将人工智能带入临床:供应商中立AI部署基础设施蓝图
当前AI算法开发快速增长但临床实际应用证据极少,主要障碍在于缺乏设计良好的供应商中立且面向未来的部署基础设施。本文描述了一种供应商中立AI部署平台(VNAI)的蓝图及其高层设计与实施考虑,该平台既可用于临床也可用于研发,并强调放射科医生、数据科学家、软件开发者和医院IT专家的紧密合作以及患者参与对成功将AI带入临床至关重要。
要点
- 针对放射科的AI算法产出正在快速增加,但日常临床实践中AI的 uptake 仍然缺乏。
- 专用的供应商中立AI部署基础设施有助于克服这一障碍。
- 将人工智能带入临床需要多学科团队协作。
局限性
- 原文指出目前几乎没有证据表明这些算法实际用于临床实践,AI算法在实际临床实践中的部署与开发和产出的快速步伐不相称,且几乎完全缺乏患者获益证据。
- 原文指出即使仅看FDA和EMA批准的算法,实际世界中的 uptake 也很少。
- 原文指出关于放射科医生生产力提高尤其是患者结局改善的证据,在未先实施AI的情况下将难以获得。
全文中译24 节 · 点击展开
要点
与放射科医生相关的人工智能算法的产出正在迅速增加。
人工智能在日常临床实践中的应用仍然不足。
一个专用的、厂商中立的AI部署基础设施可以帮助克服这一障碍。
本文描述了厂商中立的AI部署基础设施的各个组成部分。
将人工智能引入临床需要多学科团队。
引言:人工智能的临床 uptake 不足
人工智能(AI),广义上定义为能够执行如果由人类执行则需要智能的任务的算法[1],正在医学影像领域日益深入。数字影像数据的 ubiquitous 可用性、廉价存储和图形处理单元(GPU)以及用于创建AI算法的软件,导致算法开发呈指数级增长。尽管AI最常与分割或检测等图像分析任务相关联,但其应用范围要广泛得多。例如,大多数主要影像设备厂商现在正在为CT和MRI机器引入用于图像重建的AI算法,从而实现更快的重建并减少图像噪声。在另一端,AI技术被用于从诊断研究中提取预后信息。关于与放射科医生相关的基本AI概念的综述,我们参考欧洲放射学会(ESR)白皮书[2]。关于放射学中深度学习工作流程基本步骤的讨论,我们参考Montagnon等人的入门文章[3]。
鉴于这些发展,过去几年中对与实践放射科医生相关的AI开发的兴趣激增。在世界各地,研究人员正在创建算法,这些算法可以解决放射学护理连续过程中的各种问题,从患者影像检查的分诊,到图像采集和重建、报告以及从诊断研究中提取预后信息。此外,使用AI可获得的好处之一是通过自动化繁琐和重复的步骤并使其更加定量和精确,减少不同放射科医生之间报告的可变性。一项PubMed检索显示,新算法发表量的同比增长几乎呈指数级;截至2010年,医学文献中使用“机器学习”、“深度学习”和“放射学”检索词发表的论文不到50篇。在撰写本文时,已发表近4750篇论文[4],相当于约57%的年复合增长率。然而,几乎没有证据表明这些算法实际上被用于临床实践。换言之,AI算法在实际临床实践中的部署与开发和产出的快速步伐不相称,并且几乎完全缺乏患者获益的证据。
这种差异的原因是什么? uptake是否因获得监管批准所需的时间而延迟?这不太可能,因为即使仅查看FDA和EMA批准的算法,实际应用也很少。原因是预算滞后吗?放射科将需要提供资金来购买AI解决方案,而许多科室现在才刚刚开始这样做。但鉴于AI具有潜在的成本节约优势,且软件仅占放射总预算的低个位数比例,这也不能成为应用的主要障碍。是缺乏临床相关改善的有力证据吗?这是一个第22条军规式的困境,因为要获得放射科医师生产力提高、尤其是患者结局改善的证据,若不首先实施AI,将很难实现。
虽然所有这些因素都需要解决,但我们认为,AI广泛推广应用的主要障碍——以及解决方案——在于解决如何在临床实践中实际部署AI的问题。
开发供应商中立AI部署基础设施(VNAI)的理由
