เกิดอะไรขึ้น
นักวิจัยได้แนะนำ Report Supervision หรือ R-Super ซึ่งเป็นกรอบการฝึกอบรมที่ใช้รายงานทางรังสีวิทยาเพื่อเป็นแนวทางในแบบจำลอง AI ในการค้นหาและสรุปเนื้องอกในการสแกน CT รายงานฉบับนี้รายงานประสิทธิภาพการตรวจจับและการแบ่งส่วนที่ดีขึ้นสำหรับเนื้องอกในไตและตับอ่อน รวมถึงการตั้งค่าที่มีมาสก์เนื้องอกที่มีคำอธิบายประกอบเพียง 50 ชิ้น
บทความนี้อธิบายถึง R-Super เป็นวิธีการฝึกอบรมแบบจำลองการแบ่งส่วนจากข้อมูล 2 ประเภท ได้แก่ หน้ากากเนื้องอกโดยละเอียดและรายงานทางรังสีวิทยา รายงานดังกล่าวจะใช้ในระหว่างการฝึกอบรม ไม่ใช่เป็นข้อมูลเพิ่มเติมในระหว่างการทำนายทางคลินิก ตามบทคัดย่อ กรอบการทำงานแนะนำฟังก์ชันการสูญเสียที่มีจุดประสงค์เพื่อทำให้จำนวน ขนาด และตำแหน่งของเนื้องอกที่คาดการณ์ไว้ของแบบจำลองสอดคล้องกับคำอธิบายในรายงาน การออกแบบดังกล่าวมีจุดมุ่งหมายเพื่อเปลี่ยนข้อความทางคลินิกที่แม่นยำน้อยลงแต่มีมากขึ้นให้กลายเป็นการกำกับดูแลที่เป็นประโยชน์สำหรับงานแบ่งส่วนภาพ ในบัญชีนี้ รายงานจะเสริมมาสก์ระหว่างการเรียนรู้ ในขณะที่งานการแบ่งส่วนยังคงมีศูนย์กลางอยู่ที่ภาพ CT ความแตกต่างระหว่างการควบคุมดูแลการฝึกอบรมและการทำนายทางคลินิกจึงเป็นศูนย์กลางของสิ่งที่รายงานนี้อธิบายจริง ๆ
ผู้เขียนได้ประเมินแนวทางการแบ่งส่วนเนื้องอกในไตและตับอ่อน การทดลองของพวกเขาใช้ข้อมูลการฝึกที่แตกต่างกัน ซึ่งรวมถึงคู่ CT-report 41,418 คู่ และ CT-mask ของเนื้องอกในตับอ่อน 3,488 คู่ รายงานฉบับนี้รายงานว่าจากการตรวจสอบภายนอก R-Super เพิ่มคะแนน F1 การตรวจหาเนื้องอกและการแบ่งส่วนค่าสัมประสิทธิ์ความคล้ายคลึงกันของลูกเต๋าได้มากถึง 15% เมื่อเทียบกับการฝึกสวมหน้ากากเพียงอย่างเดียว นอกจากนี้ยังรายงานว่า R-Super มีประสิทธิภาพเหนือกว่าวิธีการเปรียบเทียบ รวมถึงการฝึกอบรมแบบ CLIP และการเรียนรู้แบบหลายงาน การเปรียบเทียบเหล่านี้วางกรอบผลลัพธ์ที่รายงานเป็นการประเมินกลยุทธ์การฝึกอบรม โดยพิจารณาคุณภาพการตรวจจับและขอบเขตร่วมกัน ผลลัพธ์ที่อธิบายเป็นผลตามมาเกี่ยวกับประสิทธิภาพของแบบจำลองในการทดลองของงานวิจัย
