Serveur d'impression

Mise en œuvre clinique de l'intelligence artificielle en radiologie – Serveur d’impression

Le 21 décembre 2019 - 9 minutes de lecture

Au cours des dernières années, l'intelligence artificielle (IA) a représenté la frontière la plus récente et la plus en expansion rapide de la technologie de radiologie. Les étages des expositions à toutes les grandes réunions de la société professionnelle regorgent de fournisseurs présentant des outils d'IA qu'ils ont développés ou intégrés dans leurs produits, facturés comme des aides d'efficacité et de gain de temps pour aider à alléger la charge de travail des radiologistes qui sont de plus en plus embourbés par de grandes quantités de données .

Malgré les promesses et le potentiel, cependant, la mise en œuvre clinique généralisée de l'IA en radiologie n'a pas encore eu lieu. Les premiers adoptants offrent des voies d'adoption potentielles, et les fournisseurs et les cliniciens continuent de travailler ensemble pour s'assurer que l'IA fait réellement ce que les radiologistes ont besoin de faire.

Obstacles à la mise en œuvre

Selon de nombreux leaders d'opinion clés dans les domaines de la radiologie et de l'IA, il existe actuellement quelques obstacles majeurs à l'IA pour une adoption généralisée.

Une profusion d'algorithmes conçus pour des applications spécifiques. De nombreux algorithmes d'IA avec des applications cliniques sont conçus pour aider les radiologues à faire une chose très spécifique: estimer l'âge osseux sur une radiographie de la main, prédire quels patients sont susceptibles de développer la maladie d'Alzheimer et évaluer la certitude qu'une lésion détectée lors d'une mammographie est cancéreuse, parmi d'innombrables autres. Bien que toutes ces applications soient utiles et puissent faire gagner du temps et des efforts aux radiologues pour cette tâche particulière, il peut être difficile de justifier les frais d'achat d'un outil qui n'a qu'une seule utilisation spécifique.

«Si vous devez examiner un algorithme distinct pour le meilleur âge osseux, le meilleur pneumothorax, ce sera trop», a déclaré Samir S. Shah, M.D., MSCE, vice-président des opérations cliniques pour Radiology Partners. "Lorsque nous utilisons un plug-in, s'il doit retourner sur le serveur et prend 12 minutes pour revenir, c'est trop de temps."

Manque d'accès à des données suffisantes pour former des algorithmes. Selon Khan Siddiqui, M.D., fondateur et PDG de la société d'intelligence artificielle HOPPR, le créneau de nombreux algorithmes d'IA actuels est dû au manque des ensembles de données massifs qui seraient nécessaires pour former de plus gros algorithmes. Les premiers développeurs d'IA se sont concentrés sur des données disponibles gratuitement en grande quantité pour aider à résoudre un problème à la fois. "Mais ce n'est pas ainsi que nous pratiquons", a déclaré Siddiqui. "À moins que vous ne soyez un radiologue hautement spécialisé dans un établissement universitaire de haut niveau où vous ne voyez qu'un seul type de scan, ce n'est pas ainsi que la plupart des radiologistes travaillent."

De nombreux algorithmes d'IA actuels ne s'intègrent pas facilement dans le flux de travail existant de la radiologie. En fin de compte, avec autant d'algorithmes disponibles et pas assez de données pour former des algorithmes qui pourraient avoir une utilisation plus large, les radiologues d'aujourd'hui se retrouvent souvent avec des algorithmes d'IA qui ne s'intègrent pas facilement dans leur flux de travail existant. Cela oblige souvent les fournisseurs à adopter une approche fragmentaire pour créer une bibliothèque d'applications. Même s'ils ne sont intéressés que par un seul algorithme, rien ne garantit qu'il s'intégrera de manière transparente dans leur flux de travail.

Faire fonctionner l'IA et le PACS ensemble

Dans la plupart des services et cabinets de radiologie, le flux de travail passe par le système d'archivage et de communication d'images (PACS), car c'est là que toutes les données d'imagerie et les rapports associés sont conservés. La visualisation, la génération de rapports et le partage d'images se font via le PACS, et le PACS de chaque fournisseur a des fonctionnalités différentes. De nombreux algorithmes d'intelligence artificielle d'aujourd'hui sont développés indépendamment d'un PACS particulier, ce qui a rendu difficile la fourniture de solutions d'intelligence artificielle qui fonctionneront pour tout le monde.

"Si nous regardons l'histoire de l'introduction d'outils avancés en radiologie, nous n'avons pas vu une très bonne adoption. Ce n'est que lorsqu'ils ont été intégrés directement dans les téléspectateurs, etc., qu'ils se sont habitués », a déclaré R. Kent Hutson, M.D., CPE, neuroradiologue chez Radiology Partners et directeur de l'informatique d'imagerie pour Matrix Radiology. Hutson a été l'un des panélistes d'un récent webinaire sur la suppression des goulets d'étranglement pour une traduction réussie de l'IA en radiologie clinique. "Vous ne pouvez pas greffer sur des plugins supplémentaires et vous attendre à ce que les radiologues utilisent ces [plugins]. "

"Vous devez modifier votre produit pour tous les systèmes PACS existants, car nous avons maintenant affaire à des systèmes de santé majeurs qui utilisent des PACS qui ne sont pas configurables avec autre chose", a ajouté Shah, soulignant la nécessité pour les développeurs d'IA d'adapter leur stratégie.

