乳腺影像诊断中人工智能构思与实施的障碍与促进因素:一项范围综述
该范围综述检索2012至2022年六个数据库,纳入107篇文献,识别出乳腺临床影像中人工智能构思与实施的六大障碍(数据、黑箱与信任、算法与构思、评估与验证、法律伦理经济、教育)和五大促进因素(数据、临床影响、算法与构思、评估与验证、教育),强调需所有利益相关方协调参与以改善乳腺癌诊断。
要点
- 主要障碍涉及数据、黑箱与信任、算法与构思、评估与验证、法律伦理经济及教育六类。
- 主要促进因素涉及数据、临床影响、算法与构思、评估与验证及教育五类。
- 原文强调需所有利益相关方协调参与以改善人工智能乳腺癌诊断。
核心结论
- 该范围综述强调需在临床实践中仔细设计、部署和评估人工智能解决方案,并让所有利益相关方参与,以改善医疗保健。
研究设计与样本
- 范围综述,检索2012至2022年PubMed、Web of Science、CINHAL、Embase、IEEE和ArXiv六个数据库,最终纳入107篇文章。
诊断标准与关键数值
- 识别出六大障碍:数据(B1)、黑箱与信任(B2)、算法与构思(B3)、评估与验证(B4)、法律伦理经济问题(B5)和教育(B6)。
- 识别出五大促进因素:数据(F1)、临床影响(F2)、算法与构思(F3)、评估与验证(F4)和教育(F5)。
临床应用与阅片要点
- 原文指出识别障碍与促进因素及建议解决方案可指导和启示未来研究及利益相关方改进临床实践中人工智能乳腺癌检测的设计与实施。
- 原文建议可考虑大型数据集倡议、更适配的算法方法或通过支持患者保密法规促进数据共享与合作以应对数据挑战。
- 原文建议可更多依赖符合法规的自动化系统并简化临床标注者工作以支持数据标注。
- 原文建议涉及并培训具有医学影像经验的医疗专业人员(如放射技师)参与影像数据收集和标注。
- 原文建议需聚集所有利益相关方以定义人工智能模型设计与比较的共同指南。
局限性
- 原文未报告局限性。
全文中译40 节 · 点击展开
引言
尽管人工智能(AI)在提升乳腺癌诊断方面已展现出前景,但在临床实践中实施AI算法仍面临各种障碍。本范围综述旨在识别这些障碍和促进因素,以突出在乳腺癌影像中开发和实施AI解决方案的关键考量。最早通过传统计算机辅助检测(CAD)纳入AI技术的模态是乳腺X线摄影(MG)[1]。CAD最初开发用于协助放射科医师检测他们在没有CAD帮助的情况下可能遗漏的乳腺癌。然而,一项纳入超过495,000例数字筛查乳腺X线摄影的大型研究,由271名放射科医师比较了使用和不使用CAD的筛查乳腺X线摄影性能,结果表明传统CAD系统并未提高筛查性能[2],因此对患者没有临床获益。在过去十年中,AI的进步促进了基于AI的CAD的临床研究和实施,因为它提供了更优越的检测性能,同时不依赖于手工设计的影像特征[3]。许多研究表明,AI在使用MG、超声(US)或磁共振成像(MRI)检测乳腺癌方面具有良好的性能——与放射科医师的表现相似[4–8]。此外,当放射科医师使用AI时,无论其经验如何,放射科医师判读的变异性更小,从而带来更可重复和标准化的诊断[4, 7]。最后,AI处理和分析了图像的速度比放射科医师更快。考虑到MRI是一种多参数模态,包含大量序列,这一优势尤为明显,可显著减少阅读时间。在MG筛查项目产生大量检查的情况下,AI可用于乳腺X线摄影分诊,通过自动检测正常检查,使放射科医师能够专注于其他更复杂的检查[9]。对数据质量和数量的巨大需求构成了一项劣势,因为如果数据不足或质量不够,AI模型可能产生偏倚。可用数据的数量因模态而异;数字乳腺断层合成(DBT)和MG通常更受青睐,因为它们可及性高[10]。另一个劣势涉及模型的外部验证;大多数模型基于单一数据集进行训练和开发,因此不易应用于不同人群或临床环境[11]。AI对乳腺影像既可带来优势也可带来劣势,更准确地说,在临床乳腺影像环境中实施此类系统的障碍和促进因素尚未被明确阐述。虽然既往范围综述已部分涉及在乳腺癌影像中实施AI的障碍[12, 13],但它们未提供这些障碍的全面概述。本研究旨在通过识别和分类在临床乳腺影像实践中开发和实施用于癌症检测的AI解决方案的关键障碍和促进因素来填补这一空白。
