到那里。”
5. 需要一个平台来部署人工智能和自动化工作流程。
科特勒说，需要一个大规模利用人工智能的平台。
“该平台必须能够大规模获取我们在放射学中拥有的所有这些非结构化数据，并能够实时移动它，这并不容易，”她说。
该平台需要将成像数据发送到 AI 系统，然后向下游发送给放射科医生或其他用户。这需要两个级别的编排：一个确保正确的成像数据被发送到正确的人工智能系统，第二层确保人工智能结果到达他们需要的地方。
根据 Kottler 的说法，这种编排任务最好通过云原生平台来处理，而不是本地服务器。
“这是根据需要真正扩大和缩小资源规模的唯一方法，”她说。“它不是基于总量;它是基于你在任何一秒内发送的数量。在任何一秒内，你都可能以你的规模发送数千个实例，而你需要能够管理它的东西。”