当前计算机辅助诊断(CAD)软件的采购和部署模式——在本文剩余部分我们将称之为“点解决方案”——并不十分适用于AI。在不久的将来,可能会有数十甚至数百个获得监管批准的临床有用AI算法。这不仅仅是选择的奢侈。重要的是要认识到,在未来数年内,这些AI产品将各自单独针对整个放射工作流程中一个狭窄、非常具体的领域。安装数十个或更多AI应用并协同工作,是跨越门槛以证明患者获益的必要条件。然而,为所有这些应用部署和维护数十个或更多单独的(虚拟)工作站甚至软件包,将难以管理。
几家供应商试图通过创建AI算法“市场”来解决这一问题,这一概念类似于例如苹果公司的App Store。尽管乍看之下这似乎是一个好解决方案,但它只解决了部分问题。虽然它可能使采购更容易,但并未解决实际的临床部署问题。此外,这些市场各自单独提供的算法仅占所有可用算法的一小部分。这不仅限制了选择,还引入了供应商锁定风险,从科室、放射科医师或患者的角度来看,这并不可取,尤其是当市场与某种部署路径耦合时。为解决部署和供应商锁定这两个问题,在过去四年中,乌得勒支大学医学中心放射科一直在开发供应商中立AI基础设施(VNAI)。
本文的目的是讨论投资VNAI的理由,并分享我们对此类AI部署平台的蓝图。然后我们讨论如何向放射科医师呈现结果以及治理和质量控制。最后我们简要讨论伦理问题,并分享未来展望,包括该平台作为医院中央“AI枢纽”的潜力。
投资VNAI的理由
有多个理由值得投资建设供应商中立AI平台(VNAI)。首先,它提供了一种可扩展的架构,能够在临床实践中轻松部署来自不同供应商的大量经FDA和EMA批准的算法。该平台可设置为基于特定的可编程触发器自动运行算法。此外,还可以预先编程算法级联,对同一患者的数据依次执行多个不同的操作。VNAI有价值的第二个原因是能够在实际购买之前测试和验证新算法。从学术和商业AI开发的角度来看,投资VNAI也是有益的,因为能够在真实世界临床数据上测试和验证研究算法。早期测试和临床医生的快速反馈创造了持续改进的迭代循环,并提供关于算法准确性和用户友好性的重要反馈。此外,能够在本地运行算法还消除了多机构和多国合作的一些重大障碍,因为它避免了传输患者数据的需要,而患者数据传输通常受到隐私法规和匿名化担忧的阻碍。从研究角度来看的另一个原因是,VNAI平台还可用于由多位专家同时进行大规模数据标注。放射科医生可以使用该系统快速用特定关键词、注释或其他ground truth数据标注图像,这些数据随后可用于开发新算法,甚至可以在执行临床任务的同时进行。
IMAGR是乌得勒支大学医学中心(UMC Utrecht)创建的VNAI,其创建时考虑了这些需求,是放射科、图像科学研究所和乌得勒支大学医学中心医学高级数据分析项目的联合成果。在以下各节中,我们将讨论IMAGR的组件、用户如何与该系统交互,以及关于质量控制、伦理方面和未来发展的考虑。
VNAI的组件
VNAI的主要任务之一是将图像处理和图像分析自动应用于放射学检查。从高层来看,有四个顺序关键事件描述了此类系统的本质(图1):系统被触发,例如:a当图像采集完成时自动触发
由放射科医生或技师在阅片过程中触发
由研究人员的(批量)查询触发
从PACS中检索相关图像序列。
应用算法流水线。
结果可供使用,例如:a返回PACS,无论是作为图像、优先级信号等。
通过专用阅片解决方案
发送至其他存储、数据库、电子邮件通知等。
在下一节中,将解释为执行这些事件的平台组件所做的高层设计选择。然而,所有组件有两个共同方面。为了将VNAI与现有医院IT基础设施集成,重要的是(1)遵守信息交换的行业标准,并(2)尽可能基于成熟、经过验证的技术进行构建。
与医院信息系统的连接
当放射学检查中的图像采集完成后,所得图像被发送至图像归档和通信系统(PACS),并通知医院信息系统(HIS)该子任务已完成。该通知触发PACS在放射科医师的工作列表中放入一个新子任务——检查采集图像。该通知也由VNAI处理,告知其与该特定检查相关的所有图像现在也可用于AI处理。