ข้อกล่าวอ้างในทางปฏิบัติที่สำคัญคือวิธีการนี้ช่วยได้ทั้งในการตั้งค่าข้อมูลน้อยและมาสก์ที่ใหญ่กว่า บทคัดย่อเน้นย้ำผลลัพธ์เมื่อมีมาสก์เพียง 50 ชิ้นและเมื่อมีมาสก์ 3,488 ชิ้น นอกจากนี้ยังระบุด้วยว่ารายงานมีอยู่อย่างกว้างขวาง โดยชุดข้อมูลสาธารณะประกอบด้วยคู่รายงาน CT นับหมื่นคู่ ในขณะที่โรงพยาบาลมีคู่รายงานหลายแสนคู่ แหล่งที่มาระบุถึงแรงจูงใจเบื้องหลังที่ต้องใช้เวลาในการสร้างมาสก์เนื้องอกแบบ 3 มิติ ซึ่งใช้เวลานานถึง 30 นาที และความจริงที่ว่าโดยทั่วไปแล้วมาสก์เนื้องอกไม่ได้ถูกสร้างขึ้นโดยเป็นส่วนหนึ่งของการรายงานทางคลินิกตามปกติ ค่าที่นำเสนอมาจากการรวมมาสก์ที่มีรายละเอียดมากขึ้นเข้ากับรายงานที่เกี่ยวข้องกับการสแกนที่มีความแม่นยำน้อยกว่าอยู่แล้ว การรวมกันนั้นเป็นพื้นฐานของอาร์กิวเมนต์ประสิทธิภาพข้อมูลที่รายงานของเฟรมเวิร์ก
ทำไมมันถึงสำคัญ
แบบจำลองการแบ่งส่วนเนื้องอกสามารถให้โครงร่างที่ช่วยให้นักรังสีวิทยาตรวจสอบผลการวิจัยของ AI ได้ แต่การสร้างมาสก์เนื้องอก 3 มิตินั้นต้องใช้แรงงานมาก การใช้รายงานที่โรงพยาบาลจัดทำขึ้นแล้วสามารถให้ข้อมูลการฝึกอบรมแก่นักพัฒนาได้มากขึ้น โดยไม่ต้องสแกนทุกครั้งเพื่อรับหน้ากากที่มีรายละเอียดใหม่
การแบ่งส่วนแตกต่างจากผลการจำแนกประเภททั่วไป เนื่องจากเป็นการระบุตำแหน่งของเนื้องอกที่น่าสงสัยและแสดงขอบเขตของเนื้องอก แหล่งข่าวกล่าวว่าโครงร่างเหล่านี้ช่วยให้นักรังสีวิทยาตรวจสอบและเชื่อถือเอาต์พุต AI ได้ง่ายขึ้น หากรายงานได้รับผลทั่วทั้งการตั้งค่า การปรับปรุงการแบ่งส่วนอาจทำให้ความช่วยเหลือของ AI สามารถตรวจสอบได้ดีกว่าระบบที่ส่งคืนป้ายกำกับหรือความน่าจะเป็นเท่านั้น ดังนั้นคุณค่าในทางปฏิบัติจึงไม่เพียงผูกกับคะแนนมาตรฐานที่สูงขึ้นเท่านั้น แต่ยังเชื่อมโยงกับการมองเห็นวัตถุที่แพทย์สามารถตรวจสอบได้ สามารถตรวจสอบขอบเขตที่เกี่ยวข้องกับการสแกนได้ ซึ่งทำให้เอาต์พุตที่รายงานมีรูปแบบที่ตรวจสอบได้ง่ายกว่าการคาดการณ์แบบแยกส่วน บทบาทที่เกี่ยวข้องกับการตีความนั้นเป็นส่วนหนึ่งของเหตุผลว่าทำไมคุณภาพการแบ่งส่วนจึงมีความสำคัญ
ปัญหาข้อมูลที่แก้ไขโดย R-Super นั้นเป็นเรื่องปกติสำหรับการถ่ายภาพทางการแพทย์ คำอธิบายประกอบที่มีประโยชน์ที่สุดอาจมีราคาแพง ในขณะที่ข้อมูลอื่นๆ ที่สร้างขึ้นทางคลินิกนั้นมีอยู่มากมาย รายงานทางรังสีวิทยาสามารถอธิบายจำนวนรอยโรค ขนาดโดยประมาณ และตำแหน่งได้ แม้ว่าอาจไม่ติดตามทุกขอบเขตพิกเซลต่อพิกเซลก็ตาม แนวทางของ R-Super พยายามใช้คำอธิบายเหล่านี้เป็นข้อจำกัดในกระบวนการฝึกอบรมของโมเดล ซึ่งอาจลดปริมาณคำอธิบายประกอบแบบแมนนวลที่จำเป็นในการขยายชุดข้อมูลการแบ่งส่วนเนื้องอก