✖


Jump to content

Визуальная информатика

Информатика изображений , также известная как информатика радиологии или информатика медицинских изображений , представляет собой специализацию биомедицинской информатики , целью которой является повышение эффективности, точности, удобства использования и надежности услуг медицинской визуализации на предприятии здравоохранения. [1] Он посвящен изучению того, как информация о медицинских изображениях и содержащаяся в них информация извлекается, анализируется, расширяется и обменивается на медицинском предприятии.

Поскольку радиология по своей сути является специальностью, требующей больших объемов данных и технологий, специалисты в этой отрасли медицины стали лидерами в области информатики визуализации. Однако с распространением цифровых изображений в медицинской практике, включая такие области, как кардиология , офтальмология , дерматология , хирургия, гастроэнтерология , акушерство , гинекология и патология , достижения в области информатики визуализации также тестируются и применяются в других областях медицины. . Различные игроки отрасли и поставщики, занимающиеся медицинской визуализацией, а также ИТ-эксперты и другие специалисты в области биомедицинской информатики вносят свой вклад и участвуют в этой расширяющейся области.

Информатика изображений существует на пересечении нескольких широких областей:

Из-за разнообразия игроков отрасли и широких профессиональных областей, связанных с информатикой обработки изображений, вырос спрос на новые стандарты и протоколы. К ним относятся протоколы DICOM (цифровая визуализация и коммуникации в медицине), уровень здоровья 7 (HL7), Международная организация по стандартизации (ISO) и искусственный интеллект .

Текущие исследования в области информатики изображений сосредоточены на искусственном интеллекте (ИИ) и машинном обучении (МО). Эти новые технологии используются для разработки методов автоматизации, классификации заболеваний, передовых методов визуализации и повышения точности диагностики. Однако интеграция искусственного интеллекта и машинного обучения сталкивается с рядом проблем, связанных с управлением данными и безопасностью.

История [ править ]

медицинской визуализации до информатики изображений От

Вильгельм Рентген

Хотя область информатики изображений основана на возможностях современных вычислений, ее корни уходят корнями в начало 20-го века. 8 ноября 1895 года немецкий физик Вильгельм Конрад Рентген во время своих экспериментов наблюдал новый метод визуализации, который он придумал, — « рентгеновские лучи ». Это открытие привело к созданию области медицинской визуализации и, в свою очередь, положило начало новой волне человеческих инноваций. [2]

Рентгеновские лучи оставались единственной технологией медицинской визуализации в течение нескольких десятилетий после своего открытия. Однако наступление середины 20-го века означало расширение области медицинской визуализации. Новые методы включали: компьютерную томографию (КТ) для визуализации мягких тканей с высокой степенью разрешения; Магнитно-резонансная томография (МРТ), которая является современным стандартом визуализации мягких тканей; Ультразвук , использующий звуковые волны для создания менее дорогостоящих визуализаций; Ядерная визуализация и гибридные сканеры для функциональной визуализации и визуализации с более высоким пространственным разрешением, созданным за счет объединения нескольких методов. [3]

Поскольку эти методы визуализации стали более сложными, объем информации, которую должны были обрабатывать специалисты в области медицинской визуализации, также увеличился. Кроме того, цифровая революция середины и конца 20-го века еще больше увеличила объем данных, которые можно было собрать с помощью этих методов. В результате основным ограничивающим фактором в области медицинской визуализации стала неспособность человека точно интерпретировать большие объемы данных. [4] Таким образом, возникла необходимость в компьютеризированной помощи при сложном анализе, хранении и манипулировании цифровыми изображениями. Современная информатика изображений была разработана для удовлетворения этих потребностей.

Развитие информатики изображений ​

Информатика изображений — это обширная область с многочисленными областями интересов , что делает ее развитие кульминацией развития различных отдельных технологий. Некоторые из ключевых инноваций в этой области заключаются в следующем:

Системы архивирования изображений и PACS связи ( )

Обзор системы PACS и визуализация ее взаимодействия с RIS и DICOM.

Развитие PACS популяризировало использование систем хранения и поиска изображений в медицинской практике. [5] Более того, эта новая технология потребовала развития других. Мир быстро осознал, что необходимо внедрить стандарты цифровой визуализации, учитывая влияние PACS на медицинское сообщество. В ответ на эту обеспокоенность Американский колледж радиологии (ACR) и Национальная ассоциация производителей электрооборудования (NEMA) создали Комитет по стандартам цифровой обработки изображений и связи (позже ставший DICOM). [6]

информационных Интеграция ​ технологий

Влияние цифрового века на радиологию привело к большому притоку данных, которыми необходимо было управлять. Чтобы бороться с этим, в область информационных технологий были включены такие технологии, как информационная система радиологии (RIS). [7] и Больничная информационная система (HIS). Эти системы будут работать в тандеме с PACS и другими технологиями визуализации, чтобы упростить управление данными пациентов, как показано на рисунке справа. [8]