方法
在六个数据库(PubMed、Web of Science、CINHAL、Embase、IEEE、ArXiv)中进行了文献检索,以获得详尽的结果。检索时间限制为10年(2012–2022年),以聚焦人工智能在临床乳腺影像学中的最新进展。任何设计类型的已发表文章均符合纳入条件。我们排除了会议摘要,因为其不包含本综述所需的足够数据。检索策略细节由M.P.设计,见补充材料S1。
研究的选择分两个阶段进行,如PRISMA [14] 流程图(图1)所示,使用RAYYAN工具 [15]。第一阶段,两位评审者(J.S.、B.L.)独立筛选每篇文章的标题和摘要。第二阶段,对入选的研究以及通过筛选参考文献列表发现的其他文献,根据纳入标准进行独立评审。当两位评审者之间存在分歧时,通过讨论解决分歧。无需第三位评审者。当文献提及人工智能在乳腺影像学中用于癌症检测的障碍和/或促进因素时,即纳入。以下标准导致文献被排除:仅关注性能,
使用合成数据集或通过体模采集的数据,
非乳腺常规临床成像(如热成像、微波乳腺成像),
关注组织病理学图像,
会议摘要。
无法找到或无法获取的文献也被排除。最终纳入的研究被整理在一张表格中,包含研究的结构化信息和特征(如作者、发表年份、地理信息、文献类型、成像模式)(补充表S4)。
结果
纳入出版物的特征
在筛选的1476篇出版物中,纳入了107篇(图1)。大多数文献来自美国(n = 37)和中国(n = 17)(图2),且很大比例(89.7%)发表于2018年之后(图3)。如图4所示,大多数文章关注单一成像模式,包括乳腺X线摄影(MG)(n = 39)、超声(US)(n = 16)、乳腺磁共振成像(MRI)(n = 6)和数字乳腺断层合成(DBT)(n = 2)。在“其他”类别中,研究涉及两种或三种成像模式(n = 7),如CT和US(n = 1)、MG和DBT(n = 4)、MRI和US(n = 1),以及CT和MRI和US(n = 1)。“全部”类别指将乳腺影像学作为一个整体纳入,总体提及所有成像模式(n = 37)。图5显示大多数文章为综述文章(57%)和原创研究论文(34%)。纳入范围综述(n = 2)和系统综述(n = 2)(4%),以及一些观点类文章(n = 6,5%)。极少数文章公开其数据(n = 6)或代码(n = 8),或可向作者申请获取。详情见补充表S4。
人工智能在乳腺临床影像学中已识别的主要障碍和促进因素
通过第一轮筛选阶段识别了障碍和促进因素,随后通过对纳入研究的全文分析进行迭代澄清和丰富。详细表格见补充表S2和S3。表1报告了从纳入论文中得出的主要障碍和促进因素及其相对频率。我们识别了六大障碍,涉及数据(B1)、黑箱与信任(B2)、算法与构思(B3)、评估与验证(B4)、法律、伦理和经济问题(B5)以及教育(B6)。我们确定了五大促进因素,涉及数据(F1)、临床影响(F2)、算法与构思(F3)、评估与验证(F4)以及教育(F5)。图6显示,主要障碍的报告频率是主要促进因素的两倍。子障碍和子促进因素也按以下所述得出。
B1 数据
数据规模和多样性(B1.1)
大多数出版物(n = 60)报告了用于训练和验证的数据集规模较小的问题,因为数据集的规模相对较小[16],无法充分训练人工智能算法。提及的不同原因包括:由于隐私问题或技术限制(例如,配对影像数据的采集)导致的数据可用性有限[17, 18];数据多样性不足(人群和成像方案的多样性、病理细微差异等),通常导致过拟合;或数据平衡问题(数据集中类别代表性不足/过度,在医学领域常见,可能影响预测准确性)[11, 16, 17, 19–22]。