โดยเฉพาะอย่างยิ่งสำหรับสถาบันที่มีคลังสแกนและรายงานที่จับคู่กันจำนวนมาก กรอบการทำงานจึงเชื่อมโยงข้อมูลที่สร้างขึ้นแล้วในการรายงานทางคลินิกกับการกำกับดูแลที่เฉพาะเจาะจงมากขึ้นซึ่งจำเป็นสำหรับการแบ่งส่วน ความสำคัญขึ้นอยู่กับว่าการเชื่อมต่อนั้นยังคงมีประโยชน์หรือไม่เมื่อคำอธิบายที่มีอยู่มีความแม่นยำน้อยกว่ามาสก์
การค้นพบนี้อาจมีความสำคัญต่อการพัฒนาและประเมินระบบ AI ทางการแพทย์ แบบจำลองที่ได้รับการฝึกอบรมด้วยรายงานอาจสามารถใช้บันทึกทางคลินิกที่มีอยู่ได้อย่างมีประสิทธิภาพมากกว่าการใช้หน้ากากเพียงอย่างเดียว ซึ่งอาจขยายขอบเขตของโรงพยาบาลที่สามารถมีส่วนร่วมในการพัฒนาได้ แต่แหล่งที่มาคือการประเมินที่รายงานโดยเอกสารฉบับเดียว ไม่ได้กำหนดว่ากรอบการทำงานช่วยปรับปรุงการวินิจฉัย การวางแผนการรักษา ผลลัพธ์ของผู้ป่วย หรือภาระงานของนักรังสีวิทยา บทคัดย่อไม่ได้กำหนดว่าถ้อยคำในรายงาน แบบแผนของสถาบัน หรือข้อผิดพลาดในเอกสารทางคลินิกส่งผลต่อผลลัพธ์หรือไม่ ข้อจำกัดเหล่านี้ทำให้การค้นพบมุ่งเน้นไปที่การฝึกอบรมที่รายงานและการประเมินการแบ่งส่วน นอกจากนี้ยังหมายความว่าความสำคัญทางคลินิกในวงกว้างยังคงเป็นคำถามสำหรับหลักฐานเพิ่มเติม แทนที่จะเป็นข้อสรุปที่ได้จากการศึกษาครั้งนี้
กลไกเชิงโต้ตอบ: มันทำงานอย่างไร
สำรวจเทคโนโลยีเบื้องหลังการพัฒนานี้แบบโต้ตอบ
crm_get_transaction(id='4092').A route planner searches possible journeys using explicit rules. What does this illustrate about AI?
จะดูอะไรต่อไป.
ผลลัพธ์ที่รายงานยังคงเป็นผลการวิจัยมากกว่าหลักฐานของการใช้งานทางคลินิกตามปกติ คำถามสำคัญที่ยังไม่มีคำตอบ ได้แก่ ประสิทธิภาพที่แตกต่างกันไปในโรงพยาบาล รูปแบบรายงาน ประเภทของเนื้องอก และจำนวนผู้ป่วย และแนวทางดังกล่าวช่วยปรับปรุงการตัดสินใจของนักรังสีวิทยาในการศึกษาทางคลินิกในอนาคตหรือไม่
การตรวจสอบอย่างละเอียดเพิ่มเติมควรมุ่งเน้นไปที่องค์ประกอบข้อมูลของรายงานฉบับเต็มและการออกแบบการตรวจสอบความถูกต้อง บทคัดย่อระบุการตรวจสอบความถูกต้องจากภายนอก แต่ไม่ได้ระบุจำนวนสถาบัน ข้อมูลประชากรของผู้ป่วย การกระจายของขนาดเนื้องอก หรือประสิทธิภาพที่เพิ่มขึ้นที่แน่นอนสำหรับแต่ละอวัยวะ และสภาวะของข้อมูลการฝึกอบรม รายละเอียดเหล่านั้นมีความสำคัญเนื่องจากวิธีการสามารถทำงานได้ดีกับชุดข้อมูลที่เลือก