Компьютерное диагностика и обнаружение

Идея компьютерного обнаружения (CAD) и компьютерной диагностики (CADx) заключается в том, что процесс анализа и интерпретации данных медицинских изображений может быть автоматизирован с потенциально более высокой степенью точности, чем обнаружение и диагностика человеком. Интерес к этому предмету возник еще в 1966 году, когда радиологические изображения впервые стали оцифрованы. [9] Первое успешное внедрение системы CAD было в 1994 году в Чикагском университете для использования в маммографии . За этим последовала первая коммерческая САПР в 1998 году под названием ImageChecker M1000. [6] С наступлением 21 века методы машинного обучения стали использоваться для создания версий систем CAD и CADx. [10] Будущее развитие этих технологий выгодно, поскольку оно дает решение человеческих ограничений в обработке медицинских изображений. [4] Хотя высокоточная и полностью автоматизированная система САПР еще не создана, последние достижения в области искусственного интеллекта могут позволить реализовать функциональные реализации. [11]

Стандарты и протоколы [ править ]

В области информатики изображений крайне важно убедиться, что информация, относящаяся к отраслевым стандартам и протоколам обмена данными, является актуальной. Стремительное развитие в этой области требует бдительного подхода для поддержания единообразия, содействия функциональной совместимости и гарантии эффективного распространения данных визуализации. С этой целью тщательного рассмотрения заслуживают несколько ключевых аспектов:

DICOM коммуникации в медицине Стандарты (цифровые изображения и )

Стандарт цифровой обработки изображений и коммуникаций в медицине (DICOM) описывает сложную структурную схему, которая объединяет данные медицинских изображений с соответствующими идентификаторами пациентов в унифицированные наборы данных, аналогично встроенным метаданным в изображениях JPEG. Такие объекты DICOM состоят из множества атрибутов, в частности, инкапсулирующих пиксельные данные, которые в определенных методах визуализации соответствуют дискретным изображениям или, альтернативно, массиву кадров, иллюстрирующих кинетические или объемные данные, как это наблюдается в киноциклах или многомерных сканированиях. в ядерной медицине. Эта архитектура позволяет объединить сложные, многогранные данные в монолитный файл DICOM. Стандарт поддерживает целый ряд алгоритмов сжатия пиксельных данных, включая, помимо прочего, JPEG и JPEG 2000, а также временно допускает целостное сжатие набора данных. DICOM определяет три кодировки для элементов данных с предпочтением явного представления значений, за исключением определенных исключений, описанных в части 5 сборника DICOM. Формат файла, единообразно применяемый в различных приложениях, обычно включает заголовок, в котором содержатся основные атрибуты и данные исходного приложения.

Инфомодель DICOM

Предлагаемый рабочий процесс объединяет использование структурированной отчетности DICOM (SR), в которой важные измерения кодируются как объекты DICOM SR. Эти объекты затем используются для заполнения заранее определенного шаблона SR, в результате чего создается стандартизированный отчет, состоящий из дискретных элементов данных. Этот отчет впоследствии передается в систему электронных медицинских карт (EMR). Отдельные данные, извлеченные из этих отчетов, облегчают продольный мониторинг показателей отдельных пациентов, передаются в реестры данных или используются в целях клинических исследований. [12]

уровня здоровья 7 HL7 Стандарты ( )

Справочная информационная модель HL7

DDInteract был создан для расширения сотрудничества между медицинскими работниками и пациентами с целью определения оптимального терапевтического подхода, который сводит к минимуму опасности, связанные с потенциальными лекарственными взаимодействиями. Пользовательский интерфейс DDInteract систематически разделен на четыре отдельных сегмента.

Данные о лекарствах могут быть представлены в различных ресурсах Fast Health Interoperability Resources (FHIR), что требует тщательного анализа с помощью DDInteract. В частности, MedicationRequest используется для лекарств, прописанных пациенту; MedicationDispense покрывает лекарства, которые были физически предоставлены пациенту; и MedicationStatement относится к лекарствам, которые пациент сообщает о приеме или приеме в настоящее время. Одно лекарство может быть представлено в нескольких формах ресурсов, при этом потенциальные избыточные данные будут объединены в одну запись на основе самой последней даты и определенной иерархии между типами ресурсов.

График ресурсов FHIR

Чтобы оптимизировать эффективность получения данных с сервера FHIR, учитываются не все случаи приема лекарств. Включены только те ресурсы, которые активны в настоящее время или были активны в течение последних 100 дней, в соответствии с распространенным в США протоколом, который обычно разрешает выдачу лекарств на срок, не превышающий трех месяцев.

