Tại Sao Các Mô Hình AI Không Giải Quyết Vấn Đề Cốt Lõi Của Chẩn Đoán Hình Ảnh

Phần lớn công việc AI trong lĩnh vực chẩn đoán hình ảnh ngày nay tập trung vào các mô hình chẩn đoán. Mục tiêu là cải thiện độ chính xác bằng cách đào tạo trên nhiều dữ liệu hơn và tinh chỉnh các mô hình. Cách tiếp cận này coi chẩn đoán hình ảnh chủ yếu là một nhiệm vụ nhận dạng hình ảnh, nơi việc phát hiện tốt hơn được kỳ vọng sẽ cải thiện toàn bộ hệ thống. Ban đầu, điều này có vẻ hợp lý: nếu việc phát hiện cải thiện, chất lượng chẩn đoán nên cải thiện theo. Quan điểm này bỏ qua vấn đề chính.

Vấn đề cốt lõi trong chẩn đoán hình ảnh là cấu trúc của chính quá trình chẩn đoán. Đó không phải là giới hạn của việc nhận dạng mẫu, mà là cách công việc được tổ chức và quyết định được đưa ra. Và việc cải thiện các mô hình không giải quyết được vấn đề đó. Dưới đây, chúng ta sẽ xem xét tại sao điều này xảy ra và những thay đổi nào cần thiết ngoài độ chính xác của mô hình.

Vấn Đề Là Cấu Trúc

Các mô hình CV giúp nhận dạng mẫu trong hình ảnh. Trong các nghiên cứu có kiểm soát, chúng có thể đạt được hiệu suất tương đương với các bác sĩ chẩn đoán hình ảnh, với AUC thường trên 0.90 và, trong một số trường hợp sàng lọc, đạt hoặc vượt quá hiệu suất của chuyên gia. Trong nhiều lĩnh vực, khả năng phát hiện kết quả không còn là hạn chế chính.

Đồng thời, chúng chỉ hoạt động với dữ liệu hình ảnh. Chúng突出 khả năng phát hiện kết quả có thể, nhưng không tham gia vào quá trình chẩn đoán chính. Chúng không kết hợp các đầu vào khác nhau vào một chẩn đoán duy nhất hoặc hướng dẫn cách đưa ra quyết định. Trong nhiều lĩnh vực, khả năng phát hiện kết quả không còn là hạn chế chính. Chúng được thiết kế để nhận dạng mẫu, không để tham gia vào chẩn đoán như một quá trình.

Trong thực tế, điều này có nghĩa là cấu trúc không thay đổi. Các bác sĩ chẩn đoán hình ảnh vẫn chịu trách nhiệm xem xét kết quả và đưa ra quyết định cuối cùng, và đầu ra của AI thường yêu cầu xác minh thêm. Trách nhiệm vẫn nằm với bác sĩ. Lưu trình công việc không thay đổi. Điểm nghẽn vẫn tồn tại. Mỗi nghiên cứu vẫn được giao cho một bác sĩ chẩn đoán hình ảnh duy nhất, người được kỳ vọng sẽ xem xét, giải thích, xác minh và báo cáo. Các nghiên cứu cho thấy rằng hiệu suất của bác sĩ vẫn phụ thuộc mạnh vào cách xử lý lỗi AI, và đầu ra không chính xác có thể ảnh hưởng tiêu cực đến việc ra quyết định.

Một mô hình không thể xem xét lại quyết định của chính nó. Nếu nó mắc lỗi, không có cách nào để xem xét lại trường hợp với ngữ cảnh bổ sung. Kết quả vẫn cố định, trong khi chẩn đoán thực sự yêu cầu điều chỉnh liên tục. Đầu ra của chúng là tĩnh, trong khi lý luận lâm sàng vốn là lặp đi lặp lại.

Kết quả là, điểm nghẽn vẫn tồn tại, sự biến đổi vẫn tiếp tục, và quá trình vẫn phụ thuộc vào một bác sĩ chẩn đoán hình ảnh duy nhất. Khi khối lượng hình ảnh tăng, một hệ thống được xây dựng xung quanh một chuyên gia duy nhất cho mỗi trường hợp sẽ不可 tránh khỏi đạt đến giới hạn của nó.

Khủng Hoảng Tin Cậy

AI trong chẩn đoán hình ảnh cũng đặt ra một vấn đề về tin cậy.

Một bác sĩ chẩn đoán hình ảnh không chỉ đặt câu hỏi về đầu ra của mô hình. Họ đặt câu hỏi về hệ thống đằng sau nó, đặc biệt khi AI được trình bày như một sự thay thế chứ không phải là một công cụ họ có thể kiểm soát. Tin cậy vào mô hình là không ổn định. Các bác sĩ ít kinh nghiệm hơn có thể phụ thuộc vào nó quá nhiều và bỏ lỡ lỗi. Các bác sĩ có kinh nghiệm hơn, sau một lỗi, có thể ngừng sử dụng nó. Hai mẫu này — phụ thuộc quá mức và không tham gia — đều giới thiệu rủi ro mới thay vì giảm chúng.

