分享雷納托Cuocolo博士,放射學家和那不勒斯大學的研究員“費德裏科•II”,最近在2021年的歐洲社會醫學影像信息學(EuSoMII)年度會議在radiomics評估研究質量的挑戰。鑒於radiomics的變革潛力醫學成像,HealthManagement.org與Cuocolo博士會麵,討論最近的趨勢和radiomics麵臨的挑戰。主題的範圍從人工智能(AI)集成到放射工作流程,適合特定的機器學習算法,評估研究質量。
要點
- 雖然人工智能可以應用於促進臨床工作流、具有挑戰性的目標驅動radiomics研究。
- AI可以excel在優先考慮病人處理重臨床需求和幫助形象評論和解釋。
- Radiologist-AI互動應該是無縫的但不是基於盲目的采用。Radiologist-AI信任可以很容易地使用可核查的輸出在最初的實現中。
- 盡管人們越來越多地關注深度學習,任何correctly-applied機器學習算法可以很好地工作。簡單的模型應該是首選,如果大幅性能是等價的。
- 如果radiomics調查背後的理論是合理的,那麼性能應該在各種條件下重現。
- 大多數商用智能解決方案沒有同行評審數據支持他們的性能要求。
現在需要麵對的放射學可以AI的地址嗎?
這是一個具有挑戰性的問題。我們都向往的潛力是radiomics和機器學習打開新的可能性,給我們新的途徑帶來價值通過放射醫療;讓我們從圖像獲取信息,當前不可用,或不易獲得,或需要高水平的專業知識。
短期和中期,在實踐中,一個可行的目標是依靠radiomics和機器學習來幫助我們提高生活的質量,加快重複和不那麼有趣的任務。因此,放射科醫生可以更充分地致力於更具挑戰性和有趣的方麵的臨床實踐。
例如,自動化病變大小測量,分割,用更少的關注他們的描述;最後一個主題仍然是太具有挑戰性的廣泛臨床采用預測模型。
人工智能可以幫助的任務,努力,和乏味呢?
是的。例如,有多發性硬化病變負載比較或腫瘤患者分期或後續考試。這些任務已經有一些軟件工具。機器學習可以提高那些都是可用的,這已經是一個現實。
從長遠來看,隨著該領域的發展,希望我們可以使用這些工具來獲取額外信息相比,我們現在可以:例如,疾病的基因組或表型分析,我們目前主要是做不到。這是目前從研究的角度更有趣,因為它離你最遠的一個臨床實踐的觀點。另一方麵,更重要的是有趣的從臨床實踐的觀點是這些重複的,無聊,不具有挑戰性的放射學家和耗時的任務。這些都是那些不那麼有趣的從一個研究的觀點來看,或許有更少的激勵出版這些話題,因為他們不那麼迷人。伟德老虎机下载有更少的機會高能見度與努力。
而不是單調乏味的工作流程,推動創新是什麼?
不,它不是推動創新,但我認為這是radiomics在哪裏可以找到一個簡單的應用程序在短期和中期。推動研究更高的概念是什麼獎勵,但這些都是更具挑戰性的實現。我認為這些都是注意力集中的地方,但這些應用程序仍然非常遙遠未來的以可信的方式。
如果後麵有一些真實的實驗,那麼它應該獨立,來自多個組,因為那裏的東西,我們都看
之間存在脫節,研究集中,資金的去向,我覺得radiomics可以短期和中期臨床影響在未來五年或十年。當你為遺傳型的造型方麵或類似的結果,是非常具有挑戰性的繁殖的結果,有一個產品可實現在世界各地,因為設置非常不同。即使你開發一個好的產品,一個機構可能會改變他們的掃描儀在未來三年嗎?然後你可能不得不重新開始。另一方麵,有更簡單的任務,如病灶分割,容易驗證的放射科醫生的觀點,因為你可以看到並檢查實時輸出。這是更容易實現,但它不有趣。它的不那麼迷人的研究、學術和資金的觀點。是更具挑戰性的獲得感興趣的研究領域。所以,我認為有一個脫節現在能做什麼,我們希望radiomics和機器學習在未來。
放射學部門如何處理增加需求由於COVID-19嗎?