健康级别7(HL7)是用于传达这些通知的最广泛实施的消息传递标准[5]。因此,IMAGR被设计为订阅发送这些消息的HL7通道,并在获悉可能适合自动化分析的图像数据已可用时采取行动。
从PACS检索信息和图像数据
由于HL7消息不包含任何关于图像采集的具体信息,通常需要查询PACS以获取额外信息,从而验证图像数据是否适合自动化分析。在任何放射学PACS中,医学数字成像和通信(DICOM)是图像存储、交换和显示的标准。IMAGR中的AI算法嵌入在所谓的“流水线”中,即一系列模块化步骤,用于检索、准备和分析图像数据并处理结果。流水线(包括后续规则和过滤器)可由任何一组DICOM标签触发。如果某项检查符合任何流水线的预设标准,其相关图像序列将从PACS中检索并可供所有匹配的流水线使用。
一个此类流水线标准集的示例是:从三维T1加权MRI序列提供脑容量测定:[‘Modality’等于‘MR’,‘Body Part Examined’等于‘BRAIN’,‘Patient's Age’等于或大于18,‘Series Description’包含‘3D’和‘T1’]。在解析这些DICOM标签时,必须注意标准化是关键。因此,放射科技师应成为“AI-aware”,即他们应牢记其输入的信息将被自动处理。进一步需要注意的是,仍将有需要人工输入的任务。在将数据传递给AI流水线之前,人工干预可由执行自动化数据策管的专用算法补充。
运行算法
作为一个必须能够运行各种算法、且每种算法具有不同需求和依赖性的平台,容器化是IMAGR [6]中一项重要的底层技术。容器化涉及将应用程序与其在不同计算环境中高效且无冲突运行所需的所有相关配置文件、库和依赖项捆绑在一起。每条流水线由若干步骤组成,所有步骤均以微服务形式整合,运行在各自独立的虚拟环境中,可按需启动和停止。通过利用现有的容器软件,资源可以共享,并能实现高水平的安全性。存储和其他昂贵硬件(如GPU)成为惠及所有算法的共享资源,从而提高利用率并改善成本效率。
不仅算法,平台本身也以模块化、容器化的方式设计,这具有显著优势。容器以及(部分)平台可以轻松迁移到其他硬件。当可以使用非专用且具有成本效益的硬件时,扩展也应证明更为容易。隔离的组件可以在不影响宿主系统和其他组件的情况下更新,因为它们对宿主操作系统的依赖极小。通过精细调整每个组件的输入和输出配置,可以实现高水平的隔离。
流水线、模块化执行与调度
大多数图像分析算法可以拆分为子任务或模块,其中许多具有通用功能。这些功能可以是例如文件格式转换或图像预处理,如对齐、降噪或颅骨剥离等,仅举几例。如前所述,IMAGR平台将AI算法定义为此类模块的串联或流水线。这不仅有利于算法开发,还减少了计算负载,因为多条流水线共有的子任务只需执行一次。这种方法的另一个主要优势是,模块可用作构建块,以创建具有其组件组合能力的新流水线。作为一个实际示例,一个在全脑MRI上检测白质病变的算法可以与另一个完全不同的算法相结合,后者可将脑MRI分割为解剖亚区,形成一条新流水线,能够按解剖脑区量化白质病变。
一旦平台知道针对特定检查应运行哪些流水线,它就以有向无环图(DAG)的形式构建所有子任务的工作列表。该DAG指定了哪些子任务必须先于其他子任务完成(图2)。优先级任务调度器监督所有这些DAG,并在可能的情况下并行执行子任务,并根据所需资源、持续时间、工作负载和优先级以高效顺序执行。例如,需要大量计算资源但非时间关键的子任务可被安排为夜间处理。
算法版本管理:负责任的人工智能部署的关键组成部分
