使用交互式 NeoMedSys 平台检验 VIOLA-AI 颅内出血模型的部署与优化
计算机视觉与模式识别
2025-09-22 v2 人工智能
机器学习
摘要
背景：AI 工具在放射学中的临床部署面临诸多挑战与机遇。本研究描述了一个名为 NeoMedSys 的放射学软件平台，该平台能够实现 AI 模型的高效部署与优化。我们评估了在真实世界临床环境中运行 NeoMedSys 三个月的可行性与有效性，并重点关注了专为颅内出血（ICH）检测而开发的内部 AI 模型（VIOLA-AI）的性能改进。方法：NeoMedSys 将用于部署、测试和优化 AI 模型的工具与基于 Web 的医学图像查看器、标注系统以及全院放射学信息系统集成在一起。采用前瞻性实用性研究，使用挪威最大急诊科（站点 1）疑似创伤性脑损伤（TBI）或疑似中风（站点 2）患者的临床病例。我们在 VIOLA-AI 遇到新数据并进行预先计划的模型重训练时，评估了其 ICH 分类性能。性能指标包括灵敏度、特异度、准确率以及受试者工作特征曲线下面积（AUC）。结果：NeoMedSys 促进了 AI 模型的迭代改进，显著提高了其诊断准确率。对自动出血检测和分割进行了近实时审查，以促进 VIOLA-AI 的重训练。迭代优化过程使分类灵敏度显著提高，升至 90.3%（原为 79.2%），特异度达到 89.3%（原为 80.7%）。整个样本的出血检测 ROC 分析显示出很高的曲线下面积（AUC），达到 0.949（原为 0.873）。模型优化阶段带来了显著提升，突显了实时放射科医生反馈的价值。
引用
@article{arxiv.2505.09380,
title = {Examining Deployment and Refinement of the VIOLA-AI Intracranial Hemorrhage Model Using an Interactive NeoMedSys Platform},
author = {Qinghui Liu and Jon E. Nesvold and Hanna Raaum and Elakkyen Murugesu and Martin Røvang and Bradley J Maclntosh and Atle Bjørnerud and Karoline Skogen},
journal= {arXiv preprint arXiv:2505.09380},
year = {2025}
}
备注
21 pages, 11 figures, on submission to BMC Methods