数据质量和数据处理(B1.2)
与数据数量相关,模型性能取决于受噪声或缺失/不完整数据影响的数据质量。这一障碍经常被提及(n = 48),因为它需要适当的数据标注,并辅以可靠的注释方法,而这可能是一个非常苛刻的过程(需要训练有素的人员来标注或验证数据)。如果不充分执行,这一过程被认为是昂贵、耗时且主观的[18, 19, 23–28]。
数据共享(B1.3)
跨主体(机构、研究团队等)共享和汇集数据的能力被报告为有限(n = 15)。这些限制涉及患者保密、法规、机构政策或利益相关者的不同利益[10, 23, 29, 30]。
B2 黑箱与信任
模型透明度(B2.1)
模型透明度的障碍经常被提及(n = 51)。需要开发能够解释预测内容、预测方式以及预测置信度的透明模型。因此,拥有一个可解释的人工智能系统(系统所遵循的原理)对于检测算法可能产生的偏差非常重要[11, 31, 32]。在文献中,“透明度”、“可解释性”和“可解释性”这些术语经常互换使用,且没有普遍接受的定义;因此,所有三个术语被归为一组。
临床医生信任(B2.2)
与可解释性问题相关,AI系统的采用取决于放射科医师对AI系统及其发现所拥有的信心水平,也取决于他们对该工具的理解(n = 19)[24, 33, 34]。避免对AI系统的依赖以保持用户批判性思考和做出良好患者决策的能力,也与放射科医师的信任相关联[35, 36]。
患者信任(B2.3)
患者对AI系统的信心(n = 11)同样被报告为重要,其重要性与放射科医师的情况相同,并且在诊断披露时也与人与机器之间的沟通相关联[3, 37]。
B3 算法与构思
模型架构(B3.1)
存在种类繁多的AI算法模型,以及对这些模型进行参数化、训练、验证和测试的多种方式。这导致难以针对特定目的选择和调优正确的架构,也难以设计客观的方法来比较模型之间的结果(n = 16)[20, 26, 38]。
技术限制(B3.2)
模型架构可能对输入数据施加一些限制(n = 17)(数据维度、分辨率、布局等),从而导致数据变换(例如数据降维)[10]。同样,硬件限制(存储、内存、计算能力等)可能限制可用模型的选择,或进一步促使数据变换[26, 38–41]。最后,与AI工具在临床实践中整合相关的困难(例如与PACS和RIS系统的兼容性、成像模态的特性)也属于这些技术限制的一部分[33, 42, 43]。
多变量数据(B3.3)
由于临床推理所必需的多变量数据的复杂性,开发高效算法更具挑战性。这些数据包括多模态成像、多参数协议、临床知识以及既往或对侧检查(n = 28)[29, 44]。
利益相关者的参与(B3.4)
在AI系统的设计和开发中,所有利益相关者(临床医生、数据科学家、研究人员、产业界、政策制定者、患者等)之间需要更紧密的协作(n = 29)[1, 19, 33, 45],共享开发工具和流程,以及定义用于评估和模型比较的通用定义和指标[18, 27, 28]。
B4 评估与验证
有意义的临床验证(B4.1)
对临床效用、性能和采用情况的评估至关重要,因此在研究中被频繁提及(n = 44)。需要前瞻性研究来评估临床环境中的性能及其对临床医生的影响,区分工程指标与临床指标[11],以及临床场景的类型(例如筛查与随访)。应开展大型试验,可能需要在较长时间内进行,并提倡使用独立测试数据集[1, 3, 19, 28]。
数据变异性(B4.2)
在真实世界临床实践中,存在固有的数据变异性,取决于例如制造商、设备使用年限和特性、成像协议以及人群特征,必须加以考虑以评估所部署AI系统的泛化能力(n = 54)[10, 19, 27]。
质量保证(QA)(B4.3)
