![](http://www.alohadebbie.com/sites/default/files/field/image/RSNA%202022%20big%20sign%20pic.jpeg)
随着北美放射学会科学大会和年会接近尾声,一个在11月30日举行的三场深度会议上,参会者向人工智能(AI)、机器学习以及未来发展的前景、陷阱和可能性方面的权威人士学习。
2022年11月30日——第4天RSNA 2022在芝加哥麦考密克广场(McCormick Place),在12个小时内举行了大约260场独立的活动,近650家供应商展示了最新的产品和技术。影像技术阿根廷vs乌拉圭直播新闻(ITN)编辑团队再次提供了关键会议的摘要,作为核心质量编程的代表性样本北美放射学会第108届科学大会及年会.
参加三场深度会议的与会者听取了领先权威人士关于人工智能(AI)基础知识的演讲,获得了旨在理解自动乳腺超声系统工作原理的教程,并对机器学习在放射肿瘤学临床试验和实践中的发展有了广泛的了解。接下来,我们将介绍几周内的重点报道,以及未来将出现的问题。
回归基础:2022年的放射学人工智能
虽然ITN将在另一篇文章中更广泛地报道这次深度会议,但本次会议以及受人尊敬的人工智能专家小组在RSNA 2022议程上的存在本身就具有新闻价值。它在日程上的位置是对RSNA 2021期间流行的AI炉边聊天的合理跟进,也反映了今天在展览现场和实践中看到的技术的快速增长。
该小组包括四位备受尊敬的人工智能专家:
RSNA 2022金奖获得者Katherine P. Andriole博士他是洛杉矶大学放射学副教授哈佛医学院布莱根妇女医院布里格姆数据科学办公室的学术研究和教育主任。她是RSNA成像AI证书计划的教员,R&E基金会拨款监督委员会的主题专家,并担任实践演示成像AI的联合主任。
Linda Moy,医学博士他是芝加哥大学放射学教授纽约大学格罗斯曼医学院他还在纽约大学高级成像创新与研究中心和纽约大学维尔切克研究生生物医学科学研究所任职。她是整个纽约大学健康网络的乳房MRI(临床和研究)主任,并共同领导一个跨越五个纽约大学朗格尼健康机构的国际人工智能团队。
Dania Daye医学博士,介入放射科医生马萨诸塞州总医院他是哈佛医学院和MGH/HST马蒂诺斯生物医学成像中心的教员。在其他领导角色中,她是MGH放射学指导委员会的女性联合主席,以及MGH放射学多样性、公平和包容委员会的现任联合主席。
Walter F. Wiggins,医学博士他是一个委员会认证的神经放射学家,放射学助理教授,神经放射学杜克大学健康.Qure的战略顾问。ai维金斯等于f专注于先进成像和图像分析技术在脑、头、颈和脊柱诊断成像中的应用,特别关注人工智能(AI)技术在医学成像中的临床应用。
大冶还参考了RSNA期刊放射学最近发表的报告,“临床人工智能在放射学中的应用:如何决定和如何实现?”作为第一作者,大冶与维金斯等人一起确定了临床人工智能的基本要素,包括:数据访问;数据科学;交叉形态;和交付。她和小组进一步讨论了人工智能治理的必要性,并分享了成功实施人工智能的关键要点。
ITN在节目开始前采访了大冶,并询问了会议的目标,她分享了以下观点:
“我认为在过去的几年里,我们在市场上看到了人工智能应用的爆炸式增长,如果你环顾四周,你会发现有很多人在临床实践中使用人工智能。然而,我们仍然看到很多放射科医生并不真正熟悉人工智能的基础知识。我们已经看到了越来越熟悉和真正学习实现基础知识的巨大兴趣。因此,本次会议的目的是试图让那些刚刚开始进入这一领域的人了解最基本的知识,并学习更多关于数据科学、实现和治理的知识,并真正了解那里有什么,以及如何使用它来提供基础设施,让人们开始学习。这当然是一个非常漫长的旅程的开始,但我们希望让人们把脚趾伸进水里,可以这么说,并帮助他们开始。”
前沿人工智能的课堂教学
