Cinco lições aprendidas com a implantação de Inteligência Artificial em escala

"A inteligência artificial é algo que veio para ficar", disse Nina Kottler na Conferência Virtual da Primavera de 2022 da AuntMinnie.com

05 Abr, 2022

Não é fácil implementar a inteligência artificial (IA) da radiologia em escala. Em uma palestra na Conferência Virtual da Primavera de 2022 da AuntMinnie.com , a Dra. Nina Kottler, da Radiology Partners (RP), compartilhou cinco lições aprendidas com suas implantações de IA. "A inteligência artificial é algo que veio para ficar", disse Kottler. "Devemos adotá-lo como parte do nosso futuro. E se o abraçarmos como parte do nosso futuro, e se o abraçarmos e aprendermos sobre ele e nos tornarmos especialistas, podemos conduzir aonde isso vai chegar."

1. O dimensionamento da adoção de IA de radiologia é um processo não linear

Na RP, o ritmo de implementação da IA ​​mudou muito rapidamente nos primeiros anos. Mas depois diminuiu, de acordo com Kottler.

Processos que funcionavam inicialmente para programas de teste piloto agora precisavam ser reescritos, disse ela. Além disso, a infraestrutura precisava ser desenvolvida para suportar alto crescimento e adoção.

"O que funciona para uma pessoa ou 10 ou mesmo 100 não funciona para 1.000", disse ela. "E você precisa torná-lo funcional do ponto de vista técnico. Depois de fazer isso, as coisas podem decolar novamente."

2. A IA pode gerar descobertas inesperadas

Depois de implantar algoritmos de triagem auxiliados por computador para descobertas críticas, a RP descobriu que os algoritmos tornaram seus radiologistas mais eficientes.

"O que descobrimos é que os radiologistas eram mais eficientes porque eram mais eficientes nos estudos negativos", disse ela. "Há muito mais estudos negativos do que positivos [estudos]."

Algoritmos de triagem auxiliados por computador também podem tornar os radiologistas mais sensíveis. Embora a grande maioria desses resultados anteriormente perdidos tenham sido descobertas sutis, isso não significa que eles possam ser ignorados, disse Kottler.

Se os dados dos resultados puderem mostrar que essas detecções valem a pena, essas descobertas da IA ​​podem ser usadas para fins de triagem, ajudando os pacientes e o sistema médico, disse Kottler.

A IA também pode fornecer algumas descobertas inesperadas. Em sua palestra, Kottler compartilhou como seu algoritmo de detecção de fratura de costela revelou um pneumotórax em um paciente com trauma e também metástases ósseas após a detecção de uma fratura patológica de costela. Achados inesperados semelhantes também foram encontrados ao aplicar algoritmos para detectar hemorragia intracraniana e embolia pulmonar, por exemplo.

“A IA encontraria uma coisa, e eu, porque estava muito sintonizada com essa coisa quando olhei especificamente para ela, pude encontrar ainda mais”, disse ela. “E é aqui que humanos e IA serão melhores juntos”.

3. É hora de investir na educação em radiologia AI.

Os radiologistas precisam se tornar especialistas em IA, de acordo com Kottler.

"Aproveite seu tempo para fazer a transição de ser um aprendiz precoce ou um adotante precoce para um especialista precoce", disse ela.

Mas esta educação não pode ser um evento único.

"Você precisa voltar e reeducar e garantir que haja pessoas treinando ativamente os radiologistas e reforçando essas informações", disse Kottler.

4. A IA precisa ser integrada ao fluxo de trabalho da radiologia.

Atualmente, existem três opções viáveis ​​para integrar a IA ao fluxo de trabalho da radiologia. Os resultados da IA ​​são enviados para o PACS, o PACS "chama" o visualizador de IA ou o visualizador de IA é incorporado ao PACS, de acordo com Kottler.

"Esperamos que no futuro haja padrões como talvez o padrão FHIR que estamos usando ou outros padrões que nos permitirão integrar e trabalhar com as informações de que precisamos em nossos sistemas PACS", disse ela. "Nós apenas não estamos lá ainda."

5. É necessária uma plataforma para implantar IA e automatizar fluxos de trabalho.

Uma plataforma necessária para utilizar a IA em escala, disse Kottler.

“A plataforma tem que ser capaz de pegar todos esses dados não estruturados que temos em radiologia em grandes escalas e movê-los em tempo real, e isso não é fácil”, disse ela.

Essa plataforma precisa enviar dados de imagem para o sistema de IA e depois para o radiologista ou outro usuário. Isso requer dois níveis de orquestração: um para garantir que os dados de imagem corretos sejam enviados para o sistema de IA correto e uma segunda camada para garantir que os resultados de IA cheguem onde precisam.

Essa tarefa de orquestração pode ser melhor tratada por meio de uma plataforma nativa da nuvem melhor do que um servidor local, de acordo com Kottler.

"É a única maneira de realmente aumentar e diminuir os recursos conforme você precisa deles", disse ela. "Não é baseado no volume total; é baseado no volume que você está enviando em qualquer segundo. Em qualquer segundo você pode enviar milhares de instâncias em sua escala, e você precisa de algo que possa gerenciar isso."

Fonte: https://www.auntminnie.com/index.aspx?sec=sup&sub=imc&pag=dis&ItemID=135417

 

Compartilhe


NOTÍCIAS RELACIONADAS