建议对人工智能算法进行持续监测(n = 17),以实现持续改进或防止因变化导致性能随时间下降,需要投入充足资源建立质量保证(QA)程序 [40, 43, 46]。
B5 法律、伦理和经济问题
责任(B5.1)
关于患者诊疗决策的最终责任,存在许多未解问题(n = 22)(例如,最终决策能否由人工智能系统做出?谁将为错误负责?人工智能是否会对放射科医生产生负面影响?),因此这些问题需要得到解决 [11, 42]。
法律和政策(B5.2)
这一障碍(n = 24)强调了对患者隐私政策、人工智能解决方案的市场批准或许可、知识产权(例如,谁拥有数据?)以及监管指南的重要性的担忧 [11, 19, 33]。
公平人工智能(B5.3)
人工智能系统中存在许多无意引入偏倚的方式(例如,在数据收集或开发阶段),至关重要的是采用公平人工智能实践,促进不同人群在诊断和治疗中的公平性,而不排除少数群体(n = 22)[21, 28, 30]。
网络安全(B5.4)
少数研究报告了对网络安全的担忧(n = 10)。医疗健康数据极为敏感,有报告指出必须解决安全风险、防止影像数据破坏/操纵(例如,通过插入或移除病变进行对抗性攻击),并确保数据保护和隐私 [3, 19]。
经济问题(B5.5)
一些论文提到了经济障碍(n = 11),原因包括利益相关者之间的不同利益(例如,公司 vs. 研究人员)、报销政策(例如,计算机辅助诊断(CAD)在美国可报销,但在欧盟大多数情况下不可报销,筛查可能是潜在例外)[47]、因不必要措施(非相关发现导致过度诊断或过度治疗)导致的医疗成本增加 [48]、数据收集和处理成本(尤其是来自昂贵/较少见模态如磁共振成像(MRI)的数据),以及运行和维护人工智能系统的成本 [23, 33, 45]。
B6 教育
用户教育(B6.1)
少数论文(n = 5)报告称,用户(放射科医生、患者、卫生专业人员等)必须对人工智能数据(收集、标注等)和人工智能工具(术语和概念、方法和应用等)有足够的知识,以便批判性地评估它们,并了解其优势和局限性 [9, 11, 33, 35]。
F1 数据
数据集倡议(F1.1)
多个公共和私营部门机构已提出倡议,创建大型、多样化、标注的数据集,并将其提供至公共数据库、挑战赛等(n = 15)[19, 23, 32, 39, 49]。
应对数据障碍的算法方法(F1.2)
一些解决方案被提及或用于尝试解决数据缺乏或不可共享的问题(n = 27)[28],如联邦学习(数据保留在本地但算法参数传输 [10, 19])、群学习 [10]、迁移学习 [16, 26]、数据增强 [49]、数据归一化 [10] 和生成模型 [39]。
F2 临床影响
诊断性能(F2.1)
使用测试集评估模型/AI系统的性能。在不同研究中,通常使用的指标是ROC曲线下面积(AUC),或敏感性和特异性,无论是否与放射科医生比较或与放射科医生结合使用。总体而言,所调查的综述和原创研究工作(n = 53)报告了良好的诊断性能[5, 8, 50, 51]。
临床工作流程(F2.2)
大量论文(n = 58)报告称,AI系统通过提高临床实践中的效率对临床工作流程产生了积极影响,例如分诊、使用AI作为校对工具、减少阅读时间、改善与患者的沟通、减少放射科医生疲劳、降低成本或更可重复的判读[9, 11, 12, 52, 53]。
F3 算法与构想
多变量数据(F3.1)
一些论文(n = 24)认为,多变量数据(例如多模态成像、多参数协议或纳入临床非影像信息)可为AI工具带来更好的结果,因为每种数据源都提供有价值的信息,而机器学习(ML)提供了接纳多维数据的方法[10, 13, 37, 54]。
大量算法(F3.2)
也有报告称,所开发的大量算法为AI整合提供了更大的灵活性(n = 11)。使用集成模型结合多种算法的预测也被报告为提高性能的一种方式[21, 32, 55, 56]。