是的,有一個高增加胸部x射線和胸部CTs在我的部門,但不幸的是,在許多其他領域也有減少。活動的總體數量增加而不是太多。我們的資源都集中。關於radiomics,我認為他們不能幫助加速的報告。
但在此設置可能是有用的機器學習領域不相關圖像分析,因為機器學習也有一些模型和方法,以改善病人的優先級和管理進行分流和等待列表。
機器學習可以有一個角色在處理需求增加對未來由於COVID-19放射學或其他原因,我們願意提供更多的考試。空間需要的數字化醫療數據庫提供有關病人的信息正確選擇哪些患者應該更容易或更早進入考試。
這是一個微妙的和具有挑戰性的話題,但它是一個空間,機器學習可以幫助。它已經完成了在其他領域已經應用機器學習的地方。他們不如保健至關重要,但在這種工作有很好的經驗在其他領域。
是人工智能的一個最好的應用程序優先考慮患者?
病人認識和考試將幫助管理資源的優先級高於資源的需求。機器學習可以幫助正確分配資源允許的人應該訪問醫療、放射學在這種情況下,這樣他們不會被排除在外,因為有太多的需求。
AI如何幫助改善形象評論和解釋?
是的,它可以幫助。幫助臨床實踐和成像解釋評論,人工智能解決方案應結合當前軟件我們已經使用圖片報道,如pac係統可視化和報告係統。一些解決方案與pac供應商和合作提供良好的集成模塊中查看係統。在某些情況下,他們會自動填充的部分的報告。這可能是理想的,因為這個軟件通常有一個非常實用的應用程序(如損傷檢測、測量肺結節、腦動脈瘤,或其他發現。卷的腦出血是放射科醫生容易進行複核。
其輸出集成在我們的臨床工作流程,很容易讓我們看到,這些應用程序的算法是按預期工作。所以,我們可以很容易地信任模型的輸出。專注於這些類型的任務簡化了這些工具的介紹在實踐中,因為它是放射科醫生更容易信任他們可以立即驗證。
駕駛研究更高的概念是什麼獎勵,但這些都是更具挑戰性的實現
當你有輸出參考信息,必須獲得手術後,線,或者十年後預後,是非常具有挑戰性的信任的輸出不知道這個係統如何運作的人或者沒有工作的發展。當輸出和集成到一個報告時,他們必須簽署並承擔責任。
應該AI係統無縫集成到工作流和不是一個“黑盒”?
我認為應該盡可能無縫交互。它可以通過不使用外部軟件盡可能多和盡可能不使用專門的工作站。
它不應該隻局限於細分領域或特定的專家。它應該盡可能容易,因此,交互需要盡可能少的行動從放射科醫生。它應該隻是一個概述的輸出是什麼。並使用輸出很容易就可核查的放射科醫生沒有複雜的技術知識。這將是有用的。
放射科醫生應該看到“幕後”,看到模型是如何工作的?
是的,你必須看看模型是有效的。這是具有挑戰性的,因為它是不可能在大多數情況下,或輸出需要易於理解。
例如,我可以看到如果軟件檢測到一個結節和措施。我可以看到什麼是測量和結節的位置。所以,我很容易就來驗證它的做法是正確的,即使我不知道它如何發現結節以及它如何進行測量。我看到它是正確的,然後我可以相信它。信任可以構建引入更多完成任務,我們就可以開始信任多一點,委派,退後一步。
這是一個具有挑戰性的平衡,因為你不想得到,你讓算法完全無監督工作。我們要信任,但不太多。我們想讓某人檢查發生了什麼。這是類似於自動駕駛汽車發生了什麼。它已經承諾了許多年。即使是現在,有很多軟件,但他們總是需要一個司機手在方向盤上。即使在高速公路上汽車是在完美的條件較低的流量,總是需要監督。沒有人會建議使用汽車沒有任何形式的監督。同樣的適用於醫療和放射學。這可能是同樣危險的,因為它總是一個生死攸關的情況。 In both cases, you can have a car accident or misdiagnose a lesion or not see a lesion and its secret features.