Международной организации по стандартизации ISO Стандарты ( )

Система управления качеством (СМК) — это интегративная конструкция, включающая организационную архитектуру, распределение ресурсов, опыт персонала, а также хранилище документов и процедур, которые в совокупности способствуют обеспечению и повышению качества предложений организации. Он описывает набор систематически организованных действий, необходимых для управления и оптимизации параметров качества. Пакет ISO 9000 является выдающейся и повсеместно одобренной схемой внедрения СМК, тогда как стандарт ISO 15189 обеспечивает специализированную структуру, специально разработанную для нужд клинических лабораторных условий. [13]

интеллект в изображений информатике Искусственный

Систематический обзор критически оценил дизайн, стандарты отчетности, риск предвзятости и обоснованность утверждений в исследованиях, которые сравнивают эффективность диагностических алгоритмов глубокого обучения в медицинской визуализации с опытом врачей. Обзор, проведенный с использованием данных из известных баз данных за период с 2010 по июнь 2019 года, был специально нацелен на исследования с участием сверточных нейронных сетей (CNN), которые отличаются своей способностью автономно различать важные особенности для классификации изображений в медицинском контексте. Расследование выявило заметный недостаток в рандомизированных клинических исследованиях по этому вопросу: было выявлено только десять таких исследований, из которых только два были опубликованы, что продемонстрировало низкий риск предвзятости и похвальное соблюдение протоколов отчетности. Среди 81 обнаруженного нерандомизированного исследования меньшинство были проспективными или подтвержденными в практических клинических условиях, при этом большинство представляло высокий риск систематической ошибки, некачественное соблюдение норм отчетности и явное отсутствие доступа к данным и коду. Этот обзор подчеркивает необходимость увеличения количества проспективных и рандомизированных исследований, выступая за уменьшение систематической ошибки, усиление клинической значимости, повышение прозрачности и смягчение выводов в растущей области применения глубокого обучения в медицинской визуализации. [14]

Экспоненциальный рост цифровых данных наряду с расширенными вычислительными возможностями заметно ускорил развитие искусственного интеллекта (ИИ), который сейчас постепенно внедряется в здравоохранение. Эти приложения искусственного интеллекта призваны усовершенствовать диагностику, лечение и прогноз с помощью сложных моделей классификации и прогнозирования. Тем не менее, развитию этих технологий препятствует отсутствие строгих стандартов отчетности, касающихся источников данных, архитектуры моделей и методологий, используемых при оценке и проверке моделей. В ответ мы предлагаем MINIMAR (Минимум информации для отчетности по медицинскому ИИ) — инициативу, призванную установить критические параметры для понимания прогнозов, основанных на ИИ, целевой демографической ситуации, присущих предубеждений и способности обобщать эти технологии. Мы призываем к принятию стандартизированных протоколов, чтобы обеспечить точность и ответственность отчетности о внедрении ИИ в здравоохранении, что будет способствовать разработке и внедрению соответствующих инструментов поддержки клинических решений, одновременно решая критические проблемы, связанные с точностью и предвзятостью. [15]

В качестве основополагающего требования предлагаемый стандарт должен соответствовать нескольким важным критериям: во-первых, он должен включать исчерпывающую информацию о популяции, из которой получены данные для обучения, с указанием источников данных и методов, используемых для отбора когорт. Во-вторых, демографические данные обучающих данных должны быть четко задокументированы, чтобы облегчить предметное сравнение с демографическими характеристиками населения, на котором предназначена модель. В-третьих, должно быть тщательное раскрытие архитектуры модели и процесса ее разработки, позволяющее четко интерпретировать назначение модели, сравнивать ее с аналогичными моделями и обеспечивать точное тиражирование. В-четвертых, процесс оценки, оптимизации и проверки модели должен быть прозрачно сообщен, чтобы разъяснить средства, с помощью которых достигается локальная оптимизация модели, а также поддержать репликацию и совместное использование ресурсов. [15]

Стандарты отчетности для модельной оценки решений искусственного интеллекта в здравоохранении [16]
Оптимизация Применена настройка модели или параметров Сгенерированные векторы размером 300 и размером окна 5. Подробно документировано и предоставлено для всех моделей.
Внутренняя проверка модели Изучите внутреннюю валидацию Внутренняя 10-кратная перекрестная проверка Набор для проверки удержания
Внешняя проверка модели Внешняя проверка с использованием данных из другой настройки Не выполнено Не выполнено
Прозрачность Как код и данные передаются сообществу. Код и примеры данных доступны на GitHub. Данные недоступны; код доступен через GitHub