使用容器化应用的另一个好处是易于进行版本控制。同一容器的近期版本和较早版本可以存储在本地注册表中,并在需要时从那里拉取。这是点解决方案几乎无法实现的能力。版本管理将被证明是负责任的人工智能部署的关键组成部分。由于人工智能的本质是从数据中学习,与确定性的计算机辅助诊断(CAD)系统不同,人工智能算法将随时间持续改进。这将使纵向研究的临床判断关键取决于能否区分疾病的演变与人工智能应用底层神经网络的演变。以年度随访研究为例,放射科医生会希望同时看到当前版本人工智能算法的结果,以及去年数据上运行的算法版本的结果。供应商中立的人工智能(VNAI)的一个重要优势是,这样的框架能够保留特定算法的较旧版本。也就是说,方法不需要被更新版本所替换,而是新版本与现有版本并存可用。然而,这并不意味着所有版本都会在常规工作流程中运行。这意味着,如有必要,纵向研究可以例如使用恒定、不变的method版本进行。对方法的更改可以在变更日志中描述。这样的设置还可以揭示输出变化是由算法本身的改变还是患者疾病状态的改变所致。因此,与目前的情况相比,IMAGR框架使版本管理更加透明和灵活。
向放射科医生呈现人工智能输出
输出类型
通过IMAGR部署的人工智能算法可能产生多种类型的输出。在最直接的情况下,输出由衍生图像、叠加层或注释组成,这些可以推送到PACS,并通过放射科医生标准的PACS查看器供其使用。如上所述,该系统在设计上是供应商中立的,可以与任何遵循DICOM和HL7标准的PACS系统配合使用。输出还可以是优先级评分或其他指标,用于对检查进行(降)优先级排序,从而影响其被阅读的顺序。PACS供应商开始提供应用程序编程接口(API)以支持此类影响工作列表的人工智能输出。在UMCU运行的Sectra PACS(Sectra AB,林雪平,瑞典)的特定情况下,API同时提供一个排序参数和一个字符串变量,以简要描述某检查获得特定评分的原因。在输出更复杂的情况下,可能需要在专用查看器中进行可视化。
结果的可视化
大多数标准PACS阅片器支持将AI算法输出可视化为图像、PDF报告或DICOM结构化报告(SR)对象。对于产生更复杂结果的AI算法,IMAGR可选择在其门户网站上添加算法特定的图形用户界面(GUI)。例如,算法可在2D或3D图像上生成交互式标注、交互式图表和表格数据,或将患者的个体结果绘制到参考人群的正态分布图上,或呈现需要一些手动交互来选择结果的表单。
与算法本身一样,其GUI可以拆分为更小的构建块或组件。组件可被视为用于显示2D或3D图像的部件、用于交互的工具按钮、表格和图表。通过提供一组供算法使用的标准组件,IMAGR使算法特定GUI的可视化变得统一且用户友好。组件使用Jupyter Notebook环境[7]进行编程,该环境被许多研究人员和AI开发者广泛使用。IMAGR使用一组自定义的交互式Jupyter组件,这些组件可在标准Jupyter Notebook环境中渲染,也可在集成IMAGR门户网站的GUI中渲染(图3)。
工作流程整合
通过使AI结果可在PACS工作站上获取(无论是作为图像推送至PACS还是通过专用GUI),工作流程整合的一个重要部分已经实现。结果可在诊疗现场获取,放射科医师无需移动到不同的工作站或启动专用软件。整合的另一个重要部分是同步。IMAGR跟踪PACS中的患者变更,并自动显示当前所选患者当前所阅检查的所有相关AI输出。此外,类似仪表板的网站允许放射科医师搜索患者并获取有关正在运行或已完成运行于患者检查的算法的信息。此外,IMAGR可自动提醒放射科医师有正在等待用户输入的AI流水线。例如,需要专家放射科医师或技师验证或在最终确定输出之前选择中间结果的AI算法。通过上述DAG支持此类半自动AI流水线是一项重要需求,这使VNAI区别于标准的脚本化图像后处理服务。
在此背景下,一个重要问题是:当多个算法同时运行或相似算法给出相互冲突的输出时,放射科医师应如何确定算法输出的优先级。这不是基础设施技术本身能够或应该解决的问题。它强调了这样一项原则:放射科医师始终负有责任,并最终决定将哪些发现和解释纳入最终报告。尽管如此,蓝图中所描述的AI基础设施可以通过在阅片时轻松同时运行多个算法——甚至算法的多个版本——来帮助做出决策。根据具体情况,放射科医师随后可以例如在报告中描述两种结果,或选择两种结果之一作为进一步评估的基础。此外,能够为每个算法设置专用的查看容器,可能有助于判断哪个算法更可能是正确的。即使底层神经网络的内部工作机制未知,能够检查生成的分割结果或激活热图,通常也能揭示结果是否合理。