人工智能應該提供什麼信息?有用的特性是什麼?
假設一個想深入內部軟件是如何工作的。在這種情況下,這應盡可能提供——例如,看到功能分布,觀察模型構建。如果模型使用特定的功能,它可以提供一些信息關於這些特性已經分布在損傷,也許,在培訓數據庫使用。它應該給一些洞察如何到達它的結論。深入學習,你可以激活模型映射到看到拘留集中的形象。如果一個人想要一些信息,這應該是可用的,因為可以有一些懷疑的輸出。
但前端為廣大用戶應盡可能簡單,這樣信息可以訪問但不是強製性的看它。它可以為一般用戶太複雜。成為我們使用常規的東西,它不應該進入這個級別的考試對於每一個細節。否則,它就變成了一個障礙,而不是完美。
理想的實現取決於我們談論的是什麼。例如,對於預後,可能隻是概率和結果是有用的,所以我們知道疾病的進展在五年內之類的。但是我們通常會很無關的報告現在在放射學。它不會很容易整合這些信息在我們習慣於在我們期末考試報告。需要一點工作一旦這些技術普遍存在。
機器學習算法很好地Radiomics ?
幾乎可以使用任何與radiomics算法,即使總是一個挑戰與患者病變或實例的數量模型的訓練。radiomics通常生產的主要問題是根據定義成百上千的特性。眾所周知,在機器學習、統計,一個不能使用整個數據集,因為過度的噪音量。
隻要有一個正確的管道實現機器學習模型之前,有一個良好的功能降低。這可以包括好的特性穩定、單變量分析、多元分析、主成分分析的降維,甚至更複雜的算法。這些可以考慮但無監督的機器學習算法。然後可以使用任何類型的模型。從方法論的角度來看,如果我們能獲得一個類似的性能與一個簡單的模型,它將總是比使用最簡單的模型開始:即使邏輯回歸、線性回歸,然後建立。盡可能簡單的模型應該是首選,因為簡單的模型更容易理解和驗證它的正常工作。
當我們增加模型的複雜性與整體方法,與隨機森林,這仍然是非常可以理解的,或者支持向量機,複雜性增加,深度學習就可以去支持向量機可以得到相當複雜的學習差不多一個黑盒子。可解釋性變得有限。你通常可以提高性能,但你付出代價的可解釋性。所以不同的模型應該追究,但我們應該選擇最簡單的一個最後的實現,給我們希望的結果。這導致準確性和explainability之間找到最佳的平衡。這是一個真正的簡單的模型比深度學習的優勢。
今天,有一種傾向,將直接進入深度學習的問題。這種情況不僅在醫療和放射學研究。有宣傳深度學習,因為它是更複雜的,它需要更高的計算。它看起來更有趣。在研究的開始階段,是一個過度的傾向,直接進入深度學習,而不是從更簡單的模型,可能會更正確的從方法論的角度來看,甚至從實際實現視圖。
在比較各種模型時,我可以說他們可以是有用的。可能會有深度學習的情況表示即使我們通常在放射學的數據量並不與用於深度學習的其他任務。
病人認識和考試將幫助管理資源的優先級高於資源的需求
深度學習模型已在其他領域數據集包含數以百萬計的條目,在放射學和醫學,我們有幾十或幾百個病人。當我們有成百上千的病人,我們已經高興,因為我們有一個豐富的數據集字段。但是,如果你比較這些數據是可用的,例如,在image-net或其他數據集,它是滄海一粟。
總結,所有模型可以有用如果選擇合適的任務。一個應該簡單和移動的複雜性,如果有必要,實驗後,而不是從深度學習,因為這是現在的趨勢是在研究什麼。
什麼時候適合使用“深度學習”呢?