искусственного интеллекта в информатике изображений Оценка обработки

Преимущества [ править ]
  • Повышенная точность диагностики. Искусственный интеллект, особенно за счет использования сверточных нейронных сетей (CNN), изменил медицинскую визуализацию, значительно повысив точность диагностики. Эти технологии превосходно справляются с автономной идентификацией соответствующих особенностей на основе данных визуализации, тем самым дополняя диагностические, прогностические и терапевтические стратегии.
  • Эксплуатационная эффективность: способность ИИ быстро анализировать обширные наборы данных визуализации превосходит человеческие возможности и дает возможность сократить интервал между визуализацией и диагностикой, что в конечном итоге принесет пользу лечению пациентов.
  • Согласованность и воспроизводимость. Такие инициативы, как MINIMAR, имеют решающее значение, поскольку они способствуют стандартизации отчетности и внедрению ИИ в здравоохранении, тем самым улучшая согласованность и тиражируемость диагностических инструментов на основе ИИ в различных клинических средах.
Недостатки [ править ]
  • Недостаточная клиническая проверка. О значительном пробеле в клинической проверке инструментов ИИ свидетельствует ограниченное количество рандомизированных клинических исследований, в которых эффективность систем ИИ сравнивается непосредственно с врачами-клиницистами, где многие исследования показывают высокий риск предвзятости и плохое соблюдение установленных стандартов отчетности. .
  • Доступность ресурсов. Распространенная проблема ограниченного доступа к наборам данных и алгоритмам, используемым в исследованиях ИИ, препятствует способности более широкого научного сообщества проверять, воспроизводить и внедрять инновации в существующие исследования.
  • Прозрачность и этические проблемы. Разработка ИИ в области медицинской визуализации сталкивается с проблемами прозрачности в отношении того, как модели создаются, обучаются и проверяются. Кроме того, существует серьезная обеспокоенность по поводу того, что эти модели могут распространять существующие предубеждения или привносить новые, если их не проверить должным образом.
для развития Рекомендации будущего
  • Расширение строгих испытаний. В этой области требуется существенное увеличение количества проспективных, хорошо спланированных рандомизированных исследований для тщательной оценки и проверки применения ИИ в клинических условиях.
  • Стандартизация отчетности. Внедрение комплексных стандартов отчетности, предложенных такими инициативами, как MINIMAR, позволит решить проблемы прозрачности, уменьшить предвзятости и повысить универсальность приложений ИИ, гарантируя, что они соответствуют строгим научным и этическим стандартам.
  • Продвижение практики открытых данных. Поощрение более открытого доступа к наборам данных ИИ и коду моделирования будет способствовать созданию среды сотрудничества, которая усиливает изучение, тиражирование и развитие технологий ИИ, тем самым укрепляя их роль в здравоохранении.

Подводя итог, можно сказать, что хотя ИИ предлагает значительные возможности для развития информатики визуализации, максимальное использование этих возможностей требует строгой проверки, соблюдения надежных систем отчетности и всеобъемлющего обязательства учитывать этические соображения. Эти шаги имеют решающее значение для обеспечения того, чтобы инструменты на основе искусственного интеллекта выполнили свои обещания по повышению эффективности и результативности медицинской диагностики.

Области интересов [ править ]

Ключевые области, имеющие отношение к информатике изображений, включают:

Приложения [ править ]

Визуальная информатика имеет довольно много применений в области медицины.

Радиология [ править ]

Информатика изображений наиболее известна в области радиологии. Используя искусственный интеллект, рентгенологи могут использовать информатику визуализации, чтобы облегчить свою работу и сэкономить время при анализе изображений. Исследование, опубликованное в журнале «Current Medical Imaging», показало, что при компьютерной томографии с использованием искусственного интеллекта время считывания для обнаружения узелков в легких и плеврального выпота сокращается для рентгенологов более чем на 44%. [18]

Кардиология [ править ]

Информатика изображений в кардиологии помогает в молекулярном фенотипировании сердечно-сосудистых заболеваний и объединении знаний о сердечно-сосудистых заболеваниях. [19] Это означает, что посредством извлечения данных, визуализации и анализа этих данных и изображений с помощью машинного обучения исследователи могут классифицировать заболевания на основе обнаруженных характеристик или особенностей. Благодаря этой классификации исследователи смогут объединить эту информацию резюме в одну платформу для дальнейшего анализа и поиска информации.

Система поддержки клинических решений для количественного анализа изображений целого слайда.

Патология [ править ]

Визуальная информатика в патологии в целом позволяет обнаруживать и анализировать широкий спектр заболеваний. Наиболее известное применение в патологии связано с обнаружением и анализом различных форм рака. Диагностика рака вручную — это мучительный и субъективный процесс, который включает в себя исследование миллионов клеток. С помощью различных систем поддержки принятия клинических решений (CDSS) профессионалы могут облегчить ручной труд по выбору области ткани, используя инструменты цельной визуализации (WSI) для максимизации анализируемой информации. Несколько прогностических моделей были направлены на выявление областей интереса в WSI, требующих обучения перед использованием. Вводятся неконтролируемые модели, но в настоящее время они менее заметны. Примером использования неконтролируемой модели является обнаружение складок ткани с помощью неконтролируемого метода кластеризации пикселей на изображении, представляющего разницу между значениями насыщенности и интенсивности для каждого пикселя. Поскольку этот метод является неконтролируемой моделью, он имеет некоторые ограничения. Эти ограничения заключаются в том, что он имеет низкую чувствительность к различным типам складок ткани на изображении и низкую специфичность для изображений без складок ткани. [20]

Обучение [ править ]

В США и некоторых других странах рентгенологи, желающие пройти специализацию в этой области, могут пройти стажировку в области информатики визуализации. Стипендии по информатике медицинской визуализации предоставляются после завершения сертификации Совета в области диагностической радиологии и могут проводиться одновременно с другими стипендиями в области радиологии.

