Las herramientas de inteligencia artificial (IA) pueden desempeñar un papel clave en la imagen médica si los radiólogos confían en su diseño, las implementan con la formación adecuada y establecen directrices claras sobre la responsabilidad clínica, según un informe especial publicado en Radiology: Artificial Intelligence, una revista de la Sociedad Radiológica de Estados Unidos (RSNA).
¿Qué dicen los expertos?
La RSNA y la Sociedad de Computación y Asistencia de Intervención Médica (MICCAI) han liderado una serie de paneles y seminarios conjuntos enfocados en el impacto actual y las direcciones futuras de la IA en la radiología.
Estas conversaciones han reunido puntos de vista de expertos multidisciplinarios en radiología, imagen médica y aprendizaje automático sobre la penetración clínica actual de la tecnología de IA en radiología, y cómo se ve afectada por la confianza, reproducibilidad, explicabilidad y responsabilidad.
Los puntos recopilados de las conversaciones definen los cambios culturales para que los radiólogos y los científicos de IA trabajen juntos y describen los desafíos futuros para que las tecnologías de IA obtengan una amplia aprobación.
El informe especial presenta estas perspectivas de expertos de MICCAI y RSNA sobre las consideraciones clínicas, culturales, computacionales y regulatorias esenciales para adoptar con éxito la tecnología de IA en radiología.
El artículo también enfatiza la importancia de la colaboración para mejorar la implementación clínica. Destaca la necesidad de integrar datos clínicos y de imagen médica e introduce estrategias para garantizar una integración fluida e incentivada.
“Este informe explora las opiniones de los principales expertos para entender cómo implementar mejor las herramientas de IA en la práctica clínica radiológica”, dijo el autor principal Marius George Linguraru, D.Phil., Profesor de la Familia Connor y Presidente de Investigación e Innovación en el Hospital Nacional de Niños.
“Las herramientas de IA pueden desempeñar un papel clave en la radiología, pero los radiólogos deben confiar en el diseño de los sistemas y recibir una formación adecuada. Como los médicos más familiarizados con estas herramientas, los radiólogos deben establecer directrices claras sobre la responsabilidad clínica”.
“Datos, sesgos y rendimiento”
El artículo aborda importantes consideraciones clínicas, como el intercambio de datos, la anotación, los sesgos y el rendimiento del modelo al implementar la IA en la práctica radiológica.
Los autores sugieren que las herramientas para intercambiar datos, ya sea para análisis centralizados o aprendizaje distribuido, podrán apoyar el intercambio de datos y/o modelos, pero requerirán infraestructura y apoyo institucional adicionales.
También creen que la anotación de imágenes puede convertirse en un obstáculo menos significativo en los próximos 5 a 10 años. Finalmente, sostienen que los modelos de IA construidos con conjuntos de datos pequeños o datos internos pueden navegar los desafíos relacionados con el sesgo de datos y la diversidad si se aplican a poblaciones específicas y se monitorean cuidadosamente.
El informe también explora consideraciones culturales, incluyendo volumetría, predicción de resultados, interacción humano-máquina y confianza y responsabilidad.
Los radiólogos deben entrenarse
Los autores predicen que entrenar a los radiólogos para trabajar con herramientas de IA se convertirá en una rutina. Argumentan que la motivación para que los radiólogos usen la IA es clave para aumentar la eficiencia clínica y la capacidad de realizar tareas complejas.
También enfatizan que las herramientas de IA deben diseñarse con la confianza de los radiólogos y definiciones claras de la responsabilidad clínica.
Las consideraciones computacionales señaladas en el informe incluyen la capacidad del hardware, el rendimiento de la IA, la comunicación entre radiólogos y científicos de IA, y la evaluación continua.
El informe afirma que la computación en la nube puede ser más efectiva para los departamentos de radiología que carecen de recursos de hardware y mantenimiento.
También sugiere que el diseño, desarrollo, implementación y monitoreo de herramientas de IA en radiología deben realizarse con la colaboración de científicos de datos y radiólogos, y que las instituciones clínicas deben priorizar el flujo de datos desde los dispositivos de adquisición hasta los sistemas PACS y/o lagos de datos y a los servidores de IA.
El informe también aborda las directrices y la aprobación regulatorias.
Los autores notan que la radiología es el campo de aplicación líder de dispositivos médicos de IA aprobados por la FDA.
Agregan que los modelos de visión y lenguaje pueden impactar positivamente el campo de la radiología y deben someterse a supervisión regulatoria. Los autores enfatizan que el papel de la aprobación regulatoria en la implementación de la IA en la práctica clínica requerirá una consideración continua.
El panorama para la implementación de IA en radiología es prometedor. Los modelos de IA grandes y generales, incluidos los modelos de visión y lenguaje, pueden impactar la adopción clínica de herramientas de IA y ayudar a reducir el agotamiento en radiología.
Los incentivos financieros para usar IA animarán a los hospitales a invertir en software basado en IA y aumentarán la motivación de los clínicos para usar nuevas tecnologías.
Para avanzar en las herramientas de IA en radiología en el cuidado clínico y la investigación, las sociedades multidisciplinarias pueden adoptar una agenda, lenguaje y conjunto de expectativas unificados.
“Al colaborar entre sociedades y disciplinas, la IA en la imagen médica puede alcanzar su máximo potencial y proporcionar valor para la práctica clínica y la investigación”, dijo el Dr. Linguraru.
Para conocer más puede visitar Radiology: Artificial Intelligence
0 comentarios