ขณะเดียวกันก็ถ่ายโอนความน่าเชื่อถือน้อยลงไปยังโรงพยาบาลที่ใช้เครื่องสแกน โปรโตคอล หรือภาษาการรายงานที่แตกต่างกัน การทบทวนประเด็นเหล่านั้นจะให้ความกระจ่างว่าสามารถตีความผลลัพธ์ที่รายงานได้กว้างเพียงใด นอกจากนี้ยังจะแยกประสิทธิภาพภายใต้เงื่อนไขที่ทดสอบของกระดาษออกจากประสิทธิภาพในการตั้งค่าอื่นๆ ความแตกต่างดังกล่าวเป็นสิ่งสำคัญในการตัดสินว่าแนวทางดังกล่าวพร้อมสำหรับการประเมินที่มีความต้องการมากขึ้นหรือไม่
คุณภาพและความครบถ้วนของรายงานเป็นอีกหนึ่งความไม่แน่นอนที่สำคัญ R-Super ได้รับการออกแบบโดยใช้คำอธิบายจำนวน ขนาด และตำแหน่งของเนื้องอก แต่บทคัดย่อไม่ได้ระบุว่ารายงานละเว้นรายละเอียดเหล่านั้นบ่อยเพียงใด มีภาษาที่ไม่ชัดเจน หรือไม่เห็นด้วยกับมาสก์ที่มีอยู่ นอกจากนี้ยังไม่ได้อธิบายว่าฟังก์ชันการสูญเสียใหม่จัดการกับความไม่แน่นอนในคำอธิบายข้อความอิสระได้อย่างไร การจำลองแบบอิสระบนชุดข้อมูลที่หลากหลายจะช่วยพิจารณาว่าวิธีการนี้มีประสิทธิภาพต่อความแตกต่างของเอกสารเหล่านั้นหรือไม่ ปัญหานี้เกี่ยวข้องกับความสัมพันธ์ระหว่างข้อมูลในรายงานและรูปแบบที่ใช้ในการเปรียบเทียบ หากความสัมพันธ์นั้นเปลี่ยนแปลงไปในสถาบันต่างๆ ประโยชน์ของการกำกับดูแลตามรายงานก็อาจเปลี่ยนแปลงเช่นกัน คำถามในการรายงานที่ยังไม่ได้รับการแก้ไขจึงยังคงเป็นสิ่งสำคัญที่ต้องติดตาม
เหตุการณ์สำคัญที่มีความหมายต่อไปคือหลักฐานจากการศึกษาในอนาคตหรือตามขั้นตอนการทำงาน การศึกษาดังกล่าวสามารถทดสอบได้ว่าการแบ่งส่วนซ้อนทับช่วยให้นักรังสีวิทยาตรวจพบเนื้องอก ลดเวลาในการทบทวน หรือหลีกเลี่ยงข้อผิดพลาดได้จริงหรือไม่ แทนที่จะเพียงปรับปรุงคะแนน F1 หรือค่าสัมประสิทธิ์ความคล้ายคลึงกันของ Dice นอกจากนี้ การดูผลลัพธ์ของเนื้องอกประเภทต่างๆ นอกเหนือจากไตและตับอ่อน การเปรียบเทียบกับเครื่องมือทางคลินิกในปัจจุบัน และการประเมินความเป็นส่วนตัว การกำกับดูแล และข้อกำหนดในการแบ่งปันข้อมูลจะเป็นประโยชน์เมื่อโรงพยาบาลใช้รายงานสำหรับการฝึกอบรมแบบจำลอง การศึกษาเหล่านี้จะระบุว่าการปรับปรุงทางเทคนิคที่รายงานจะเป็นประโยชน์ในทางปฏิบัติหรือไม่ ก่อนหน้านั้น เอกสารฉบับนี้สนับสนุนการตรวจสอบแนวทางการฝึกอบรมอย่างต่อเนื่อง ในขณะที่ผลกระทบต่องานทางคลินิกยังไม่ได้รับการยืนยัน ความแตกต่างเดียวกันนี้ใช้กับการใช้งาน ซึ่งไม่ได้กำหนดขึ้นโดยการทดลองที่รายงาน