Американский совет по информатике изображений (ABII) также проводит сертификационные экзамены для специалистов в области информатики изображений. Сертификаты PARCA (Ассоциация администраторов реестров и сертификации PACS) также существуют для специалистов в области информатики изображений. [21]

Американский совет профилактической медицины (ABPM) предлагает сертификационный экзамен по клинической информатике для врачей, имеющих первичную сертификацию Американского совета по медицинским специальностям , медицинскую лицензию и медицинскую степень. Есть два пути, чтобы иметь право сдать экзамен: Путь практики (открыт до 2022 года) для тех, кто не прошел аккредитованную ACGME стажировку по клинической информатике, и Путь стажировки, аккредитованную ACGME, продолжительностью не менее 24 месяцев. [22]

Последние инновации [ править ]

интеграции цифровых изображений и коммуникаций в медицине (DICOM) (конец 1990-х - начало 2000-х Стандарты годов )

Расширение стандартов DICOM способствовало широкому внедрению систем архивирования и передачи изображений (PACS), что стало важной вехой в цифровой трансформации информатики изображений. Эта стандартизация, которая начала распространяться в конце 1990-х годов и была введена в начале 2000-х годов, расширила возможности хранения, извлечения и обмена медицинскими изображениями в различных системах, повышая эффективность практики медицинской визуализации. [23]

отчетность (начало 2010-х гг Структурированная и автоматизированная . )

Внедрение структурированной отчетности было направлено на то, чтобы стандартизировать отчеты, сделать их краткими и единообразными, что повлияет на уход за пациентами. Ярким примером является внедрение BI-RADS (системы визуализации и отчетности по визуализации молочной железы), которая привела к улучшению согласованности отчетов о маммографии . Этот этап охватывает несколько лет, поскольку эти системы были усовершенствованы и получили более широкое распространение в начале 2010-х годов. [23]

Достижения в области искусственного интеллекта и глубокого обучения ( 2012 ) г.

Осознание того, что графические процессоры (GPU) можно использовать для ускорения нейронных сетей , произошло примерно в 2012 году. Этот прогресс привел к быстрому развитию методов глубокого обучения , ускоряя такие задачи, как сегментация изображений , распознавание функций и создание алгоритмов из больших наборов данных с аннотациями. изображения . Эта эра искусственного интеллекта позволила создать высокопроизводительные алгоритмы, способные помочь в сотнях диагностических задач. [23]

радиомики (конец 2010- Расцвет х )

В области радиомики , которая включает в себя извлечение количественных характеристик из медицинских изображений, невидимых для человеческого глаза, к концу 2010-х годов наблюдался значительный рост. Этот подход позволил провести более глубокий анализ данных визуализации, которые можно соотнести с геномными структурами и другими медицинскими данными для повышения точности диагностики и прогнозирования. [23]

КТ-детекторы с подсчетом фотонов ( г. 2022 )

Исходное (слева) изображение мозга в сравнении с реконструированным (справа) изображением мозга, полученным на основе компьютерной томографии с низкой дозой радиации. Метод реконструкции улучшает качество изображения для точной диагностики. Изображение предоставлено: Дэнни Джей Джей Ван, Hura Imaging, INC, Лос-Анджелес.
Исходное (слева) изображение мозга в сравнении с реконструированным (справа) изображением мозга, полученным на основе компьютерной томографии с низкой дозой радиации. Метод реконструкции улучшает качество изображения для точной диагностики. Изображение предоставлено: Дэнни Джей Джей Ван, Hura Imaging, INC, Лос-Анджелес.

разработка и FDA одобрение детекторов счета фотонов (PCD) для компьютерной томографии Важным нововведением стала (КТ) в 2022 году. Эти детекторы предлагают более эффективный процесс преобразования рентгеновских лучей в электрические сигналы, что позволяет лучше дифференцировать материалы и потенциально снизить дозу облучения для пациентов. На изображении справа показаны два сканирования одного и того же мозга с использованием старой и новой технологии КТ соответственно. [24]

исследования и направления будущие Текущие

Текущие исследования в области информатики визуализации в первую очередь сосредоточены на интеграции и развитии искусственного интеллекта (ИИ) и машинного обучения (МО) в технологиях медицинской визуализации. Усилия сосредоточены на повышении точности диагностики, совершенствовании прогнозной аналитики и автоматизации процессов анализа изображений. Глубокое обучение , разновидность машинного обучения, играет особенно важную роль в преобразовании радиологических изображений , при этом алгоритмы все чаще разрабатываются для таких задач, как обнаружение опухолей, сегментация органов и идентификация аномалий. Эти достижения не только направлены на повышение эффективности и точности диагностики, но также направлены на снижение рабочей нагрузки на рентгенологов за счет автоматизации рутинных задач. [11] [25]

В будущем ожидается, что будущие направления информатики визуализации будут и дальше охватывать междисциплинарные подходы, включающие генетику, патологии и данные с носимых устройств, чтобы предложить более целостное представление о здоровье пациентов. Концепция «радиогеномики», связывающая особенности визуализации с геномными данными, представляет собой область растущего интереса, потенциально ведущую к более персонализированному и точному лечению. Кроме того, продолжающаяся разработка стандартов совместимости и безопасных протоколов обмена данными будет иметь решающее значение для обеспечения плавной интеграции данных визуализации на различных платформах здравоохранения, расширения совместных исследований и клинической практики во всем мире. [23] [24]

