Bagaimana kecerdasan buatan dapat membantu ahli radiologi?


Selama bertahun-tahun saya telah mendengar janji kecerdasan buatan (AI) yang disebut-sebut di konferensi radiologi dan di seluruh spesialisasi kami. Kami telah menunggu AI untuk meningkatkan radiologi secara radikal, tetapi di mana revolusinya?



Stephanie Hou, MD

Masalahnya terletak pada ketidakmampuan kita untuk melihat penerapan AI yang sebenarnya. Fokusnya adalah menemukan tempat di mana algoritma dapat diterapkan dengan baik. Pandangan sempit tentang nilai AI tanpa integrasi alur kerja yang sebenarnya seperti palu yang mencari paku.

Selain menemukan paku, kita bisa menggunakan palu AI untuk menghancurkan bebatuan yang menghalangi ahli radiologi. Lagi pula, palu tidak hanya bisa mengenai paku, tetapi juga menghancurkan batu. Menggunakan Mjölnir Thor sebagai analogi untuk AI, saya pikir kekuatan AI tunduk pada kehendak pengguna: ahli radiologi. Dengan berfokus pada masalah yang lebih besar dan lebih sistemik, kita dapat memecahkan hambatan yang menghambat alur kerja dan produktivitas sehari-hari, sehingga membantu mengurangi kelelahan.

Gunakan palu AI untuk menghancurkan batu bata yang menghambat kemajuan

Meskipun AI sudah berguna di bidang lain kehidupan kita, aplikasi dalam radiologi belum menyusul. Misalnya, perangkat lunak tampilan radiologi saat ini tidak dapat menyarankan studi pencitraan sebelumnya yang relevan berdasarkan piksel dalam studi pencitraan saat ini. Untungnya, ada dua strategi yang dapat membantu ahli radiologi mengayunkan palu AI dan mengatasi tantangan saat ini yang menghambat kemajuan dalam praktik klinis.

Also Read :  Randall Castillo Ortega membahas tren yang membentuk ekonomi Amerika Latin

Identifikasi pola aktivitas

AI dapat menggunakan kebiasaan ahli radiologi untuk menghancurkan batu produktivitas. Jika kami secara pasif merekam setiap tindakan yang dilakukan ahli radiologi, kami dapat menggunakan AI untuk mencari kelompok tindakan yang mereka lakukan berulang kali yang dapat diotomatisasi.

Misalnya, ada ahli radiologi yang berulang kali membaca angka di layar untuk memasukkan berbagai titik data ke dalam laporan radiologis (misalnya, dosis radiasi CT dan skor DEXA-T). Jika digunakan dengan benar, AI akan mencatat bahwa untuk setiap CT, ahli radiologi melihat gambar laporan dosis dan menentukan produk panjang dosis (DLP) dari gambar itu ke bidang dosis laporan radiologi. Dan untuk setiap DEXA, ahli radiologi melihat gambar tulang belakang lumbar dan pinggul kiri dan mendiktekan skor T untuk bagian tubuh tersebut ke bidang yang sesuai pada laporan radiologi. Setelah diperhatikan, tugas-tugas ini dapat diotomatisasi.

AI juga dapat mengidentifikasi alat mana yang paling sering digunakan dalam situasi tertentu. Misalnya, ketika seorang ahli radiologi mengarahkan mouse ke nodul paru-paru, langkah selanjutnya adalah sering mengklik kanan, memilih alat pengukuran, dan kemudian mengukur nodul. AI dapat mengenali pola ini dan dari sana, ketika ahli radiologi menggerakkan mouse di atas nodul paru-paru, sistem dapat menawarkan alat pengukuran yang sesuai (seperti smartphone untuk memetakan alamat yang ditandai). Lebih baik lagi, sistem dapat menawarkan untuk mengukur simpul secara otomatis.

Also Read :  Bagaimana perusahaan berubah dengan Virtual Office di Metaverse

Log gantung juga menghadirkan peluang bagi AI. Otomatisasi protokol penggantungan tampaknya merupakan buah yang mudah digantung, karena ahli radiologi biasanya mempertahankan templat pribadi mereka untuk setiap jenis pemindaian (misalnya, MRI tulang belakang lumbal). AI dapat mengenali pola pribadi ini dan memastikan setiap pemindaian digantung sesuai dengan preferensi individu ahli radiologi, menghemat detik berharga dan mengurangi ketegangan mental.

integrasi informasi

Saat ini, banyak algoritma AI radiologi menerima gambar sebagai input dan menghasilkan diagnosis atau hasil prediksi sebagai output. Namun, output lain mungkin lebih berguna. Setelah menerima gambar sebagai input, output AI dapat menjadi informasi tambahan yang dibutuhkan oleh ahli radiologi untuk interpretasi gambar. Dengan perincian ini di ujung jari mereka, ahli radiologi kemudian dapat melewati langkah pencarian informasi dan langsung menuju pengambilan keputusan klinis.

Misalnya, jika ahli radiologi menyatakan bahwa sinar-X tangan menunjukkan erosi, pemrosesan bahasa alami (NLP) dapat secara otomatis mencari laporan sebelumnya untuk erosi di tempat lain di tubuh pasien. Lebih baik lagi, NLP bisa mencari laporan masa lalu untuk istilah yang dikenal melalui ontologi untuk dikaitkan dengan erosi (seperti rheumatoid arthritis, arthritis erosif, atau asam urat).

Also Read :  Masa depan pencegahan kejahatan?

Sementara ahli radiologi memeriksa bagian tubuh yang telah menjalani operasi, visi komputer (yang memungkinkan mesin untuk melihat, memproses dan menganalisis gambar) dapat menemukan dan menampilkan gambar pra-operasi terbaru dari bagian tubuh itu, menunjukkan massa utama. Ini akan memungkinkan ahli radiologi untuk membandingkan karakteristik pencitraan jaringan lunak di lokasi pasca operasi dengan massa primer dan memutuskan seberapa mencurigakan kekambuhan.

Ahli radiologi adalah dokter yang paling berteknologi maju—pengadopsi awal yang mencari teknologi transformatif. Namun masih ada begitu banyak potensi yang belum dimanfaatkan untuk AI di bidang radiologi.

Sekaranglah waktunya untuk memanfaatkan janji AI dan menerapkan kemampuan tersebut secara lebih luas. AI dapat menggunakan pengenalan pola dan integrasi informasi untuk menghancurkan monolit tugas berulang dan informasi terputus-putus yang menghalangi produktivitas dan efisiensi yang lebih besar. Jadi, ayo angkat palu dan mulailah menghancurkan!

Ikuti Medscape di Facebook, TwitterInstagram dan YouTube





Source link