Модель генеративного ИИ обнаруживает аномалии кровяных клеток

Искусственный интеллект (ИИ) имеет огромный потенциал для выполнения различных задач в области здравоохранения, включая детекцию рака на диагностических изображениях и автоматизацию рабочих процессов в области радиологии. Недавние исследования показывают, что интеграция генеративного ИИ в клиническую практику может значительно повысить эффективность анализа медицинских изображений.

Интеграция в клинический поток

Команда из Northwestern Medicine в штате Иллинойс впервые интегрировала инструмент генеративного ИИ в клинический рабочий процесс для составления радиологических отчетов на основе рентгеновских изображений. В ходе обычного использования модель ИИ увеличила эффективность документации в среднем на 15.5%, всё это время сохраняя диагностическую точность.

Процесс анализа изображений

Медицинские изображения, такие как рентгеновские снимки, играют ключевую роль в диагностике и стадировании заболеваний. Для интерпретации рентгеновского снимка данные изображения обычно загружаются в PACS (система архивирования и передачи изображений) и передаются в программное обеспечение для составления радиологических отчетов. Радиолог затем просматривает и интерпретирует данные, составляет отчет для помощи в принятии решений относительно лечения.

Эффективность работы

На этапе тестирования модель ИИ оценила 23 960 рентгеновских снимков, что позволяет утверждать, что использование модели увеличило скорость завершения отчетов на 15.5% в среднем – снизив среднее время документации с 189.2 секунд до 159.8 секунд, и некоторые радиологи достигли улучшений до 40%.

Общие результаты

Сокращение времени составления отчетов привело к экономии более 63 часов в течение пяти месяцев, что соответствует уменьшению числа смен радиологов с примерно 79 до 67. Исследователи также изучили качество оформления документации, в частности частоту внесения корректировок в окончательные отчеты, что не показало значительных различий между отчетами с помощью ИИ и без него.

Система раннего предупреждения

Модель также использовалась для выявления неожиданных, угрожающих жизни патологий, таких как пневмоторакс (коллапс легкого), с использованием автоматизированной системы приоритизации, которая отслеживает сгенерированные ИИ отчеты. Эффективность системы составила 72.7%% для чувствительности и 99.9%% для специфичности в обнаружении пневмоторакса. Эти приоритетные метки генерировались за 21 — 45 секунд после завершения исследования, в сравнении со средним временем уведомления радиолога 24.5 минут.

Перспективы и выводы

Ученые работают над улучшением точности инструмента ИИ, чтобы он мог обнаруживать более тонкие и редкие находки и расширять свои возможности за пределами рентгеновских изображений. Важные области для расширения включают КТ, МРТ, УЗИ и другие специальные методы.

Согласно выводам авторов, модель генеративного ИИ может помочь уменьшить нехватку радиологов, так как взаимодействие между радиологами и ИИ может улучшить предоставление медицинских услуг. Однако подчеркивается, что технологии не заменят человеческий фактор – «вам все равно нужен радиолог в качестве эталона», отмечает соавтор Самир Аббуд. «Наша задача – убедиться, что каждая интерпретация правильна для пациента».

Прокомментировать в Телеграм: https://t.me/n8nhow

Подписаться на канал обучения n8n: https://t.me/n8ncoaching