Fahrplan für AI in der medizinischen Bildgebung

Im August 2018, einem workshop wurde an den National Institutes of Health (NIH) in Bethesda, Md., erkunden Sie die Zukunft der künstlichen Intelligenz (KI) in der medizinischen Bildgebung. Der workshop wurde gesponsert von den NIH, der Radiological Society of North America (RSNA), dem American College of Radiology (ACR) und Der Akademie für Radiologie und Biomedical Imaging Research (Akademie). Die Organisatoren gerichtet werden, um die Zusammenarbeit in Anwendungen für diagnostische medizinische Bildgebung, identifizieren Wissenslücken und entwickeln eine roadmap zur Priorisierung von Forschung braucht. Die Gruppe, die Forschungs-roadmap veröffentlicht wurde, heute als eine Besondere Bericht in der Zeitschrift Radiologie.

„Die wissenschaftlichen Herausforderungen und Chancen der KI in der medizinischen Bildgebung sind tiefgreifend, aber ganz Verschieden von derjenigen, in denen die KI im Allgemeinen. Unser Ziel war es, ein Konzept für Fachgesellschaften, Förderorganisationen, Forschungseinrichtungen und allen anderen, die arbeiten im Bereich Forschung beschleunigen in Richtung AI-Innovationen zum nutzen von Patienten,“ sagte der Bericht, der führende Autor, Curtis P. Langlotz, M. D., Ph. D. Dr. Langlotz ist ein professor der Radiologie und der biomedizinischen informatik, Direktor des Center for Artificial Intelligence in Medicine and Imaging, und associate chair for information systems, in der Abteilung der Radiologie an der Stanford University, und der Republik Srpska Board Liaison für Informationstechnologie und Hauptversammlung.

Imaging research laboratories sind die schnelle Erstellung machine-learning-Systeme, die eine Expertin der menschlichen Leistungsfähigkeit unter Verwendung von open-source-Methoden und-tools. Diese künstliche Intelligenz Systeme entwickelt, um die Verbesserung der medizinischen Bildrekonstruktion, Rauschunterdrückung, Qualitätssicherung, Selektion, Segmentierung, computer-aided detection, computergestützte Klassifizierung und radiogenomics.

Machine-learning-algorithmen verwandeln die klinische Bildgebung der Praxis über die nächsten zehn Jahre. Doch, machine-learning-Forschung noch in den Anfangsstadien.

„RSNA ist die Beteiligung in diesem workshop ist essenziell für die Entwicklung des AI in der Radiologie“, sagte Mary C. Mahoney, M. D., RSNA Board of Directors Stuhl. „Als die Gesellschaft führt der Weg in bewegten AI Wissenschaft und Bildung voran durch seine Zeitschriften, Kurse und mehr, wir sind in einer soliden position, um zu helfen radiologische Forscher und Praktiker, die mehr vollständig zu verstehen, was die Technologie bedeutet für die Medizin und, wo es geht.“

In dem Bericht, den die Autoren skizzieren einige zentrale Forschungsthemen und zu beschreiben, einen Fahrplan zu beschleunigen, die Fortschritte in der grundlegenden Maschine-Lern-Forschung für die medizinische Bildgebung.

Schwerpunkte in der Forschung hervorgehoben wird in dem Bericht umfassen:

  • neues Bild-Rekonstruktion Methoden, die effizient produzieren Bilder, die geeignet für die menschliche interpretation von Quelldaten,
  • automatisierte Beschriftung und annotation-Methoden, einschließlich der Extraktion von Informationen aus der imaging-Bericht, elektronische phänotypisierung und prospektive strukturierte Bild-Berichterstattung,
  • neue machine-learning-Verfahren für klinische imaging-Daten, wie maßgeschneiderte, vor-trainiert-Modell-Architekturen und verteilten machine learning-Methoden,
  • machine-learning-Verfahren erklären können, dass die Ratschläge, die Sie bieten, um menschlichen Benutzern (so genannte erklärbar künstliche Intelligenz), und
  • validierte Methoden für die Bild de-Identifikation und Austausch von Daten zu erleichtern, die Breite Verfügbarkeit von klinischen imaging-Daten-sets.

Der Bericht beschreibt die Innovationen, die helfen würden, mehr zu produzieren, öffentlich verfügbaren, validierten und wieder verwendbare Datensätze für die Evaluierung neuer algorithmen und Techniken, stellt fest, dass, um nützlich zu sein für die Maschine zu lernen, diese Datenmengen erfordern Methoden, um schnell erstellen beschriftet oder mit Anmerkungen imaging-Daten.

Darüber hinaus Romans, die vor-geschult Modell-Architekturen, speziell für klinische imaging-Daten, entwickelt werden müssen, zusammen mit Methoden für verteiltes training, reduzieren die Notwendigkeit für den Datenaustausch zwischen Institutionen.

Für die Formulierung der grundlegenden Ziele für die KI in der medizinischen Bildgebung, betonen die Autoren, dass in Normen-Gremien, Fachgesellschaften, Behörden und die Privatwirtschaft müssen zusammenarbeiten, um diese Ziele in den Dienst der Patienten, die profitieren von der innovativen imaging-Technologien führen wird.