Sau một lỗi, mô hình thường bị loại khỏi quá trình ra quyết định. Nó không còn được sử dụng như một công cụ, mà đơn giản là bị bỏ qua. Điều này phá vỡ tính liên tục và hạn chế giá trị thực tế của nó. Trong thực tế, điều này dẫn đến việc sử dụng không nhất quán thay vì tích hợp ổn định vào lưu trình công việc.

Điều này phản ánh một cuộc xung đột sâu sắc hơn với cách y học hoạt động. Một bác sĩ chẩn đoán hình ảnh không thể chuyển giao trách nhiệm cho một hệ thống. Trách nhiệm lâm sàng và pháp lý vẫn nằm với bác sĩ. Việc coi AI như một sự thay thế đi ngược lại cấu trúc của thực hành y tế.

Điều này tạo ra một cuộc xung đột cấu trúc nơi mô hình gợi ý nhưng bác sĩ phải xác minh. Nhận dạng có thể được tự động hóa. Trách nhiệm không thể được chuyển giao. Và miễn là trách nhiệm không thể được chuyển giao, mọi đầu ra của mô hình phải được kiểm tra, hạn chế khả năng giảm tải công việc.

Ảo Tưởng Về Hiệu Suất

AI không loại bỏ công việc khỏi bác sĩ chẩn đoán hình ảnh. Nó thêm một lớp kiểm soát. Bác sĩ vẫn giải thích nghiên cứu và cũng phải xác minh đầu ra của mô hình. Điều này tạo ra công việc gấp đôi thay vì tiết kiệm thời gian. Thay vì loại bỏ nỗ lực, AI thường phân phối lại nó vào các bước xác minh và sửa lỗi bổ sung.

Hệ thống có thể xuất hiện nhanh hơn, nhưng trong thực tế, thời gian chuyển sang các kiểm tra bổ sung thay vì được giảm. Theo thời gian, sự tích tụ các công cụ này tăng thêm gánh nặng hoạt động mà không cải thiện cơ bản cách chẩn đoán được sản xuất.

AI cũng giới thiệu sự phân mảnh. Hầu hết các mô hình được xây dựng cho một nhiệm vụ hẹp: một khu vực giải phẫu duy nhất, phương thức hoặc bệnh lý. Để bao phủ nhu cầu lâm sàng thực sự, một phòng khám phải sử dụng nhiều mô hình. Thay vì một hệ thống thống nhất, điều này dẫn đến một tập hợp các công cụ phân mảnh.

Mỗi mô hình mang theo giao diện riêng, tích hợp và yêu cầu bảo trì. Điều này tăng thêm sự phức tạp của hệ thống và thêm nhiều điểm tương tác.

Kết quả là, hệ thống trở nên khó quản lý hơn, trong khi quá trình chẩn đoán cốt lõi vẫn không thay đổi.

Giới Hạn Của Việc Tăng Cường AI

Với mỗi phiên bản mới của một mô hình, niềm tin phải được xây dựng lại. Lưu trình công việc bắt đầu điều chỉnh để phù hợp với mô hình, thay vì hỗ trợ bác sĩ. Điều này进一步 chuyển sự tập trung khỏi việc cải thiện hệ thống chính nó đến việc thích nghi với các công cụ riêng lẻ.

Điều này được thực hiện khó khăn hơn bởi sự tập trung hẹp của hầu hết các mô hình. Mỗi mô hình được thiết kế cho một nhiệm vụ hoặc khu vực giải phẫu cụ thể. Trong thực tế, điều này có nghĩa là một phòng khám cần nhiều mô hình cùng một lúc, mỗi mô hình có các hạn chế, tích hợp và chi phí riêng. Hệ thống trở nên khó vận hành hơn.

Đồng thời, nó trở nên rõ ràng nơi AI có tác động lớn nhất ngày nay. Không phải trong việc giải thích hình ảnh, mà trong việc cải thiện hệ thống xung quanh nó — định tuyến nghiên cứu, quản lý hàng đợi, phân công trường hợp cho chuyên gia phù hợp và dự báo khối lượng công việc. Những lĩnh vực này được hưởng lợi từ việc phối hợp chứ không phải dự đoán cô lập.