深度學習的設計使用大量的參數。這已經是一個問題,當這些參數是派生的數據數量小。它持有偏見和不可靠的結果的風險。您還可以使用深度學習特性,提取了手上或人工圖像的分析。
使用深度學習經驗必須是合理的。或者,也應該用一個更簡單的模型進行比較,證明神經網絡的附加值。即使這樣做已經在其他領域,深度學習並不總是最好的解決方案。隨機森林,甚至物流回歸在許多任務和其他領域仍然具有競爭力。隻有當變得無法抗拒的數據量(這是演示實驗),深度學習絕不含糊地占了上風。
在放射學,我們尚未達到飽和水平和更簡單的模型,所以需要深度學習來提高你正在做的事情。我認為現在報道的結果在許多情況下,仍用更簡單的方法獲得。更容易理解結果容易出現和建議那些不直接參與。一個可以建立。一旦足夠大的數據集,然後深度學習可能成為可行的更複雜的任務,現在還沒有可行的。
算法的選擇取決於成像形態,器官組織,還是疾病?
這些因素會影響模型的選擇但主要是數據的可用性。因為在一些形式,如x光射線,很容易收集非常大的數據庫,而通常情況下,應該有更少的變化。為其他形式,如超聲波、圖像特征可以有很大區別即使在一個網站。
因為每個運營商使用不同的設置,這改變了圖像。這可以引入偏見對人眼不可見,但成為相關定量分析圖像。
一般來說,我不認為有一個直接聯係特定的圖像形態或器官的病變和首選的機器學習算法。我認為算法的選擇取決於我們想的任務,因為如果我們談論的是損傷檢測,然後直接作用於圖像的算法。這種類型的算法決定,沒有多少器官或形態,但更多的目的和類型的數據集。
你麵對什麼挑戰比較不同算法的性能?
沒有優先指標,即使一些具體指標更常用的一些任務。例如,在分割,骰子的分數是一樣的F1分數用於分類,等等。
的一個挑戰是,研究人員往往希望報告隻是接受者操作特征曲線下的麵積(AUC-ROC)或一個指標作為參考,特別是那些沒有醫學背景。通常來自更多的技術背景,它們用於調優機器學習管道重點指標,成為參考用於調優模型,其hyperparameters,整個管道。
從臨床角度看,具體指標獲得價值根據我們討論的問題。如果它是一個篩選程序,我們可以接受更多的假陽性,如果這意味著我們不丟失重要的病變。隻提供的AUC給我們這邊的任何信息,所以盡管我們可能知道精度好,我們不知道病人的實際分布。我們可能會喜歡與一個更好的負麵預測精度較低。但我不會關注預期每篇論文的具體指標。
我認為這是更好的尋求盡可能多的信息,因為這是唯一的路要走,有可靠的結果和建立信任的係統。隻要我們隻提供一種度量,它總是可以給人的印象是擇優和選擇性報道,這隻提要懷疑有些人對這些技巧。
最好的指標應該使用比較算法依賴於其預期功能?
即使是最好的指標,它總是有限的信息。一個人應該總是要求盡可能多的信息;所有可能的指標,可以合理地獲得沒有做得太過火。
我並不是說每個人提供了一個單一的指標確實如此惡意的。如前所述,這尤其可以理解當研究人員沒有臨床背景。通常你需要選擇一個指標驗證期間成為了開發過程中參考指標。有一種傾向對於機器學習開發人員,工程師和研究人員隻關注這一指標。但這僅度量,過程的最後一個想的臨床適用性假設的結果產生的模型,不給的全貌。擁有完整的混淆矩陣,這是所有的基本獲得指標,給了我們一個更好的圖片,幫助我們理解如果一些問題沒有明顯的研究人員。例如,因為他們沒有所需的臨床背景或他們忽視它。它可能發生。
一般來說,解決方案是期刊,讀者、評論家,要求所有的合理獲得生產指標,允許一個完整的評估充分的實際結果。
你如何評價別人的研究當信息沒有?
