← 返回首頁

讓腦部CT判讀排得更安全:協作AI在外部驗證中辨出全部324件重要異常

通用模型與專項偵測工具合作,在2,001件急診及創傷檢查中,將18%的影像調低判讀優先序,同時保留所有需要臨床注意的檢查。這項回溯性成果提供了流程改善的線索,但尚不能證明實際上線後能縮短等待或改善病人結果。

By SURL BioNews

急診影像的難題,不只在於看出異常,也在於決定哪些檢查應該先看。如果人工智慧要協助安排腦部電腦斷層的判讀順序,就得面對一個關鍵問題:被排到後面的影像,是否藏著需要醫師注意的發現?11月5日刊於《npj Digital Medicine》的研究,嘗試以不同模型互相補位,替這道關卡增加保障。

研究將通用模型BrainCT-CLIP與商用專項偵測工具結合,用於未施打顯影劑的腦部電腦斷層。BrainCT-CLIP採用對比式語言與影像預訓練方法,讓影像與文字表徵相互對應。協作流程的規則相當保守:只有所有模型都未回報陽性,檢查才會被調低優先序;每件檢查仍留在正式判讀流程內,交由放射科醫師處理。

在多中心、連續收錄急診與創傷檢查的回溯性外部驗證中,研究團隊分析了2,001件檢查,其中324件具有需要臨床注意的發現。採用開發階段預先設定的門檻後,協作系統辨出了全部324件,敏感度與陰性預測值均為100%;同時,368件檢查被調低優先序,約占18%。換句話說,這批被延後排序的檢查中,沒有出現研究所定義的重要異常。

比較結果也揭示了專項工具的邊界。單獨使用商用偵測工具時,324件重要異常中有31件會被調低優先序;其中16件屬於工具原本要偵測、卻未辨出的情況,另15件則落在其預定偵測範圍之外。這說明協作設計要處理的,是辨識失誤與偵測範圍不足兩種不同問題。

不過,100%描述的是這批資料中的表現,不能解讀為往後使用都不會漏掉異常。研究以既有影像回溯測試,尚未直接證明醫院採用這套排序方式後,能讓重要病例更快獲得判讀,或改善病人的治療結果。同樣地,將18%的檢查調低優先序,也不等於減少18%的判讀工作量,因為所有影像仍須完成判讀。

這項成果支持的下一步,是在放射科醫師監督下進一步進行臨床評估。真正進入日常流程後,還需要檢驗不同病人組成與影像條件下的表現,以及排序調整是否造成不當延誤。研究提供了一個可測試的方向:讓通用模型補足專項工具的盲區,再確認這份互補能否轉化為更安全的臨床流程。

References

  1. npj Digital Medicine