MONAI 案例研究 影像增强智能中心 (Center for Augmented Intelligence in Imaging)
梅奥诊所佛罗里达分院 (Mayo Clinic Florida)
在临床影像工作流程中集成并部署 AI 模型
概览
- 机构
- 梅奥诊所佛罗里达分院 (Mayo Clinic Florida)
影像增强智能中心 (Center for Augmented Intelligence in Imaging) - 领域
- 放射科：胸部 X 光、乳房 X 光检查、脑部 MRI、冠状动脉 CTA
- MONAI 组件
- MONAI Core MONAI Deploy
- 规模
- 10+ 项 AI 能力应用于临床工作流程，支持多站点和实时处理
- 集成
- DICOM, FHIR, HL7, IHE；支持本地部署、云端及混合环境
概述
临床 AI 集成
将影像相关（基于像素和非像素）的人工智能 (AI) 模型有效地集成到现有的临床放射科工作流程中至关重要，因为这些新增功能可能会极大地影响（正面或负面）运营效率或下游决策（例如：手术、病理、介入治疗和用药注意事项）[1]。为了在对现有放射科工作流程影响最小的情况下集成影像 AI 能力（图 1），梅奥诊所佛罗里达分院的影像增强智能中心 (CAII) 开发了基础设施和模块化软件包，并实现了与 MONAI [2] 软件包（例如“MONAI Core”和“MONAI Deploy”）的功能兼容。
挑战
连接 AI 与放射学
基于 AI 的基础设施不仅应与现有的 IT 环境无缝衔接，而且对放射科用户（如放射科医生和技师）的培训需求也应降至最低。尽管如此，引入此类工具仍需要在使用用户及受益人（如患者和主治医生）之间建立信任。
作为医学 AI 应用的领先学科，放射科已经认识到在影像 AI 应用的各个方面（包括 AI 模型开发、部署以及对现实场景的适应）提高效率的必要性。遗憾的是，这些流程仍然耗时、费力且成本高昂，往往导致影像 AI 的有效使用受到严重限制（图 2）。
基础设施
CAII 能力
CAII 的工程师、影像科学家和医生共同开发了基础设施和容器化软件包，将影像 AI 模型集成到繁忙的放射科 IT 环境中 [3-9]。必要的接口和软件包可以在本地、云端或混合环境中部署（图 4）。其目标是在需要极少用户培训和 IT 支持的情况下，建立用户和受益人的信心。
梅奥诊所佛罗里达分院的 CAII 开发了多种能力，用于将影像 AI 模型集成到放射科工作流程中。这些能力包括：
- 关键结果警报
- “专家参与循环”(Expert-in-the-loop) 的 AI 模型部署
- 临床环境下的按需模型训练
- 临床环境下实时用户推理结果判决及反馈
- 用户满意度监测
- 用于 FDA 审批的数据采集
- 持续学习
- 联邦学习
- 临床系统间基于标准的通信 (DICOM, FHIR, HL7, IHE)
- 关于系统和模型性能的基于标准的数据采集
引用
参考文献
- 1. Gupta V, Erdal BS, Ramirez C, Floca R, Jackson L, Genereaux B, Bryson S et al. "Current State of Community-Driven Radiological AI Deployment in Medical Imaging." arXiv preprint arXiv:2212.14177 (2022).
- 2. Cardoso J, Li W, Brown R, Ma N, Kerfoot E, Wang Y, Murrey B et al. "MONAI: An open-source framework for deep learning in healthcare." arXiv preprint arXiv:2211.02701 (2022).
- 3. Testagrose C, Gupta V, Erdal BS, White RD, Maxwell RW, Liu X, Kahanda I, Elfayoumy S, Klostermeyer W, Demirer M. "Impact of Concatenation of Digital Craniocaudal Mammography Images on a Deep-Learning Breast-Density Classifier Using Inception-V3 and ViT." In 2022 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), pp. 3399-3406. IEEE, 2022.
- 4. White RD, Demirer M, Gupta V, Sebro RA, Kusumoto FM, Erdal BS. "Pre-deployment assessment of an AI model to assist radiologists in chest X-ray detection and identification of lead-less implanted electronic devices for pre-MRI safety screening: realized implementation needs and proposed operational solutions." Journal of Medical Imaging 9, no. 5 (2022): 054504.
- 5. Gupta V, Demirer M, Maxwell RW, White RD, Erdal BS. "A multi-reconstruction study of breast density estimation using Deep Learning." arXiv preprint arXiv:2202.08238 (2022).
- 6. Demirer M, White RD, Gupta V, Sebro RA, Erdal BS. "Cascading neural network methodology for artificial intelligence-assisted radiographic detection and classification of lead-less implanted electronic devices within the chest." arXiv preprint arXiv:2108.11954 (2021).
- 7. White RD, Erdal BS, Demirer M, Gupta V, Bigelow MT, Dikici E, Candemir S, Galizia MS, Carpenter JL, O'Donnell TP, Halabi AH, Prevedello LM. Artificial Intelligence to Assist in Exclusion of Coronary Atherosclerosis During CCTA Evaluation of Chest Pain in the Emergency Department: Preparing an Application for Real-world Use. J Digit Imaging. 2021 Jun;34(3):554-571. doi: 10.1007/s10278-021-00441-6. Epub 2021 Mar 31. PMID: 33791909; PMCID: PMC8329136.
- 8. Rockenbach MABC, Buch V, Gupta V, Kotecha GK, Laur O, Erdal BS, Yang D, Xu D, Ghoshajra BB, Flores MG, Dayan I, Roth H, White RD. Automatic detection of decreased ejection fraction and left ventricular hypertrophy on 4D cardiac CTA: Use of artificial intelligence with transfer learning to facilitate multi-site operations. Intelligence-Based Medicine. 2022; 6.
- 9. Gupta V, Taylor C, Bonnet S, Prevedello LM, Hawley J, White RD, Flores MG, Erdal BS. Deep Learning Based Automatic Detection of Adequately Positioned Mammograms. Lecture Notes in Computer Science: Domain Adaptation and Representation Transfer, and Affordable Healthcare and AI for Resource Diverse Global Health. 2021; 12968:239-250.