好吧,如果我是一個評論家,通常,我問的混淆矩陣作為論文的評估要求。如果我是一個讀者,正如我所說,我們執行兩個薈萃分析。在這些情況下,我們沒有其他選擇,隻能專注於AUC值,因為這是唯一指標報告一致。
這是不理想。例如,我們已經知道,磁共振成像在前列腺癌高陰性預測價值。如果我開發一個模型來檢測損傷,我會感興趣模型高的陽性預測值因為那補充更好的我們已經能夠做放射科醫生。但這需要一些專業知識從後麵研究或足夠的信息的可用性評估,從讀者的角度來看,如果論文已經發表。
但在任何情況下,如果能徹底變得標準實踐報告的結果在這些類型的文件,問題自然會解決。這些信息可用時,我們可以進行薈萃分析在其他領域使用經典的統計數據。我們期望從臨床試驗,這種程度的信息不使用機器學習。不合理不適用同樣的標準,我們一直期望能從其他領域,而不是將它們應用於機器學習。好像不是因為它是機器學習,我們不必期望在最終結果同等程度的信息。
促進各地比較研究中,研究人員應該提供他們所有的數據在原因嗎?
機器學習中總是會有一個限製,因為除非模型本身是可以實現的,與數據的預處理管道的細節,你將永遠無法完全複製的結果。
從心理再現性危機,出現的一個概念是再現性不應局限於實驗本身的繁殖。所以把管道,代碼在機器學習中,數據集,點擊,相同的結果是有用的,但它是有限的興趣。
背後的想法是,如果概念研究是合理的,如果這個想法的基礎預測或分類模型或回歸模型的預測模型是合理的,每個人都應該獲得在某種程度上類似的結果甚至接近問題略有不同。如果考試的信息類型,為病變類型(例如,如果你說的腫瘤患者最常見的應用程序),即使我不使用相同的方法,如果這個實驗背後的理論是很好的,我還是應該得到類似的結果,因為信息必須有。否則,如果我隻是造型我隨機噪聲在一些數據集沒有出現在你的數據集或另一組的數據集,那麼我將永遠無法複製。如果我給你我的數據和模型,您將能夠複製我的結果。但是這些結果可能仍不真實或不支持的背後真正的理論實驗。所以我們應該提供所有的信息產生的評估的模型。複製的具體實驗隻是有趣的某一點。我們也應該旨在開發一個更加全麵的理解我們所看的圖像;這些模式是什麼意思。如果有病變的模式中信息,那麼它應該信息不管(在一定限度內)我看著它,如何檢測它,或分類。 That signal should be there.
在任何情況下,我們可以有一個更優的解決方案,獲得更好的準確性或少一點不準確的最優解。但如果信息,即使我們仍然應該明顯略偏離我們使用的方法。
所以它不是具體的經驗。更多的是實驗的背後是什麼。如果後麵有一些真實的實驗,那麼它應該獨立,來自多個組,因為那裏的東西,我們都看。
這種策略如何解決魯棒性和可複製性危機的文獻?
從一個更直接的角度,我們應該提高我們的標準在放射學期望從機器學習研究。這個過程已經開始,因為清單已經開發的編輯和期刊比更普遍更特定於機器學習研究研究checklists-these援助在確保正確的數量的信息存在。我們討論的包括精度指標。
同時,從不同的研究小組已經越來越感興趣,包括我自己,在使用外部工具來評估研究已經出版的質量。和這些努力的結果通常是不令人滿意的。質量通常是發現總是很低,獨立於應用程序。那裏是一個問題。有一個小的趨勢改善多年來,我們必須建立,獲得更大的進步。
在短期內,我們必須繼續提高出版標準,尤其是在更著名的期刊資源實現更嚴格的通過。可能涉及的技術編輯更多的方法論方麵可能不是臨床評論家,通常參與這個過程。然後從更普遍的角度來看,我們應該開發radiomics背後的理論和機器學習。
就目前而言,通常情況下,以這種方式研究:你有一個主意。你構建一個數據集。然後你試試,如果你能力,預測任何你想預測基於你已經在該地區。但隻有少數團體試圖在一個特定的模型適用於一個特定的原因的結果。應該有一個更大的努力建立一個好的理論背後的一些機器學習的應用程序——為什麼它適用於一個特定的遊戲,我們有。
(解釋)有大量的數據在一個特定的結果,如前列腺成像,乳房成像,和neuro-oncological成像。某些領域已經有大量的研究,已發表。但是他們總是非常小和狹窄的概述。我們應該開始有一些作品試圖聚合數據,看看更大的圖景。並試圖建立一個更大的理論為什麼radiomics這些區域內工作或不工作。這是非常具有挑戰性的,但從長遠來看,如果我們想讓radiomics健壯的字段,它應該有一些理論和一些理解它是如何工作在更一般的意義上,不僅因為它幾乎和經驗它停止工作。
類似的事情功能性大腦成像和連通性。還有其他地區在放射學初步結果隨後將建立一個更健壯的理論在大腦中發生了什麼。可以采取一個更實際的方麵和定量結果和實驗科學。建立在獲得更多的理論的理解發生了什麼生物。我認為我們應該追求機器學習的研究人員。也許不可能,但我們至少應該嚐試。
Radiomics將采取哪些新的方向在未來五年?
