机构名称：
¥ 1.0
摘要。在研究环境或 Kaggle 竞赛中开发的大多数 AI 模型都无法转化为临床应用，因为它们难以验证或嵌入到现实世界的临床实践中。放射学 AI 模型在接近或超越人类表现方面取得了重大进展。然而，由于缺乏健康信息标准、上下文和工作流程差异以及数据标签变化，AI 模型与人类放射科医生的合作仍然是一个尚未探索的挑战。为了克服这些挑战，我们将使用 DICOM 标准 SR 注释的 AI 模型服务集成到开源 LibreHealth 放射学信息系统 (RIS) 中的 OHIF 查看器中。在本文中，我们描述了该平台新颖的人机合作能力，包括少量学习和群体学习方法，以持续重新训练 AI 模型。基于机器学习的概念，我们在 RIS 中开发了一种主动学习策略，以便人类放射科医生可以启用/禁用 AI 注释以及“修复”/重新标记 AI 注释。然后使用这些注释重新训练模型。这有助于在放射科医生用户和用户特定的 AI 模型之间建立合作关系。然后，这些用户特定模型的权重最终在群体学习方法中在多个模型之间共享。我们通过将 AI 模型集成到临床工作流程中来讨论这种组合学习的潜在优势和缺陷。
嵌入开源放射信息系统的通用 AI 助手
主要关键词
相关文件推荐
