Как AI попадет в читальный зал?
Радиология может и дальше играть решающую роль в скрининге, диагностике и лечении заболеваний. Несмотря на то, что месторождение претерпело важные изменения для оцифровки процесса, основные принципы остались прежними. Случай изучается рентгенологом на основе данных (цифровых) изображений и другой информации. Конечным продуктом является (цифровой) отчет, который передается лечащему врачу и сохраняется. Изображения также сохраняются (в цифровом виде). Достижения в области технологий позволили улучшить качество изображения, время сканирования, совместное использование и хранение данных. Но кардинальных сдвигов в основной парадигме не произошло.
Текущая модель предоставления программного обеспечения в здравоохранении… просто не будет служить текущим и будущим достижениям в области анализа медицинских изображений.
Многие говорят, что это скоро изменится. Данные цифровых изображений - настоящая сокровищница для быстро развивающейся области компьютерного зрения, во многом благодаря недавним достижениям в области машинного обучения. Это богатая данными возможность разрабатывать и применять новые алгоритмы с убедительным ценностным предложением. В этом заключается реальная возможность повысить точность, спасти жизни, время и, конечно же, деньги. Хотя некоторые предполагают, что за замену радиологов стоит агрессивная борьба, я согласен с теми, кто полагает, что темп будет более робким, и что результатом будут совместные усилия человека и машины. Но, возможно, не по тем же причинам. Как и должно быть, большое внимание уделяется производительности, точности и клинической значимости. Но меня беспокоит текущая модель предоставления программного обеспечения в здравоохранении: она просто не будет служить текущим и будущим достижениям в области анализа медицинских изображений.
Сферы, в которых произошла революция с помощью программного обеспечения, сделали это, обеспечив колоссальные темпы изменений. Хотя скорость инноваций в анализе медицинских изображений ускорилась благодаря достижениям и доступу к программному обеспечению, текущие пути выхода на рынок новых программных технологий ограничивают внедрение . Существующие поставщики со сравнительно большим охватом рынка имеют медленные циклы разработки, соответствующие длительным циклам закупок, при одновременном закреплении технологий в рамках проприетарных структур.
Между тем, независимые стартапы могут сосредоточиться на своих технологиях и двигаться намного быстрее. Однако конечная реализация обычно принимает форму отдельного приложения или веб-портала. Эти решения обычно не интегрируются в текущие рабочие процессы ограниченных во времени клиницистов, и их установка может встретить сопротивление со стороны тех, кто отвечает за ИТ-инфраструктуру. Поэтому распространение решения во многих больницах затруднено, и его клиническое внедрение снова замедляется.
Эти технологии анализа медицинских изображений, часто называемые просто алгоритмами, не очень широки по своей природе, но обычно разрабатываются для очень конкретных случаев использования. В разработке уже находятся десятки приложений, и мы можем увидеть сотни доступных в ближайшие годы, поскольку конкурирующие алгоритмы соперничают за одни и те же клинические приложения. В нынешних рамках большинство из них, как и большая часть медицинских данных, в конечном итоге будет храниться в разрозненных хранилищах. Это ограничит клиническую гибкость и институциональную мобильность. А как насчет прозрачности? Сможет ли местность сравнивать патентованные алгоритмы друг с другом, включая пересмотренные версии или те, которые постоянно обновляются?
… Ожидаемый союз искусственного интеллекта и радиологии беспрецедентен в медицине.
В настоящее время распространенным методом клинического внедрения является партнерство новых участников с действующими лицами. Несмотря на улучшение, учитывая вышесказанное, мы можем рассматривать это как неоптимальное решение. Мы должны помнить, что машинное обучение и компьютерное зрение зародились далеко за пределами медицины. Хотя приложения компьютерных наук (и многих других областей!) На протяжении десятилетий улучшали здравоохранение, ожидаемое сочетание искусственного интеллекта и радиологии беспрецедентно для медицины. Даже крупные технологические компании, которые до сих пор оставались на периферии здравоохранения, теперь присоединяются к этой атаке. На другом конце спектра университетские исследователи, не имеющие доступа к прямым клиническим сотрудникам, все еще могут продвигать эту область своим вкладом. Большие наборы открытых данных будут способствовать развитию этой тенденции, устраняя одно из основных препятствий на пути разработки алгоритмов.
Исходя из всех этих причин, мы видим, что текущая структура внедрения инноваций для программного обеспечения в здравоохранении не будет обслуживать приток технологий на базе искусственного интеллекта. Между запатентованными структурами действующих компаний и огромными препятствиями, с которыми сталкиваются новички, нам нужно подумать о том, как мы можем устранить эти препятствия на пути к прогрессу.
Внедрение технологий на базе искусственного интеллекта в радиологии приведет к появлению новых проблем и возможностей в интерпретации медицинских изображений. На первый взгляд это может показаться в первую очередь логистической проблемой. Но как только мы углубимся в некоторые конкретные аспекты, мы обнаружим последствия, которые предполагают, что необходимо концептуализировать и построить совершенно новую модель доставки. И это может быть достигнуто только при участии всех заинтересованных сторон и на благо наших пациентов.
Поделитесь или порекомендуйте, если вам понравилась эта статья! Или свяжитесь с нами, чтобы поделиться идеями: [email protected] или @YannGagnonPhD в Twitter.
