W jaki sposób specjalistyczna adnotacja Shaipa do tomografii komputerowej serca przyspiesza wczesne wykrywanie amyloidozy serca
Grupa badawcza zajmująca się sztuczną inteligencją kliniczną nawiązała współpracę z Shaip w celu opracowania kompleksowego procesu adnotacji tomografii komputerowej serca i trenowania modeli, przekształcając kryteria radiologiczne dotyczące wczesnej amyloidozy serca w regulowane, jakościowe etykiety i funkcje dla dalszego przetwarzania uczenia maszynowego.
Przegląd projektu
Grupa badawcza zajmująca się kliniczną sztuczną inteligencją, skupiająca się na diagnostyce obrazowej w złożonych przypadkach kardiologicznych, poszukująca powtarzalnego etykietowania na dużą skalę, wspomaganego przez ekspertów.
Klient miał na celu wykrycie wczesne stadium amyloidozy serca z tomografii komputerowej – sygnały, które są subtelne i często pomijane. Współpracowali z Shaipem, aby zbudować kompleksowy przepływ pracy adnotacji i trenowania modelu, przekształcając specjalistyczną wiedzę w spójne etykiety i funkcje dla dalszego przetwarzania uczenia maszynowego.
Kluczowe statystyki
Modalność
Tomografia komputerowa serca; kohorty o dużej objętości i wielu partiach, dostosowane do kryteriów eksperckich
Współpraca MŚP
Radiolodzy i naukowcy zajmujący się danymi w cyklach przeglądu w zamkniętej pętli
Dostarczane
Zestawy obrazów oznaczonych klinicznie + protokół adnotacji wersjonowanych
Wpływ modelu
99.8% potwierdzona dokładność klasyfikacji stanu docelowego
Zarządzanie
Przepływy pracy chroniące prywatność i możliwość śledzenia dokumentacji
Wyzwania
- Tłumacz subtelne, wczesne wskazówki obrazowania w taksonomię operacyjną.
- Utrzymywanie spójność etykietowania w dużych, wielopartyjnych kohortach.
- Synchronizacja opinia radiologa z iteracyjnymi cyklami szkolenia modeli.
- Konserwowanie prywatność i rygorystyczna dokumentacja przez cały czas dostawy.
Rozwiązanie
Strategia danych
Skodyfikowane kryteria radiologiczne dotyczące wczesnej amyloidozy w formie praktycznego przewodnika etykietowania z progami akceptacji, ścieżkami eskalacji i etykietami dowodowymi w celu uchwycenia uzasadnienia.
Kolekcja i adnotacja
Wykonano kanał radiologa w pętli: przeszkoleni adnotatorzy stosowali strukturalne znaczniki; starsi recenzenci oceniali skrajne przypadki; ostateczne złote etykiety były podstawą szkolenia.
Rozwój modelu
Przeszkolone i sprawdzone klasyfikatory w iteracyjnych sprintach; śledzenie metryk dla każdej rewizji w celu ilościowego określenia udoskonaleń taksonomii. Potwierdzona dokładność osiągnęła 99.8%.
Zapewnienie jakości:
Wielowarstwowa kontrola jakości z kontrolą duplikatów, monitorowaniem dryftu i tablicami rozdzielczymi rozbieżności.
Zgodność i zarządzanie
Procesy chroniące prywatność; wersjonowana dokumentacja protokołów; możliwość śledzenia od przypadku → tag → artefakt decyzyjny.
Zakres projektu
| Śledzić | Co zrobiliśmy | Wydajność | Bramy QC |
|---|---|---|---|
| Systematyka | Przekonwertowano kryteria eksperckie na schemat etykiet | Narzędzia półautomatyczne + wizualna kontrola jakości | Ochrona tożsamości z zachowaniem sygnału |
| De-ID metadanych | Czyszczenie tagów DICOM | Usuwanie na podstawie reguł + biała lista | Brak wycieku PHI w nagłówkach |
| Weryfikacja | Audyty recenzentów | Listy kontrolne; plany pobierania próbek | Mierzalna redukcja ryzyka PHI |
| Zarządzanie | Procedury operacyjne standardowe i szkolenia | Ślady audytu; kontrola dostępu | Powtarzalność i zgodność |
Wynik
- 99.8% potwierdzonej dokładności do klasyfikacji celów, co umożliwia przeprowadzenie badań gotowych do wdrożenia.
- Szybsza iteracja poprzez włączanie opinii specjalistów bezpośrednio do cykli szkoleniowych.
- Podręczniki wielokrotnego użytku dla przyszłych inicjatyw w zakresie sztucznej inteligencji w kardiologii obejmujących wiele placówek.
Wpływ strategiczny: Ekspercka wiedza ukryta została przekształcona w skalowalny, kontrolowany proces — zwiększając wydajność wykrywania i wzmacniając zgodność.
Shaip przełożył specjalistyczną wiedzę na proces adnotacji i szkolenia na poziomie produkcyjnym, zwiększając dokładność i przyspieszając eksperymenty.
— Kierownik ds. sztucznej inteligencji w obrazowaniu, partner ds. badań w opiece zdrowotnej
