高置信度

人工智能/成像技术海报展示

AI/成像技术海报展示 085 使用自主深度学习算法诊断正常胸部X光片 Tom Dyer Behold.ai 背景：深度学习 (DL) 算法在协助放射科管理能力和提高诊断准确性方面表现出巨大潜力。胸部X光片 (CXR) 是频繁且复杂的诊断成像测试，其中很大一部分报告为正常。目的：评估 DL 算法在主动临床路径中作为成人正面胸部 X光片全自动诊断排除测试识别正常性的适用性。材料和方法：这项多中心研究包括来自 4 个不同 NHS 机构的 3,887 张 CXR。在本研究之前开发并训练了一个卷积神经网络 (CNN)，用于将异常分数最低的检查子集分类为高置信度正常 (HCN)。对于每张射线照片，使用两名独立审阅者和一名仲裁员来确定真实情况 (GT)，以防出现差异。结果：DL 算法能够将 15% 的所有检查归类为 HCN，相应的精度为 97.7%。我们发现 0.33% 的检查被错误地归类为 HCN，其中 84.6% 的检查被放射科医生的真实情况确定为边界病例。结论：我们表明，DL 算法可以作为全自动诊断工具实现高精度，用于将 CXR 子集报告为正常。删除 15% 的所有 CXR 有可能显着减少工作量并将放射学资源集中在更复杂的检查上。为了优化性能，应在站点特定地部署算法，并为错误分类提供强大的反馈机制。P086 探索人工智能软件对放射实践的影响——放射技师的分类工具 Richard Tucker；德比大学；Josie King 诺丁汉大学医院 NHS 信托 背景：人工智能 (AI) 一直处于放射学技术进步的前沿，成为支持报告积压的流行工具。放射学中 AI 的重点一直是放射科医生的角色。放射技师整合 AI 的作用才刚刚开始，尚未得到充分探索。本次审计旨在探索 AI 应用对放射技师角色的潜在影响，以及 AI 如何用于临床实践。方法：将预先训练的 AI 程序回顾性地应用于一家信托机构 1 个月内获得的 40 个移动 CXR。1.选择了 20 张图像进行分析，将其匿名化并存储在查看测试台中。要求放射技师 (n=15) 分析没有 AI 覆盖的 CXR，并指出他们认为 CXR 是正常还是异常。相同的放射技师再次查看图像，这次应用了 AI 并提出了相同的问题。结果：这张海报将展示审核结果，并突出显示放射技师给出的答复中的任何重大变化。摘要：将探讨的领域包括放射技师对异常准确性的检测、如果图像异常（由人类或 AI 突出显示）对升级发现的信心，以及放射技师选择升级他们的发现的对象。假设是测试是否可以安全地使用 AI 支持放射技师升级紧急发现，以便更快、更及时地做出决策。Hardy, M. 和 Harvey, H. (2020) 诊断成像中的人工智能：对放射学专业的影响。英国放射学杂志，93(1108)。可从以下网址获取：https://www.birpublications.org/doi/10.1259/bjr.20190840 [2020 年 7 月 22 日访问] 2。Woznita, N.、Nair, A. 和 Hare, S.S. (2020) COVID-19：支持放射技师初步临床评估的病例系列。放射学，26 (3)，第 186-188 页。可从以下网址获取：https://www.radiographyonline.com/article/S1078-8174(20)30054-7/fulltext [2020 年 8 月 6 日访问] P087 探索磁共振胰胆管造影 (MRCP) 中的扩散加权成像 (DWI) 以检测胰胆管癌 Louise Gillespie NHS Scotland 苏格兰政府 (2019) 指出，早期发现癌症可以减少过早死亡并对总体预期寿命产生积极影响。随着癌症在英国越来越受到关注，重要的是要承认任何有助于改善其检测的方法[1]。根据 NICE 指南 (2019)[2]，MRCP 用于癌症途径。MRCP 是一种磁共振成像 (MRI) 检查，用于研究胰胆疾病。