Điều Đã Xảy Ra Trong Thực Tiễn

Trong mạng lưới phòng khám của chúng tôi, với hơn một triệu nghiên cứu MRI và CT được thực hiện hàng năm trên hơn 40 phòng khám ở ba quốc gia, chúng tôi đã triển khai một số mô hình AI, bao gồm cả giải pháp được FDA phê duyệt. Thiết lập là đơn giản: mô hình phân tích nghiên cứu hình ảnh, tạo báo cáo và bác sĩ chẩn đoán hình ảnh xem xét và xác nhận. Kết quả dự kiến là thời gian quay vòng nhanh hơn và ít lỗi hơn.

Trong thực tế, các bác sĩ chẩn đoán hình ảnh có kinh nghiệm tiếp tục tự mình giải thích từng nghiên cứu trước khi xem đầu ra của mô hình. Làm việc với văn bản được tạo thường đòi hỏi nhiều nỗ lực hơn so với viết từ đầu, vì nó không phù hợp với phong cách báo cáo của họ. Quá trình không được tăng tốc và trong nhiều trường hợp trở nên chậm hơn. Trong một số trường hợp, tương tác với mô hình thêm nhiều ma sát hơn là giá trị.

Hành vi của người dùng cũng tạo ra rủi ro. Khi mô hình mắc lỗi, các bác sĩ chẩn đoán hình ảnh có kinh nghiệm có xu hướng mất niềm tin và ngừng sử dụng. Các bác sĩ ít kinh nghiệm hơn có nhiều khả năng phụ thuộc vào hệ thống, tăng cơ hội bỏ lỡ lỗi và phơi nhiễm lâm sàng và pháp lý liên quan.

Các quan sát này chỉ ra một vấn đề sâu sắc hơn. Cải thiện các công cụ riêng lẻ không thay đổi cách hệ thống hoạt động. Điểm nghẽn nằm trong lưu trình công việc được xây dựng xung quanh một bác sĩ chẩn đoán hình ảnh duy nhất xử lý một nghiên cứu từ đầu đến cuối. Những hạn chế này làm cho việc cải thiện hệ thống bằng cách thêm các công cụ riêng lẻ trở nên khó khăn.

Ở DICO, chúng tôi tiếp cận vấn đề này theo cách khác. Thay vì thêm AI vào lưu trình công việc hiện có, chúng tôi tập trung vào cấu trúc chính nó. Các trường hợp có thể được chia thành các phần, với mỗi phần được xử lý bởi chuyên gia phù hợp làm việc trực tiếp trong dữ liệu hình ảnh. Báo cáo cuối cùng được lắp ráp từ những đầu vào này, với AI hỗ trợ phối hợp. Chẩn đoán, trong mô hình này, không còn được viết bởi một người — nó được lắp ráp từ nhiều đóng góp.

Điều này không phải là vấn đề về chất lượng mô hình. Đó là vấn đề về cấu trúc.

Tái Cân Nhắc Hệ Thống Chẩn Đoán

Chẩn đoán hình ảnh hiện đại được xây dựng trên một giả định duy nhất. Một nghiên cứu, một bác sĩ chẩn đoán hình ảnh. Điều này tạo ra điểm nghẽn, sự biến đổi và giới hạn khả năng mở rộng. Vấn đề chính không phải là các mô hình mắc lỗi. Hệ thống không được xây dựng để làm việc với chúng. Nó được xây dựng trên một nền tảng không thể mở rộng.

Một công cụ không lặp lại được đặt vào một quá trình phụ thuộc vào lặp lại. Trong thực hành lâm sàng, chẩn đoán hình ảnh không phải là một quyết định duy nhất. Các nghiên cứu cho thấy rằng sự không đồng ý giữa giải thích ban đầu và thứ hai xảy ra ở ~30% trường hợp, và sự khác biệt lâm sàng có ý nghĩa có thể ảnh hưởng đến quản lý ở ~18-20% trường hợp. Ý kiến thứ hai không phải là ngoại lệ, mà là một phần thường xuyên của công việc chẩn đoán.

Phổ biến hơn, trên toàn bộ y học, ý kiến thứ hai dẫn đến thay đổi chẩn đoán ở 10-62% trường hợp, tùy thuộc vào môi trường.

Không có khả năng xem xét lại, phối hợp và đánh giá lại với ngữ cảnh, đầu ra của mô hình vẫn tĩnh, trong khi chẩn đoán thực sự yêu cầu điều chỉnh liên tục.

Bước tiếp theo không phải là các mô hình chính xác hơn. Đó là việc tái thiết hệ thống chẩn đoán.

Chuyển đổi là từ các công cụ AI riêng biệt sang một cách thống nhất để quản lý chẩn đoán — nơi chẩn đoán không phải là một quyết định duy nhất, mà là một quá trình được định tuyến và giải thích trên nhiều bước. Giới hạn không phải là thiếu các mô hình thông minh, mà là sự vắng mặt của một hệ thống có thể phối hợp công việc chẩn đoán như một quá trình.