F4 评估与验证
AI可及性的增加(F4.1)
越来越多的(经认证的)AI产品被应用于临床实践,促进了临床试验和前瞻性研究的开展(n = 3)[19, 34, 37]。
AI方法的基准测试(F4.2)
有研究提到(n = 6)国际科学挑战赛通过提供开放且可重复的评估(训练和测试数据、评估指标和工具),强烈鼓励或要求参与者共享计算机代码,从而有助于加强AI方法的基准测试[47, 57]。
F5 教育
AI用于教育(F5.1)
少数论文(n = 5)强调,某些系统或模型可用于临床医生的教育,例如生成模型生成图像用于放射科医生的培训[39, 50],或系统就图像质量或采集参数向放射技师提供反馈[48]。
讨论
本范围综述全面总结了在临床环境中创建和部署AI时遇到的障碍和促进因素。由此可以找到解决方案并采取措施,以便在实践中更好地实施AI系统——为患者和临床医生带来切实的益处。
构想
在纳入的研究中,数据规模(B1.1)和数据质量(B1.2)的重要性最为突出,这与机器学习有效性以及数据共享问题直接相关(例如,如补充表S4所示,原始论文中不到17%的数据可公开获取或经申请获取)。由于筛查项目的开展和可用性的提高,研究强调,与涉及超声(US)和磁共振成像(MRI)的研究[1, 10]相比,数字乳腺X线摄影(MG)和数字乳腺断层合成(DBT)研究通常拥有大型数据集(数千名患者,MG研究[58]和DBT研究[51]中分别为9919至32714名女性),且往往在多个中心采集。MRI研究尤其缺乏数据(纳入研究中从93名[59]至1715名患者[25]不等,MR协议类型各异)。虽然超声成像可能受益于更广泛的可及性,但研究中观察到显著差异,患者数量从92至5151不等[54, 60–67]。数据的多样性也被报告为一个关键问题,因为临床数据常因疾病患病率、数据可用性或人群特征而不平衡,这在机器学习领域仍是一个尚未解决的、仍在研究中的问题[16]。在实践中,数据整理是一项困难和繁琐的任务,尤其取决于所收集数据的类型或成像模式。在不干扰临床实践工作流程的情况下进行采集、匿名化处理、伦理委员会要求以及合规且稳健的数据库,是这一过程中面临的众多障碍之一。尽管昂贵且耗时,但经临床专家验证的数据整理仍然是绝对必要的[68]。
为应对这些挑战,可以考虑一些解决方案,如大型数据集倡议(F1.1)(例如向研究界开放的竞赛成果[57, 69])、更适配的算法方法(F1.2),或通过支持有利于研究的患者保密法规(如普遍化患者知情同意)来促进临床机构间的数据共享与协作。这些行动有助于获得更大、同时也更具代表性和多样化的数据集。
为支持数据标注,一项建议是更多地依赖符合法规的自动化系统,减轻临床标注者的工作负担。例如,放射学报告中记录的病理发现可通过用户友好的报告工具与图像中的精确位置相关联,从而简化数据标注并加快处理速度。在创建乳腺超声病变数据挑战赛的背景下,Lassau等人[57]观察到,依赖专业工具以集中和自动的方式匿名化并收集来自十一个临床中心标注数据的附加价值,且符合GDPR等法规。让具有医学影像经验的医疗专业人员(如放射技师)参与影像数据的采集和标注,并对其进行培训,可以是解决通常由放射科医生执行的耗时数据准备和处理工作的另一方案。
已识别出的涉及多参数的各种模型架构在构思阶段可能是一把双刃剑。一方面,这在设计上允许更大的灵活性,并有助于强化某些模型(F3.2)。另一方面,在普遍存在技术和数据限制(B3.2和B3.3)的情况下,这也可能导致经验性的模型选择和参数设置(B3.1)。这加剧了为临床目标问题选择正确模型的难度——从而促使需要汇集所有利益相关方(B3.4)来制定用于AI模型设计和比较的共同指南[70]。幸运的是,代码的可获取性将持续增加(约30%可公开获取或经申请获取,补充表S4)——这有助于已发表作品的可重复性和透明度。
临床实施