在下一年,我認為這仍將是一個高興趣radiomics放射科醫生目前無法實現的具有挑戰性的任務:例如,基因組分析,剖析目前大作戰,並在十年的預測結果。研究已經現在將繼續下去。我希望會有更大的關注更實際的一麵,更容易獲得的結果是臨床可實現,允許真正的在實踐中應用這些工具。放射科醫生和工具之間建立信任,病人和工具,將使我們能夠開發必要的監管和法律框架。有更簡單的工具,更容易將開門驗證所有的休息。
我希望這種認識將得到普及。不是來自學術界,但是從公司?工作在這一領域,已經有一個更大的理解如何前進。例如,甚至從改善圖像質量和加快在MRI圖像采集或降低劑量,這些都是應用程序的深度學習放射科醫生不太清楚。公司投資的事情,是切實可行的,可見。驗證圖像質量仍是診斷和信息,我們可以從這些圖片仍然是有用的。有一種傾向,將以這種方式從商業觀點,我希望將推動其他領域。它將解決的問題在不久的將來在未來五年將更實際:像加快收購重複性和環任務的負擔。
你認為擔心AI會取代放射科醫生是合理的嗎?
不是,因為放射學是相當複雜的,幸運的是太複雜現在被自動替換工具。如果我們討論的是如果AI,它可以代替放射科醫生,然後會有其他問題解決;它將能夠替代其他工作場所放射學之前。可能會有一個重組的社會作為一個整體。在醫學領域,其他專業也從人工智能更直接的危險。例如,病理學家和其他專業,分析圖像或也有這些類型的任務。在這種情況下,它可能更容易開發工具,獲得類似的結果,因為它更簡單,而且有更多的同質性的工作流程。所以我不認為恐懼是合理的,即使在未來。
就像我之前所說,我們看到發生了什麼即使無人駕駛汽車。十年,無人駕駛汽車在未來五年。人工智能的希望和期望總是太高而實際上它能做什麼。醫學院的學生可能沒有足夠的知識在放射學和AI能夠正確地評估形勢。直到放射科醫生短缺,我不會擔心。
將對放射科醫生的需求減少,因為人工智能將會增加他們的效率呢?
不,我不這麼認為。放射學也越來越積極介入方麵,有一個整體的放射學完全不感興趣的這個問題。當前提出的應用人工智能完全忽視更實用的一麵。
我想有一個更大的機會,也許電視醫療和其他技術可能會減少或重新分配在放射學AI會影響工作。因為人工智能的任務可以做,我期待一個非常有限的影響大部分工作在小中心放射科醫生在臨床實踐中。大部分工作完成現在的目的是更高層次的護理和利基。甚至在考試的數量可以增加,這就增加了對放射科醫生的需求。因為如果我們能加快MRI成像從40分鍾的考試考試10分鍾或5分鍾的考試,而不是獲得20 MRI檢查在一天早晨,我們在一天早上可以獲得100核磁共振檢查。然後我們可能需要更多的人來報告這些考試。我認為很難在這個規模作出預測。
這些算法如何成為商業化?