与PACS访问类似,对IMAGR门户网站的访问通过使用轻量级目录访问协议(LDAP)认证与企业凭据绑定。使用现有的IT基础设施和流程可确保只有经过授权的员工才能访问系统中的数据和信息,并确保人员离开机构时访问权限被撤销。
用户交互与价值转化
尽管对于某些AI应用而言,将输出以图像形式发送至PACS可能已经足够,但带有烧录叠加层的图像和PDF报告仅允许静态内容,而DICOM结构化报告(SR)对象——可用于存储额外的AI输出——往往根本不被渲染,或以不友好的格式渲染。交互式结果不仅信息量更大,还为阅片者提供了一种反馈途径。一个能够以结构化方式记录放射科医师对AI结果的交互和反馈的VNAI,为价值转化提供了巨大潜力,尤其是因为AI输出可能比放射学报告通常的自由文本格式更加结构化,从而随着时间的推移减少当前结构化数据的缺乏。用户反馈作为改进底层AI算法的额外训练数据极具价值。此外,一个能够定量记录放射科医师与算法交互的VNAI基础设施,可以促进收集急需的证据以展示AI的经济影响。无论这是否导致针对特定人群微调算法或实现整体改进,一种使放射科医师的智力投入可为AI供应商所用的安排可以互利互惠,同时改善患者照护。最后,一个能够量化用户交互的VNAI为持续质量监测奠定了基础,并有助于保护患者免受算法错误的影响。
与结果可视化类似,允许用户反馈的GUI可以使用标准化的Jupyter widget集合来定义,从而使用具有类似Jira工单的系统使交互尽可能统一和用户友好。
部署多个算法
为了发展供应商中立的人工智能基础设施(VNAI),人工智能供应商能够轻松接入该基础设施至关重要。这意味着容器化要求应高度标准化,最好通过全球标准来实现。此外,VNAI可以作为一个总体伞状结构,支持一个或多个人工智能市场,使医院能够更广泛地获取算法。通过这种方式,VNAI可以大幅缩短从FDA/EMA批准的供应商产品到实际临床部署的路径,同时大幅扩展可用产品库。最后,如前所述,由于统一的接口,IMAGR允许在用户层面协同组合算法,如前所述。
部署变体
机构可以决定完全在本地运行VNAI,为所有组件提供基础设施。然而,由于基础设施的模块化构成,我们预计一种流行的变体是将基础设施中GPU密集的部分外包给云服务提供商。本地医院仍然控制发送到GPU集群的内容,并且仍然决定人工智能输出的处理方式——从而维持患者保密性以及对数据的控制和放射科医生反馈的价值化。匿名化和假名化是IMAGR中所有流程管道的标准构建模块,如果匿名化数据离开医院,在人工智能流程管道结果返回后,数据可以根据《通用数据保护条例》(GDPR)的规定在医院防火墙后重新识别。
科学视角
尽管上述描述主要聚焦于使用人工智能的临床场景,但IMAGR从设计之初就认识到人工智能需要医生和数据科学家之间的密切合作。因此,IMAGR不仅支持临床用户角色,还支持科学用户角色(表1)。
这种区分不仅与学术医院相关。监管机构可能会要求某些类型的算法在独立的、经过验证的数据集上进行本地验证,这些数据集包含来自当地人群的图像或使用当地扫描技术采集的图像。这种按医院或按当地人群进行的验证将利用科学用户角色,适用于学术性和非学术性放射学实践。人工智能另一个有用的示例是自动化质量控制,其中VNAI负责分析单个扫描仪采集的随机子集——或全部——检查,以根据预先指定的标准发现质量异常值、检测质量漂移或执行一般质量保证任务。关于算法本身的质量控制,需要注意的是质量控制程序与“常规”商业或内部开发应用程序的程序并无不同。所适用的确切质量标准因应用而异。如果发布的人工智能算法需要修复或撤回,VNAI框架的集中化设计提供了相应的手段,并通知其用户。
治理、质量控制和伦理
治理