Проблемы в информатики области изображений

В области информатики изображений существует несколько проблем:

  1. Управление данными . Огромный объем данных, генерируемых из большого количества высококачественных изображений, создает проблемы с хранением и эффективностью. Эффективное управление, хранение и извлечение этих изображений имеет решающее значение. Это проблема с точки зрения инфраструктуры и разработки систем, способных эффективно обрабатывать большие наборы данных. [26]
  2. Интеграция . Здравоохранение очень медленно адаптируется к изменениям. Это связано с тем, что все системы должны быть тщательно протестированы и должны работать в тандеме с существующими системами без каких-либо проблем. [26]
  3. Безопасность : личная безопасность и безопасное управление данными всегда являются предметом беспокойства. Эта обеспокоенность возрастает в сфере здравоохранения, поскольку стандарты и правила безопасности намного выше. Медицинская визуализация часто предполагает обмен конфиденциальными данными пациентов по сетям, поэтому надежные меры безопасности необходимы для защиты от утечки данных и обеспечения соблюдения конфиденциальности. Это включает в себя безопасную передачу, шифрование хранящихся данных и строгий контроль доступа.
  4. Интеграция искусственного интеллекта . Хотя ИИ предлагает значительный потенциал для повышения точности диагностики и эффективности визуализации, его интеграция в клинические рабочие процессы сопряжена с проблемами. К ним относятся необходимость в высококачественных аннотированных наборах данных для обучения моделей ИИ, риск алгоритмической предвзятости и характер «черного ящика» некоторых систем ИИ, который может скрывать, как принимаются решения. Среди медицинских работников также существует скептицизм относительно надежности и точности ИИ, что может помешать его внедрению. [26]
  5. Этические и юридические вопросы . Внедрение передовых технологий визуализации поднимает этические вопросы о степени, в которой ИИ должен участвовать в диагностике пациентов, и о возможности ИИ заменить рентгенологов-людей. Юридические последствия, особенно в отношении злоупотреблений и ответственности при использовании ИИ, еще не решены. Эти проблемы требуют четких руководящих принципов и надежных этических рамок для регулирования использования ИИ в медицинской визуализации. [26]

Решение этих проблем требует скоординированных усилий разработчиков технологий, поставщиков медицинских услуг, регулирующих органов и других заинтересованных сторон. Достижения в области технологий должны быть сбалансированы с соображениями практичности, этики и справедливости, чтобы гарантировать, что информатика визуализации может выполнить свои обещания по улучшению ухода за пациентами и результатам лечения.

Технологические достижения [ править ]

Программные инновации ​ ​

В последние годы произошел значительный прогресс в программных технологиях, связанных с информатикой изображений. Одним из примечательных событий является интеграция алгоритмов машинного обучения в программное обеспечение для визуализации, позволяющая автоматически анализировать и интерпретировать медицинские изображения. Например, Раджпуркар и др. (2017) продемонстрировали эффективность алгоритмов глубокого обучения при обнаружении пневмонии на рентгенограммах грудной клетки, продемонстрировав потенциал машинного обучения в анализе медицинских изображений. [27] Эти алгоритмы показали многообещающие результаты в таких задачах, как обнаружение поражений, классификация заболеваний и оценка реакции на лечение. Более того, внедрение методов обработки естественного языка (НЛП) облегчило извлечение ценной информации из неструктурированных радиологических отчетов, повысив эффективность анализа данных и процессов принятия решений.

разработки Аппаратные ​ ​

Визуализация на месте оказания медицинской помощи дает пациентам возможность поставить диагноз в реальном времени и получить прозрачное представление о состоянии здоровья.

Достижения в области аппаратных технологий также сыграли решающую роль в формировании ландшафта информатики изображений. Эволюция методов визуализации, таких как магнитно-резонансная томография (МРТ), компьютерная томография (КТ) и позитронно-эмиссионная томография (ПЭТ), привела к улучшению разрешения изображений, скорости получения изображений и точности диагностики. [28] Кроме того, миниатюризация устройств визуализации позволила проводить визуализацию в местах оказания медицинской помощи, что позволяет оценивать состояние пациентов в режиме реального времени в различных клинических условиях. Например, разработка портативных ультразвуковых устройств произвела революцию в визуализации в местах оказания медицинской помощи, предоставив врачам портативные и простые в использовании инструменты для прикроватных обследований (Smith, 2018). Появление носимых устройств и мобильных медицинских приложений еще больше расширило сферу информатики визуализации, упрощая удаленную визуализацию и мониторинг пациентов с использованием датчиков и камер. [28]

достижения Методологические ​ ​

Наряду с технологическими инновациями, методологические достижения расширили возможности информатики изображений. Одним из достижений является интеграция методов мультимодальной визуализации, которые объединяют данные из нескольких методов визуализации для предоставления дополнительной информации об анатомических и физиологических структурах. Например, недавние исследования продемонстрировали эффективность объединения данных МРТ, КТ и УЗИ для улучшения диагностики и планирования лечения онкологических больных (Gupta et al., 2020). [29] Объединив данные из этих источников, врачи могут получить более полное представление о состоянии пациента, что приведет к более точному диагнозу и составлению персонализированных планов лечения.