這是具有挑戰性的。你需要紮實的計算機科學的人,軟件工程師。在人工智能模型,您必須開發整個軟件基礎設施,允許數據管理。因為你輸入原始數據,並喂給模型正確的預測之後,你必須實現整個管道,在研究開發設置,用戶界麵,所有的用戶體驗方麵,將它與當前的解決方案。挑戰在於,它需要很多來自不同領域的人的參與。
如果你有一個想法,一個產品,你可以商標注冊它,你可以去一個公司,然後利用他們的專業知識。例如,幾個醫學掃描儀和技術供應商已經收購小公司或工作人員一起開發自己的不同的解決方案。
事實上,已經有大量的放射學的商用軟件。最近,甚至一個存儲庫的一篇論文發表在歐洲放射學,包括解決方案已經FDA的批準,或醫療用歐洲CE標誌。所以有大量的軟件。
是具有挑戰性的一個研究小組。也許永遠不會達到這個點沒有擴大的初創公司,建立必要的基礎設施或與大公司合作已經有必要的專業知識。
關於研究和商業之間的一致性方麵,本文強調了100年商用解決方案,大多數沒有任何研究支持他們的表現。所以,當他們來提出一個產品,大多數沒有研究。的研究(36%),隻有一半的研究是獨立於供應商的,而不是直接撰寫或由軟件供應商。雖然確實軟件是商用,這可能不是真的,有足夠的同行評審的證據來支持他們的實現。我們應該看到的實際質量研究——如果它是可靠的和可再生的,和所有的事情我們已經討論了在我們之前的問題和答案。
有商業上可用的解決方案。公司已經來到我的機構提出其中一些。我想實現它們還為時過早。也許一些供應商的解決方案加速圖像采集時間已經可用。其餘的,我不會把任何的錢投資在這些解決方案在這個時間,大多數時候,我們將早期采用者。在任何技術,它不總是一個好位置的,因為早期采用者也最終beta測試人員。他們最終支付的特權使用最佳的東西準備好。我仍然會等待多一點。如果我必須把錢花在我的部門,部門負責人,我現在不會投資於任何人工智能產品。前仍有可能更可行的費用支出,在那個地區。 Maybe they’ll be more mature in four or five years and have more evidence to support their use. For now, I think it should still remain mainly in the research field.
教育津貼或FDA不需要數據通過人工智能的解決方案?
大多數的審批技術可行性,不是基於臨床影響。他們可能有研究證明結果是可再生的和魯棒性。這並不是說他們沒有任何證據。它可能不是出版,這不是公開可用的,它不接受古典外部審查過程。他們可能有內部證據表明他們可能產生的立法機構。他們可以用於臨床,但他們大部分沒有經過驗證的臨床影響。
考慮到美國,還有另一個討論。在過去的幾個月,第一個解決方案獲得通過保險補償的能力。這是少一個問題在歐洲,因為在歐洲,通常情況下,最終的付款人,在很大程度上,國家,至少,在意大利。總是有公開報道的大部分費用。其中一個問題是,誰支付人工智能?如果它是有價值的在意大利,醫院支付它。最後,通常情況下,它是我們國家的醫療保健係統。在美國,還款並不容易。這是一個挑戰這些公司試圖從保險公司得到認可,可補償。翻譯研究的技術實踐,尤其是在商業方麵的事情,是一個完全不同的世界。 It’s very challenging.
我不知道是否有任何“隨時間保養”的實現和擔保,如果數據分布的變化在你的機構,供應商負責。如果模型停止工作誰來承擔責任?涵蓋了成本,例如,培訓一個模型的更新數據?它永遠不會結束,如果你想去那邊的事情。
我相信這個技術。我認為這些技術做的工作,可以工作,應該實施在未來放射學。隻是可能,現在,我們會有點太快了。這可以在長期內會適得其反,因為我們現在騎炒作波。如果我們繼續太快,不像預期的那樣工作,我們會有一個反彈。這將是一個長期的負麵結果因為這些技術有堅實的基礎,可以正確實現。
我不希望給我負麵的印象。我工作主要是在這一研究領域。這將是虛偽的,我說我不相信它。我相信他們的工作,但是我們應該非常小心如何實現和發展這種研究。
的利益衝突
Cuocolo博士報道沒有利益衝突。
看完整的采訪在這裏。
