美国NIBIB发布《医学影像人工智能转化研究路线图》

  

  528日,美国国立卫生研究院(NIH)下属美国国家生物医学影像与生物工程研究所(NIBIB)发布《医学影像人工智能转化研究路线图》报告[1]。该报告与416日发布的《医学影像人工智能基础研究路线图》都是NIH、美国放射学会(ACR)、北美放射学会(RSNA)和放射学与生物医学成像学院共同组织的20188月研讨会的结果。该报告侧重人工智能(AI)的临床转化,提出了促进人工智能在医学成像中应用的优先发展方向,旨在充分发挥大数据、云技术和机器学习的作用,提高临床医生规划和利用成像技术的能力,提高疾病诊断和治疗应答评估的水平。

  报告总结了目前医学影像人工智能临床转化4个优先发展方向的现状、存在的知识和基础设施缺陷,以及未来的改进举措建议。

  1AI软件用例

  目前,AI算法是建立在单一机构、单一开发人员开发的用例基础上,这限制了其在向临床实践转化时的多样性和通用性。存在的知识和基础设施缺陷包括:很少有结构性AI用例可用于AI开发;在类似的用例之间,算法的输入与输出也非标准化;缺乏可用于结构性AI用例开发的公共数据元注册体系。改进举措建议是:充分发挥放射学专家和放射学专业协会的价值,开发可广泛获取的结构性AI用例,促进AI在医疗实践中的应用;开发公共数据元,并促进其在报告软件和AI开发中的应用。

  2、数据可获取性

  目前正在开发的算法大多基于单机构数据,同时也没有证据证明算法的输出能够推广到常规的临床实践中且不存在偏见。需要对基础设施进行改进,以实现对分散数据集的使用,优化对AI算法的训练、测试和验证。改进举措建议是:基于结构化用例,建立用于AI训练和测试的数据集,从而能够在多个机构中建立类似的数据集,同时实现集中使用或在不同场所使用;确保地理、技术和患者类型的多样性;开发注释数据集目录,促进AI开发人员的使用;为数据存储协议建立标准,以促进组织间的数据共享。

  3、确保算法应用于临床实践的安全性和有效性

  目前很难获取训练数据之外的数据集对算法进行验证,缺乏/缺失监测AI临床实践性能的途径。存在的知识和基础设施缺陷包括:在获得美国食品药品监督管理局(FDA)许可之前,应该开发具有真值的数据集,对算法进行验证和评估;应该建立算法性能监测的注册体系。改进举措建议是:开发用于AI算法验证的有效途径,促进FDA的上市前评审;建立健全的注册表,以监控临床实践中的算法性能,并能够收集与检测相关的技术和人口统计元数据。

  4AI算法临床集成标准

  已有一系列数据迁移和归档的标准,不再需要额外的标准,然而对于人工智能算法集成的互操作性,目前还没有确定最佳标准。存在的知识和基础设施缺陷包括:还无法实现识别和使用适当的标准提高AI的互操作性;没有标准的应用程序编程接口可用于将AI的输出数据整合入现有的健康医疗信息化资源中,如医学影像信息系统和电子化人力资源管理。改进举措建议是:为识别AI互操作性适当标准提出建议;为研究和开发人员开发API,促进其将AI算法输出整合入临床实践。

  (王玥)

 

  


 

[1] NIH and radiology societies map path for translational research on AI in medical imaging. https://www.nih.gov/news-events/news-releases/nih-radiology-societies-map-path-translational-research-ai-medical-imaging

原文始发于:美国NIBIB发布《医学影像人工智能转化研究路线图》

 

注:本站文章除标明原创外,均来自网友投稿及分享,如有侵权请联系dongxizhiku@163.com删除。

         

发表评论