在供应商中立的人工智能(VNAI)平台上部署和使用算法,相较于单点解决方案具有独特优势。同时,它也需要清晰的治理结构以确保负责任的使用。供应商中立的人工智能部署是一个最终需要由多学科专家团队监督的过程,该团队由临床医生、算法开发者、数据科学家和医院信息技术专家组成。在乌得勒支大学医学中心(UMC Utrecht),由这样一个团队决定部署哪些算法以及具体如何部署。具体而言,每个算法都会指定一个专门的团队,因为我们认为,将特定算法的深入知识、深入的临床领域知识以及对部署中信息技术方面的理解结合在一起,能够以最负责任的时间和方法进行部署,并为实施监测提供最佳机会。根据算法的类型和预期使用场景,伦理和法律专家以及患者也可以参与实施团队。
质量控制
对于提供给终端用户的人工智能算法而言,适当的质量控制至关重要。目前,关于通过VNAI部署人工智能算法,尚无公认的具体指南或最佳实践。在讨论质量控制时,需要将各个算法与部署它们的VNAI区分开来。
虽然VNAI本身的可视化组件等很可能将根据欧盟医疗器械法规法律[8]被视为“医疗器械”,但我们认为,在决定算法的质量控制时,考虑每个特定算法的性质及其部署和使用方式至关重要。由于VNAI将成为放射学工作流程中的重要组成部分,其构建模块显然应在开发的各个阶段(规划、需求、架构、详细设计、实现、单元测试、集成测试、系统测试和验收测试)以及最终的部署和维护中遵循现有的软件质量保证程序。
终端用户将接受使用VNAI和理解人工智能算法输出的培训。这也要求放射科医生具备“人工智能能力”,即他们理解在VNAI上运行的算法的优势和局限性。换言之,类似于放射科医生和技术人员了解当前成像的局限性以及可能干扰报告伪影的方式,他们应当了解算法结果中可能存在的人工智能伪影。知道何时信任算法的输出、何时忽略它,以及能够识别陷阱,对于质量控制很重要,并且很可能成为培训和教育的一个标准组成部分。尽管目前对于评判人工智能算法输出的全面相关指标尚未达成共识,但制定此类标准应成为寻求在临床实践中应用算法的人工智能研究人员和临床医生的共同优先事项。
此外,还必须考虑需要另一位放射科医生或非医学专家输入的场景,例如在多学科会议中。IMAGR支持异步执行,并可在需要手动步骤时暂停流水线。流水线的进度显示在患者的AI结果列表中,等待人工操作(完成后显示“已读”,等待手动任务时显示“执行手动任务”)。根据具体实现方式,流水线还可额外发出需要操作的 notification。如有任何疑问,另一位放射科医生只需将检查发送至IMAGR重新运行流水线,然后根据其自身专业知识执行任何所需的手动步骤。
最后,必须考虑安全方面。IMAGR服务器——以及算法容器——运行在与PACS服务器相同的防火墙网络内。因此,让IMAGR将AI衍生的输出存储在PACS中不会增加或降低PACS的安全性。此外,容器本身以最低用户权限运行,使其作为攻击的可能起源点缺乏吸引力,例如,如果AI供应商的软件被攻破。
伦理方面
AI部署引发了若干伦理考量。对于IMAGR开发和部署的所有方面,我们努力遵循欧盟规定的负责任使用AI的原则[9]。
虽然部署具有监管批准的算法相对直接(图4),但对于缺乏FDA或EMA批准的研究算法,情况可能有所不同。在临床试验背景下运行研究算法需要获得医学伦理委员会的豁免或预先批准及患者知情同意。需要考虑的第三种情况是使用AI算法创建本地正常值。一个例子是使用AI计算各种参数的详细本地参考范围,如解剖结构的大小、身体成分、冠状动脉钙化、脑白质高信号(图5)。只要算法经过适当验证且处理以匿名方式进行,我们认为这应被视为常规临床护理的一部分,类似于在不使用AI的情况下跟踪临床参考值、结局或分布。另一个问题涉及错误的责任。与当前部署的CAD算法类似,临床医生仍然对图像解读和报告的最终结论负责,包括基于AI算法生成信息的发现。关于算法创建者与放射科医生法律责任的详细讨论超出了本文的范围,我们建议读者参阅Nicholson-Price的文章以获取更多信息[10]。正如上文治理部分所讨论的,我们认为数字医学应是共同生产[11],涉及医学和影像专家,并应考虑患者和社会视角,以最大化信任并保证透明度。
未来展望
检查后处理之外的放射学应用场景