尽管多项研究强调了AI系统在诊断性能(F2.1)和临床工作流程改进(F2.2)方面的潜力,但只有少数被正确实施并用于临床实践。在最近两项关于AI在乳腺癌筛查项目中应用的系统综述中,未发现针对检测准确性的前瞻性研究[71]。这是一个关键点(B4.1),因为前瞻性研究设计对于评估真实临床影响至关重要。多中心研究对于评估所开发AI系统在不同设备、采集方案和人群中的泛化性也非常重要[3]。如果数据可以在机构间共享,则可促进在其他数据和成像设备上的验证,并且对AI系统进行持续更新和质量控制将成为可能。
在纳入的研究中,模型透明度(B2.1)是常被报告的障碍。现代AI算法的黑箱性质是临床实施的主要障碍,原因在于对决策的解释有限,以及可能存在偏倚——这侵蚀了临床医生和患者的信任。机器学习界正在研究许多解释AI模型决策的方法,但这些方法应在临床实践中与最终用户一起进行验证[72, 73]。展望未来,未来的研究必须侧重于系统性地开发更透明的AI算法,使用或创建可解释性方法。此外,这些方法需要经过评估以防止潜在偏倚。
这些伦理方面与随着AI发展而日益突出的法律关切密切相关。目前,尚无关于医学中AI监管指南的国际法律或共识。然而,许多国际支持行动(如WHO [74]和OCDE [75])和国家倡议正在制定中(如美国FDA的“软件作为医疗器械行动计划”[11]或欧盟患者的“解释权”[76])。尽管如此,我们坚信实现AI监管的国际共识势在必行,而非仅依赖区域或国家倡议。
乳腺成像模式的特殊性
已确定的障碍和促进因素在全球临床乳腺影像学的每种模式(MG、DBT、US或MRI)中均可见;尽管如此,也识别出了与每种模式特异性相关的细微差别。与其他模式相比,US由于操作者的专业水平、图像质量评估、采集变异性(例如探头定位、组织压迫、使用多普勒或弹性成像等其他成像技术)以及设备参数,更加强烈地依赖操作者。这种变异性阻碍了模型的训练和应用[77–79]。此外,使用常见的数据增强技术时需要特别注意,因为它们可能改变乳腺病变的典型模式(例如后方声影的存在)[79]。最后,嵌入式AI系统通常被期望用于实时US检查,鉴于其低计算能力,这引入了显著的技术限制[54]。
即使为MG开发的AI方法可以通过迁移学习应用于DBT[80],DBT仍然存在一些与多角度采集相关的特殊性,允许评估乳腺不同深度[80]。这一过程在不同临床中心之间未标准化(图像数量和角度范围),因此需要进行多中心和多厂商研究[81]。
乳腺MRI产生大量数据,主要是由于该模式的多参数性质(多种类型的序列),涉及高维数据,例如DCE-MRI(动态对比增强MRI)、4D超快序列(随时间变化的高时间分辨率3D图像系列,允许在1分钟内可视化对比剂摄取)以及扩散序列。由此产生的3D和4D数据系列由于技术限制(内存和计算资源)以及缺乏现成的ML架构来有效支持和处理数据(尤其是4D数据)而难以处理。这通常导致数据变换(如降维),存在丢失信息的风险[10]。
具有局限性和展望的方法学选择
尽管AI性能指标在调查文献中占主导地位,我们有意选择在范围综述的背景下不侧重于性能指标。然而,当报告了积极的临床影响时,性能维度在促进因素中被考虑,因为性能良好的AI解决方案更有可能在临床实践中被实施或接受。
除了明确提及AI在乳腺影像诊断中的障碍和/或促进因素的工作外,我们决定还纳入一些根据研究设计或作者评论间接涉及障碍或促进因素的论文。同样,我们纳入了一些并非专门关注乳腺癌的出版物,因为它们在乳腺癌影像学背景下具有相关性,并且因为它们丰富了已识别障碍和促进因素的分析。纳入综述、观点文章和原创研究的决定也有助于更全面地范围扫描文献。
