Cách chú thích CT tim chuyên nghiệp của Shaip giúp phát hiện sớm bệnh amyloidosis tim
Một nhóm nghiên cứu AI lâm sàng đã hợp tác với Shaip để xây dựng quy trình chú thích CT tim và đào tạo mô hình đầu cuối, chuyển đổi các tiêu chí của bác sĩ X quang về bệnh amyloid tim giai đoạn đầu thành các nhãn và tính năng được quản lý, cấp độ sản xuất cho ML hạ lưu.
Tổng Quan Dự Án
Một nhóm nghiên cứu AI lâm sàng tập trung vào chẩn đoán dựa trên hình ảnh cho các trường hợp sử dụng tim mạch phức tạp, tìm kiếm giải pháp dán nhãn có thể lặp lại do chuyên gia hướng dẫn ở quy mô lớn.
Khách hàng đặt mục tiêu phát hiện bệnh amyloidosis tim giai đoạn sớm từ ảnh chụp CT – những tín hiệu rất nhỏ và thường bị bỏ sót. Họ đã hợp tác với Shaip để xây dựng quy trình chú thích và huấn luyện mô hình hoàn chỉnh , chuyển đổi kiến thức chuyên môn thành các nhãn và đặc điểm nhất quán cho học máy ở giai đoạn sau.
Số liệu thống kê chính
Phương thức
CT tim; nhóm đối chứng khối lượng lớn, nhiều đợt được sắp xếp theo tiêu chí của chuyên gia
Hợp tác SME
Các bác sĩ X quang + nhà khoa học dữ liệu trong chu trình đánh giá vòng kín
Phân phôi
Bộ ảnh được gắn thẻ lâm sàng + giao thức chú thích theo phiên bản
Tác động của mô hình
Độ chính xác được xác thực là 99.8% trong phân loại tình trạng mục tiêu.
Quản trị
Quy trình làm việc bảo vệ quyền riêng tư và khả năng truy xuất tài liệu
Những thách thức
- Dịch thuật những tín hiệu hình ảnh tinh tế, giai đoạn đầu vào một phân loại hoạt động.
- Duy trì tính nhất quán của nhãn trên các nhóm lớn, nhiều đợt.
- Đồng bộ hóa phản hồi của bác sĩ X quang với các chu kỳ đào tạo mô hình lặp đi lặp lại.
- Bảo quản sự nghiêm ngặt về quyền riêng tư và tài liệu trong suốt quá trình giao hàng.
Dung dịch
Chiến lược dữ liệu
Tiêu chuẩn chẩn đoán hình ảnh được mã hóa cho bệnh amyloidosis giai đoạn đầu thành hướng dẫn ghi nhãn thực tế với ngưỡng chấp nhận, lộ trình leo thang và thẻ bằng chứng để nắm bắt cơ sở lý luận.
Bộ sưu tập & Chú thích
Đã triển khai quy trình có sự tham gia của bác sĩ X quang: các chuyên gia chú thích được đào tạo đã áp dụng các thẻ cấu trúc; các chuyên gia đánh giá cấp cao đã xem xét các trường hợp ngoại lệ; nhãn chuẩn cuối cùng được sử dụng để huấn luyện.
Phát triển mô hình
Đã huấn luyện và kiểm định các bộ phân loại trong các chu kỳ lặp đi lặp lại; theo dõi các chỉ số sau mỗi lần sửa đổi để định lượng sự cải thiện của hệ thống phân loại. Độ chính xác đã được kiểm định đạt 99.8%.
Đảm bảo chất lượng
Kiểm soát chất lượng nhiều lớp với các kiểm tra trùng lặp, giám sát độ trôi và bảng thông tin về sự khác biệt.
Tuân thủ & Quản trị
Quy trình bảo vệ quyền riêng tư; tài liệu giao thức có phiên bản; khả năng truy xuất từ trường hợp → thẻ → hiện vật quyết định.
Phạm vi dự án
| Theo dõi | Những gì chúng ta đã làm | Đầu ra | Cổng QC |
|---|---|---|---|
| Phân loại | Tiêu chí chuyên gia được chuyển đổi thành lược đồ nhãn | Công cụ bán tự động + QC trực quan | Bảo vệ danh tính với tín hiệu được bảo toàn |
| De-ID siêu dữ liệu | Quét thẻ DICOM | Xóa dựa trên quy tắc + danh sách trắng | Không có rò rỉ PHI trong tiêu đề |
| Xác minh | Kiểm toán viên đánh giá | Danh sách kiểm tra; kế hoạch lấy mẫu | Giảm thiểu rủi ro PHI có thể đo lường được |
| Quản trị | SOP & đào tạo | Theo dõi kiểm toán; kiểm soát truy cập | Khả năng tái tạo và tuân thủ |
Các kết quả
- Độ chính xác được xác thực 99.8% để phân loại mục tiêu, cho phép nghiên cứu sẵn sàng triển khai.
- Lặp lại nhanh hơn bằng cách đưa phản hồi của chuyên gia trực tiếp vào chu kỳ đào tạo.
- Sách hướng dẫn tái sử dụng cho các sáng kiến AI tim mạch đa địa điểm trong tương lai.
Tác động chiến lược: Kiến thức ngầm của chuyên gia được chuyển hóa thành một quy trình có thể mở rộng và được quản lý chặt chẽ — giúp tăng hiệu suất phát hiện đồng thời củng cố việc tuân thủ quy định.
Shaip đã chuyển đổi hiểu biết chuyên sâu thành quy trình chú thích và đào tạo cấp độ sản xuất—nâng cao độ chính xác đồng thời đẩy nhanh các thử nghiệm.