Ссылки [ править ]

  1. ^ Бранстеттер, Б. (2007). «Основы имиджевой информатики». Радиология . 243 (3): 656–67. дои : 10.1148/radiol.2433060243 . ПМИД   17431128 .
  2. ^ Панчбхай, Арати С. (январь – март 2015 г.). «Вильгельм Конрад Рентген и открытие рентгеновских лучей: вновь после столетнего юбилея» . Журнал Индийской академии стоматологической медицины и радиологии . 27 (1): 90. дои : 10.4103/0972-1363.167119 . ISSN   0972-1363 .
  3. ^ Беркович, Эяль; Джавитт, Марсия К. (октябрь 2018 г.). «Медицинская визуализация: от рентгена до цифровой революции и далее» . Рамбам Маймонид Мед Дж . 9 (4): e0034. дои : 10.5041/RMMJ.10355 . ПМК   6186003 . ПМИД   30309440 .
  4. ^ Jump up to: Перейти обратно: а б Бруно, Майкл А.; Уокер, Эрик А.; Абудуде, Хани Х. (октябрь 2015 г.). «Понимание и борьба с нашими ошибками: эпидемиология ошибок в радиологии и стратегии их уменьшения» . Радиографика . 35 (6): 1668–1676. дои : 10.1148/rg.2015150023 . ISSN   0271-5333 . ПМИД   26466178 .
  5. ^ Чоплин, Р.Х.; Бёме, Дж. М.; Мейнард, компакт-диск (январь 1992 г.). «Системы архивирования изображений и передачи данных: обзор» . Радиографика . 12 (1): 127–129. дои : 10.1148/radiographics.12.1.1734458 . ISSN   0271-5333 . ПМИД   1734458 .
  6. ^ Jump up to: Перейти обратно: а б Агравал, JP; Эриксон, Би Джей; Кан, CE-младший (30 июня 2016 г.). «Информатика изображений: 25 лет прогресса» . Ежегодник медицинской информатики . 25 (Приложение 1): С23–С31. дои : 10.15265/IYS-2016-s004 . ПМК   5171495 . ПМИД   27362590 .
  7. ^ Шах, Арен; Муддана, PS; Халаби, С. (декабрь 2022 г.). «Обзор основных концепций информатики обработки изображений» . Куреус . 14 (12): e32828. дои : 10.7759/cureus.32828 . ПМЦ   9864478 . ПМИД   36694517 .
  8. ^ Аршад, Сохаиб (11 сентября 2023 г.). «Разница между LIS, PACS, RIS, HIS и CIS» . ОРНет . Проверено 23 апреля 2024 г.
  9. ^ Лодвик, Гвилим С.; Тернер, Арч Х.; Вожделенный, Ли Б.; Темплтон, Арч В. (1966). «Компьютерный анализ рентгенографических изображений» . Журнал хронических болезней . 19 (4): 485–496. дои : 10.1016/0021-9681(66)90122-6 . ПМИД   4895057 .
  10. ^ Ван, Шиджун; Саммерс, Рональд М. (2012). «Машинное обучение и радиология» . Анализ медицинских изображений . 16 (5): 933–951. дои : 10.1016/j.media.2012.02.005 . ПМЦ   3372692 . ПМИД   22465077 .
  11. ^ Jump up to: Перейти обратно: а б Панайидес, Андреас С. (июль 2020 г.). «ИИ в информатике медицинской визуализации: текущие проблемы и будущие направления» . Журнал IEEE по биомедицинской и медицинской информатике . 24 (7): 1837–1857. дои : 10.1109/JBHI.2020.2991043 . hdl : 1805/32197 .
  12. ^ Чен, Д.; Вронка, А.; Аль-Асвад, Луизиана (2022 г.). «Содействие внедрению цифровых изображений и коммуникаций в медицинских стандартах в офтальмологии» . JAMA Офтальмология . 140 (8): 761–762. doi : 10.1001/jamaophthalmol.2022.2114 . ПМИД   35737399 .
  13. ^ Марсден, А.; Шахтут, А. (2024). «Международная организация по стандартизации» . Управление клинической лабораторией : 271–277. дои : 10.1002/9781683673941.ch19 . ISBN  978-1-68367-391-0 .
  14. ^ Нагендран, М.; Чен, Ю.; Лавджой, К. (2020). «Искусственный интеллект против клиницистов: систематический обзор дизайна, стандартов отчетности и заявлений об исследованиях глубокого обучения» . БМЖ . 368 : 368. дои : 10.1136/bmj.m689 . ПМК   7190037 . ПМИД   32213531 .
  15. ^ Jump up to: Перейти обратно: а б Эрнандес-Буссар, Т.; Бозкурт, С.; Иоаннидис, JP (2020). «MINIMAR (MINimum Information for Medical AI Reporting): Разработка стандартов отчетности для искусственного интеллекта в здравоохранении» . Журнал Американской ассоциации медицинской информатики . 27 (12): 2011–2015. дои : 10.1093/jamia/ocaa088 . ПМЦ   7727333 . ПМИД   32594179 .