大多数纳入的论文来自美国、中国、韩国、印度和欧洲国家(图2);因此,本范围综述的结果无法反映全球所有国家的具体情况。例如,取决于某些国家获取途径的困难或社会经济限制,某些障碍可能变得更加重要[82],但也可能出现促进因素,例如对人工智能的需求增加以应对合格专业人员的短缺。这可能为未来聚焦地理、文化和社会经济问题以及与乳腺癌护理中引入人工智能相关的潜在差异的研究铺平道路。
作者观点
在人工智能系统可持续地应用于临床实践之前,仍有工作要做。在研究方面,我们认为促进透明性和可重复性很重要。此外,重要的是要认识到人工智能模型容易受到偏倚的影响,特别是在数据不平衡或某些人群代表性不足的情况下。为解决这一问题,文献中建议研究应系统地纳入人口学数据(如年龄、性别、族裔)并全面描述为确保数据质量所采取的措施[68, 83]。这种方法可以对模型中的偏倚进行评估。
在实践中,迫切需要通过开发自动化工具以及所有从事乳腺影像工作的卫生专业人员(包括放射技师、放射科医生和医学物理师)的积极参与,建立数据收集和处理的方法。例如,放射技师可以在数据收集、数据处理、协议优化、评估、临床整合以及人工智能开发和维护的质量控制等任务中承担更重要的角色[19] [84–86]。另一个需要强调的关键方面是,卫生专业人员、患者乃至整个社会的信任会影响人工智能在临床环境中的整合和采用。为应对这一障碍,关键在于在构思阶段专注于具有稳健可解释性方法的透明人工智能算法和用户友好的人工智能界面系统。此外,应更加关注对卫生专业人员和患者进行人工智能教育。本范围综述揭示了医疗保健专业人员持续缺乏教育的问题,尽管已有建议[11, 87],人工智能仍未充分纳入其课程。患者对人工智能的接受度也是一个决定性因素,研究表明,在医生持续监督下,患者对人工智能的使用更容易被接受[88]。这是可以理解的,因为医生会考虑患者的完整病史,而人工智能系统通常仅关注其设计所针对的影像模态。患者对人工智能也存在担忧,例如保留选择权和自主权、确保人工智能安全性以及管理成本[89]。必须通过实施诸如获取知情同意、建立稳健的数据隐私安全措施以及确保人工智能服务被医疗保险覆盖等做法来应对这些担忧。总之,我们强烈建议将人工智能培训纳入专业教育项目,并辅以持续培训以跟上快速发展的技术。此外,应积极让患者参与其中,使其获得充分信息并有机会参与有关其照护管理和治疗的决策。所有利益相关者,包括患者和医疗保健专业人员,都应积极参与医疗保健中人工智能的开发。
结论
通过识别障碍和促进因素以及建议的解决方案,本范围综述可为未来研究方向提供有价值的指导,并支持利益相关者在临床实践中加强人工智能用于乳腺癌检测的设计和实施。它强调了在实践中仔细构思、部署和评估人工智能解决方案的必要性。幸运的是,大多数已识别的障碍都有相应的促进因素——这表明正在探索解决方案以缓解临床人工智能当前面临的问题。毫无疑问,人工智能可以改善乳腺癌影像,但需要利益相关者之间大量协调努力。特别是,参与医学图像生产和使用的卫生专业人员应接受人工智能原理培训,并与人工智能系统密切互动。
补充信息
以下是电子补充材料的链接。补充文件1(DOCX 390 KB)
引用
- Lokaj B, Pugliese MT, Kinkel K, et al. Barriers and facilitators of artificial intelligence conception and implementation for breast imaging diagnosis in clinical practice: a scoping review. Eur Radiol. 2023. PMID: 37658895. doi:10.1007/s00330-023-10181-6
- 全文:PMC10873444(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10873444/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。