硬件虚拟化和软件容器化是可在任何需要按需提供计算资源的环境中带来益处的技术。在放射科,这也适用于图像重建。重建MR或CT采集数据需要大量计算能力,尤其是在使用现代迭代重建算法时,但大多数时候专用硬件处于闲置状态。通过VNAI共享这些资源可使重建(当采集数据需要重建时可提供大型计算资源池)和图像分析(当扫描仪闲置时,通常分配给重建的硬件可分配给分析)双双受益。将VNAI基础设施扩展至扫描仪控制台还可促进例如AI加速的MRI采集或重建[12]。
此外,VNAI可用于采集硬件的自动化质量控制。这可以通过传统方式实现,即在扫描体模时自动运行诊断测试,但AI也可用于通过(随机)分析采集数据来持续监测图像质量。
最后,拥有一个用于采集后处理的集中式系统还可以聚合来自多个来源的信息。对于影像数据而言,这可能意味着来自不同模态或随访检查的扫描可以自动配准、叠加和比较。
影像生物标志物开发
VNAI还可以作为一个平台,用于开发和验证基于AI算法的新影像生物标志物,以及更传统的数学模型。开发新的生物标志物是一项多学科研究任务,需要医生、工程师、数据科学家、统计学家等的投入。能够批量处理数据并汇总来自多个图像处理流程的数据,VNAI可能有助于生物标志物的开发、测试、验证和实施。许多由AI算法识别出的潜在影像生物标志物未能超越发现或概念验证阶段,部分原因是难以扩展到本地数据集之外并纳入来自多个中心的数据。使用VNAI可能促进影像生物标志物验证项目的后续阶段,提供资源(硬件、软件、数据访问)以开展可重复性和原理验证研究。这将在弥合转化差距方面产生最大影响,即将生物标志物和AI算法从单一中心推广到多个中心[13, 14]。在影像生物标志物开发的后期阶段,VNAI可以支持临床试验,最终,同一VNAI可用于在临床常规中采用基于AI的新型影像生物标志物[15]。与AI输出一样,重要的是要认识到,在特定疾病背景下选择合理的生物标志物以及影像生物标志物开发的所有阶段,仍然需要人的投入。
超越影像数据
尽管我们的VNAI平台最初部署在放射科环境中,但其设计可容纳多种多样的医学数据格式。这使该平台非常适合充当医院的中央“AI枢纽”。除标准DICOM格式外,IMAGR几乎可以处理任何数据格式,例如来自实验室信息系统、电子健康记录和基因组分析的数据。例如,IMAGR可以直接连接Sectra病理PACS中的数字病理数据——这些数据目前不符合DICOM标准。这种方法的明显优势在于,开发和部署考虑来自多种不同模态或领域数据的AI算法的门槛大大降低。我们预期,随着时间的推移,这将为患者带来实实在在的益处。
结论
AI为改善患者诊疗提供了巨大机遇,但目前很少有证据表明其在真实世界中得到采用。一个重要障碍是缺乏设计良好、供应商中立且面向未来的部署基础设施。由于当前AI算法的适用范围非常狭窄,预计一家典型医院将同时部署许多算法。为所有这些算法管理独立的点解决方案将难以驾驭。该问题的解决方案是一个专用于AI部署的平台。我们概述了这样一个系统的高层设计和实施考虑——该系统已在乌得勒支大学医学中心(UMC Utrecht)运行——既可用于临床,也可用于研究和开发。放射科医生、数据科学家、软件开发人员和医院IT专家之间的密切合作以及患者的参与,对于成功将AI引入临床至关重要。
引用
- Leiner T, Bennink E, Mol CP, et al. Bringing AI to the clinic: blueprint for a vendor-neutral AI deployment infrastructure. Insights Imaging. 2021. PMID: 33528677. doi:10.1186/s13244-020-00931-1
- 全文:PMC7855120(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7855120/
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。