  16. ^ Эрнандес-Буссар, Т.; Бозкурт, С.; Иоаннидис, JP (2020). «MINIMAR (MINimum Information for Medical AI Reporting): Разработка стандартов отчетности для искусственного интеллекта в здравоохранении» . Журнал Американской ассоциации медицинской информатики . 27 (12): 2011–2015. дои : 10.1093/jamia/ocaa088 . ПМЦ   7727333 . ПМИД   32594179 .
  17. ^ TRIP - инициатива тогдашнего Общества компьютерных приложений в радиологии (SCAR), теперь известного как Общество информатики изображений в медицине (SIIM). [1] Архивировано 8 августа 2008 г. в Wayback Machine.
  18. ^ Чжан, Ю.; Цзян, Б.; Чжан, Л.; Гройтер MJW; Де Бок, GH; Чжан, Х.; Се, X. (2022). «Обнаруживаемость узлов в легких при считывании КТ-изображений с помощью искусственного интеллекта при скрининге рака легких» . Текущая медицинская визуализация . 18 (3): 327–334. дои : 10.2174/1573405617666210806125953 . ПМИД   34365951 .
  19. ^ Кофилд, Дж. Х.; Сигдел, Д.; Фу, Дж.; Чой, Х.; Гевара-Гонсалес, В.; Ван, Д.; Пинг, П. (2021). «Сердечно-сосудистая информатика: строительство моста к гармонии данных» . Сердечно-сосудистые исследования . 118 (3): 732–745. дои : 10.1093/cvr/cvab067 . ПМК   9020200 . ПМИД   33751044 .
  20. ^ Котари, С.; Фан, Дж. Х.; Стоукс, TH; Ван, доктор медицины (2013). «Информатика визуализации патологии для количественного анализа изображений целого слайда» . Журнал Американской ассоциации медицинской информатики . 20 (6): 1099–1108. дои : 10.1136/amiajnl-2012-001540 . ПМЦ   3822114 . ПМИД   23959844 .
  21. ^ "Дом" . abii.org .
  22. ^ «Клиническая информатика – Американский совет профилактической медицины» .
  23. ^ Jump up to: Перейти обратно: а б с д и «Информатика визуализации: 50-летний прогресс • ПРИКЛАДНАЯ РАДИОЛОГИЯ» . сайт прикладной радиологии.com . Проверено 29 апреля 2024 г.
  24. ^ Jump up to: Перейти обратно: а б «Две монументальные вехи, достигнутые в области компьютерной томографии» . Национальный институт биомедицинской визуализации и биоинженерии . Проверено 29 апреля 2024 г.
  25. ^ Чен, Боруй; Цзинь, Цзин; Лю, Хайчао; Ян, Чжэнъюй; Чжу, Хаомин; Ван, Ю; Линь, Цзяньпин; Ван, Шичжун; Чен, Шаоцин (2023). «Тенденции и горячие точки в исследованиях медицинских изображений с глубоким обучением: библиометрический анализ с 2013 по 2023 год» . Границы искусственного интеллекта . 6 . дои : 10.3389/frai.2023.1289669 . ISSN   2624-8212 . ПМЦ   10665961 . ПМИД   38028662 .
  26. ^ Jump up to: Перейти обратно: а б с д Ола, Хунор (01 июля 2020 г.). «ИИ в информатике медицинской визуализации: текущие проблемы и будущие направления» . Журнал биомедицинской и медицинской информатики (JBHI) . Проверено 23 апреля 2024 г.
  27. ^ Раджпуркар, Пранав и др. «CheXNet: Обнаружение пневмонии на уровне радиолога по рентгенограммам грудной клетки с помощью глубокого обучения». Препринт arXiv arXiv:1711.05225 (2017).
  28. ^ Jump up to: Перейти обратно: а б Смит, Эндрю. «Портативные ультразвуковые устройства: обзор». Журнал ультразвука в медицине , том. 37, нет. 3, 2018, стр. 503-514.
  29. ^ Гупта, Ракеш К. и др. «Мультимодальная визуализация в онкологии: текущие применения и будущие направления». Европейский журнал ядерной медицины и молекулярной визуализации , том. 47, нет. 1, 2020, стр. 1-15.

Внешние ссылки [ править ]

Retrieved from "https://en.wikipedia.org/w/index.php?title=Imaging_informatics&oldid=1223137447"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 6e4826bc4862f1bc5e14bfa79dcae455__1715302920
URL1:https://arc.ask3.ru/arc/aa/6e/55/6e4826bc4862f1bc5e14bfa79dcae455.html
Заголовок, (Title) документа по адресу, URL1:
Imaging informatics - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)