互动阅读工作坊由Georgia Giakoumis Spear医学博士.据广泛报道,现实世界的结果表明,将fda批准的AI工具添加到自动乳腺超声中,有助于医生极大地提高阅读速度,Spear指出了ABUS在支持放射科医生工作量方面的好处,同时保持激光检测和患者护理的重点。
斯皮尔对参加培训的人说:“ABUS的全部意义在于补充乳房x光检查,并检测那些乳房x光检查无法发现的、死亡率更高的间隔性癌症。因此,如果我们发现他们患有ABUS,我们就能挽救生命。”
在这次GE医疗保健供应商研讨会上,她在RSNA 2021期间的后续会议在ITN上进行了介绍,介绍了8个不同的案例研究,Spear作为讲师,指导参与者通过ABUS系统,结合QView CAD技术。Qview医疗QView是乳腺癌检测的先驱,也是fda批准的乳腺癌筛查人工智能(AI)软件系统的制造商。通用电气医疗集团于2021年11月宣布,QView的QVCAD软件可以在通用电气医疗集团的Invenia ABUS 2.0(自动乳房超声),它拥有一个开放的平台技术,允许集成第三方AI工具来优化阅读工作流程。Invenia ABUS 2.0是fda批准的首个超声补充乳腺筛查技术,专门用于检测乳腺致密组织中的癌症。强大的人工智能助手利用智能算法来协助检测乳房病变,帮助医生提高阅读速度和信心。
作为一名充满激情的倡导者和广泛认可的领导者,推动ABUS用于乳腺癌筛查和诊断,Spear热切地向她的“学生”分享见解、经验和程序技巧。她强调了在乳房x光检查的同一天进行自动乳房超声检查的重要性,这有助于降低召回率,同时提高癌症检出率。
机器学习在反渗透临床试验和临床实践的全体会议
在辐射肿瘤学中的机器学习全体会议上,高级别小组成员提出并回答的关键问题是“我们如何在临床试验中使用人工智能?”
在RSNA前总裁Bruce Haffty医学博士的介绍下,会议主持人介绍了目前正在进行的推进放射肿瘤学试验的最新举措,已经开展的工作的广度,以及未来的发展方向。四个小组成员,由Quynh-Thu Le医学博士教授,放射肿瘤学系主任斯坦福大学,指出了人工智能应用于放射肿瘤学的基本方式,包括:治疗决策;成像(刺激);治疗计划;计划审批和质量保证;放射治疗交付;以及后续护理。她概述了深度学习、机器学习和人工智能之间的层次关系和定义。
解决ML的潜在和缺陷
“有数据表明,人工智能可以优化资格标准,将患者与试验相匹配,并解决试验进入和登记中的健康公平问题,”Le说。她谈到了机器学习在优化放射治疗工作流程中的作用,这可以加强教育、节省时间和一致性。
演讲者分享了一系列有意义的发展的最新进展和见解:自动分割、个性化治疗成像中的人工智能、试验探路者、最低通用肿瘤数据元素(mCODE)的开发、组成它的社区、CodeX以及癌症患者临床试验合作小组NRG/RTOG。
其他小组成员包括加州大学旧金山分校的Felix Feng医学博士,他专注于病理学,他谈到了临床试验对证据信息的价值。Feng分享了目前在EHR中进行的测绘,以及联邦机构、放射科医生、物理学家参与和支持的重要性,并阐述了人工智能工具作为生物标志物有前景的一些原因,特别是注意性能、周转时间(在数字世界中是即时的)和访问,因为它可能更容易在国际上实施。
Michael Gensheimer医学博士,斯坦福大学放射肿瘤学-放射治疗临床副教授,对包括成像、数字病理、电子病历在内的数字数据的机器学习如何用于临床试验的患者风险分层以及预测治疗收益进行了深入的技术评估。
李瑞江博士斯坦福大学放射肿瘤学(医学物理)系副教授DABR谈到了机器学习和成像分析在个性化癌症治疗中的进展。他注意到一个经常被采用的短语斯坦福大学的以人为本的人工智能,HAI,这强调了在RSNA 2022中听到和看到的集体情绪:“人类负责,机器在循环中。”
所有与会者都将重点放在癌症检测和诊断、反应和治疗预测以及预后的共同目标上,并承认所有参与收集数据的人需要更好地完成工作这一集体共识。