医学影像中社区驱动的放射学 AI 部署现状
人工智能
2023-05-09 v2 计算机与社会
图像与视频处理
摘要
人工智能(AI)已成为解决日常常规任务的普遍手段。由于医学影像数据量与复杂性的指数增长，放射科医生的工作负荷稳步上升。我们预测，影像检查数量与覆盖此增长所需的专家放射读片者数量之间的缺口将持续扩大，从而引入对基于 AI 的工具的需求，以提高放射科医生舒适解读这些检查的效率。AI 已被证明可提高医学图像生成、处理和解读的效率，全球各研究实验室已开发出多种此类 AI 模型。然而，其中极少(若有)进入常规临床应用，这一差异反映了 AI 研究与成功 AI 转化之间的鸿沟。为应对临床部署的障碍，我们成立了 MONAI Consortium，一个开源社区，正在为医疗机构的 AI 部署建立标准，并开发工具与基础设施以促进其实施。本报告代表了 MONAI Consortium 中工业界专家与临床医生群体数年每周讨论与动手解决问题的经验。我们识别研究实验室中 AI 模型开发与后续临床部署之间的障碍并提出解决方案。我们的报告为医疗机机构中将影像 AI 模型从开发推向临床实施的流程提供指导。我们讨论临床放射学工作流中的各种 AI 集成点。我们还提出放射学 AI 用例的分类法。通过本报告，我们旨在教育医疗与 AI 中的利益相关者(AI 研究者、放射科医生、影像信息学家和监管者)有关跨学科挑战与可能的解决方案。
引用
@article{arxiv.2212.14177,
title = {Current State of Community-Driven Radiological AI Deployment in Medical Imaging},
author = {Vikash Gupta and Barbaros Selnur Erdal and Carolina Ramirez and Ralf Floca and Laurence Jackson and Brad Genereaux and Sidney Bryson and Christopher P Bridge and Jens Kleesiek and Felix Nensa and Rickmer Braren and Khaled Younis and Tobias Penzkofer and Andreas Michael Bucher and Ming Melvin Qin and Gigon Bae and Hyeonhoon Lee and M. Jorge Cardoso and Sebastien Ourselin and Eric Kerfoot and Rahul Choudhury and Richard D. White and Tessa Cook and David Bericat and Matthew Lungren and Risto Haukioja and Haris Shuaib},
journal= {arXiv preprint arXiv:2212.14177},
year = {2023}
}
备注
21 pages; 5 figures