De tels partenariats nécessiteront probablement des modifications de la part des fournisseurs de PACS, dans le but de créer une interface simple et unifiée entre tous les produits. «Avec la transition vers VNA [vendor neutral archives], Je pense que cela ouvre la possibilité d'une meilleure expérience utilisateur avec les visionneuses d'images. Le logiciel actuel n'est tout simplement pas à la hauteur pour bien s'intégrer aux outils que nous proposons », a déclaré Hutson.

Intégration de l'IA aux modalités

Une autre avenue possible pour ceux qui s'intéressent aux applications radiologiques de l'IA est d'intégrer des algorithmes directement dans les systèmes d'imagerie eux-mêmes. Cela exigera des développeurs et des cliniciens qu'ils découvrent comment aider les algorithmes à communiquer avec les systèmes et les données techniques normalisés DICOM (Imagerie numérique et communications en médecine) au cœur de la radiologie aujourd'hui.

L'organisme international derrière DICOM a créé le groupe de travail WG-23: Intelligence artificielle / hébergement d'applications, dont la mission est «d'identifier ou de développer les mécanismes DICOM pour soutenir les flux de travail de l'IA, en se concentrant sur le contexte clinique. Cela inclut les interfaces entre le logiciel d'application et l'infrastructure DICOM dorsale. »

L'organisation derrière la norme IHE (Integrating the Healthcare Enterprise) a également présenté une paire de propositions en 2019 sur la façon d'intégrer l'IA dans le flux de travail du radiologue. «Ce ne sont que des étapes, mais ce sont des étapes fondamentales très importantes pour que nous puissions obtenir un accord entre toutes ces différentes sociétés qui tentent de le faire, et l'interopérabilité entre leurs systèmes», a déclaré Hutson.

Voici des exemples de la façon dont de nouveaux algorithmes pourraient fonctionner directement à l'intérieur d'un système d'imagerie:

• Réorienter les images radiographiques pour le PACS afin que les radiologues puissent les visualiser de manière simple et reproductible;

• Amélioration de la reproduction et du partage des données d'examens échographiques. Shah, un téléradiologiste de métier, a déclaré avoir reçu des scans de notes manuscrites d'un technologue en échographie, que Shah lit ensuite dans son dictaphone. "Je dicte de la même manière que je l'ai fait il y a 20 ans", a-t-il déclaré. "Les possibilités d'erreur ne font que s'aggraver lorsque vous effectuez ce type de flux de travail;" et

• Identifier les échocardiogrammes qui doivent être refaits avant d'être envoyés au cardiologue référent.

"Je vois donc l'IA dans tout le continuum – pas seulement le flux de travail, mais en remontant jusqu'à l'acquisition des images depuis le tout début", a déclaré Anthony Chang, MD, MPH, MS, MBA, cardiologue pédiatrique et président et fondateur de VISE.

Construire l'IA sur les réseaux existants

Bien que l'IA ne soit pas encore un outil cliniquement utile dans toutes les pratiques de radiologie, les grandes installations et les institutions prestataires montrent des moyens de faire coïncider la technologie avec et d'améliorer leurs programmes et processus existants.

Radiology Partners, une grande pratique de radiologie dirigée et détenue par des médecins aux États-Unis, souhaitait une solution technologique pour réduire la variabilité des rapports d'imagerie parmi ses médecins, en particulier en ce qui concerne les découvertes fortuites. "Nous avons regardé l'industrie et nous n'avons trouvé personne qui faisait cela – quelque chose qui pourrait étendre nos meilleures pratiques pour aider nos radiologues", a déclaré Nina Kottler, M.D., vice-présidente des opérations cliniques pour Radiology Partners. "Nous avons donc dû aller à l'extérieur pour créer quelque chose."

La solution qui en résulte, baptisée RecoMD, se situe au-dessus du système de reconnaissance vocale existant de la pratique, qui utilise déjà le traitement du langage naturel (NLP), une forme d'IA, pour la dictée. RecoMD passe en revue les informations pendant que le radiologue dicte et identifie toute information pouvant indiquer une découverte fortuite qui pourrait nécessiter un suivi. Il prend les informations dictées, les combine avec les métadonnées du rapport de radiologie et crée
Une recommendation.

"Ce n'est pas si utile si vous revenez après avoir dicté un rapport et dit:" Hé, revenez en arrière et changez ceci "ou" Vous avez fait la mauvaise recommandation "", a déclaré Kottler. "Ce que vous voulez vraiment, c'est quelqu'un qui puisse vous le dire pendant que vous rédigez le rapport."

Commentaires

Laisser un commentaire

Votre commentaire sera révisé par les administrateurs si besoin.