ULB

TUbiblio

Closing the loop for AI-ready radiology

Fuchs, Moritz ; Gonzalez, Camila ; Frisch, Yannik ; Hahn, Paul ; Matthies, Philipp ; Gruening, Maximilian ; Pinto dos Santos, Daniel ; Dratsch, Thomas ; Kim, Moon ; Nensa, Felix ; Trenz, Manuel ; Mukhopadhyay, Anirban (2024)
Closing the loop for AI-ready radiology.
In: RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren, (02)
doi: 10.1055/a-2124-1958
Artikel, Bibliographie

URL / URN: https://doi.org/10.1055/a-2124-1958

Kurzbeschreibung (Abstract)

Background In recent years, AI has made significant advancements in medical diagnosis and prognosis. However, the incorporation of AI into clinical practice is still challenging and under-appreciated. We aim to demonstrate a possible vertical integration approach to close the loop for AI-ready radiology.

Method This study highlights the importance of two-way communication for AI-assisted radiology. As a key part of the methodology, it demonstrates the integration of AI systems into clinical practice with structured reports and AI visualization, giving more insight into the AI system. By integrating cooperative lifelong learning into the AI system, we ensure the long-term effectiveness of the AI system, while keeping the radiologist in the loop.

Results We demonstrate the use of lifelong learning for AI systems by incorporating AI visualization and structured reports. We evaluate Memory Aware-Synapses and Rehearsal approach and find that both approaches work in practice. Furthermore, we see the advantage of lifelong learning algorithms that do not require the storing or maintaining of samples from previous datasets.

Conclusion In conclusion, incorporating AI into the clinical routine of radiology requires a two-way communication approach and seamless integration of the AI system, which we achieve with structured reports and visualization of the insight gained by the model. Closing the loop for radiology leads to successful integration, enabling lifelong learning for the AI system, which is crucial for sustainable long-term performance.

Key Points:

The integration of AI systems into the clinical routine with structured reports and AI visualization.

Two-way communication between AI and radiologists is necessary to enable AI that keeps the radiologist in the loop.

Closing the loop enables lifelong learning, which is crucial for long-term, high-performing AI in radiology.

Typ des Eintrags:

Artikel

Erschienen:

2024

Autor(en):

Fuchs, Moritz ; Gonzalez, Camila ; Frisch, Yannik ; Hahn, Paul ; Matthies, Philipp ; Gruening, Maximilian ; Pinto dos Santos, Daniel ; Dratsch, Thomas ; Kim, Moon ; Nensa, Felix ; Trenz, Manuel ; Mukhopadhyay, Anirban

Art des Eintrags:

Bibliographie

Titel:

Closing the loop for AI-ready radiology

Sprache:

Englisch

Publikationsjahr:

2024

Titel der Zeitschrift, Zeitung oder Schriftenreihe:

RöFo - Fortschritte auf dem Gebiet der Röntgenstrahlen und der bildgebenden Verfahren

(Heft-)Nummer:

Band einer Reihe:

196

DOI:

10.1055/a-2124-1958

URL / URN:

https://doi.org/10.1055/a-2124-1958

Kurzbeschreibung (Abstract):

Key Points:

The integration of AI systems into the clinical routine with structured reports and AI visualization.

Two-way communication between AI and radiologists is necessary to enable AI that keeps the radiologist in the loop.

Closing the loop enables lifelong learning, which is crucial for long-term, high-performing AI in radiology.

Alternatives oder übersetztes Abstract:

Alternatives Abstract

Sprache

Hintergrund In den letzten Jahren hat die KI erhebliche Fortschritte bei der medizinischen Diagnose und Prognose erzielt. Jedoch bleibt die Integration von KI in die klinische Praxis eine Herausforderung und wird nicht ausreichend gewürdigt. Wir wollen einen möglichen vertikalen Integrationsansatz aufzeigen, um den Kreislauf für eine KI-kompatible Radiologie zu schließen.

Methode Diese Studie unterstreicht die Bedeutung der wechselseitigen Kommunikation für die KI-gestützte Radiologie. Darüber hinaus wird als wesentlicher Teil der Methodik die Integration des KI-Systems mit strukturierten Berichten und KI-Visualisierungen in die klinische Praxis demonstriert. Durch die Integration von lebenslangem Lernen stellen wir die langfristige Effektivität der KI sicher und halten gleichzeitig den Radiologen auf dem Laufenden.

Ergebnisse Wir demonstrieren den Einsatz von lifelong learning für KI-Systeme durch die Einbeziehung von KI-Visualisierungen und strukturierten Befunden. Wir evaluieren Memory Aware-Synapses und Rehearsal-Methoden und zeigen in der Praxis, dass beide funktionieren. Wir sehen vor allem Vorteile von Algorithmen für lifelong learning, wie Memory Aware-Synapses, wenn sie keine Muster aus früheren Datensätzen speichern oder verwalten müssen.

Schlussfolgerung Die Einbindung von KI in die klinische Routine von Radiologen erfordert einen zweiseitigen Kommunikationsansatz und eine nahtlose Integration des KI-Systems mit strukturierten Berichten und KI-Visualisierungen, die Erkenntnisse des KI-Models repräsentieren. Die erfolgreiche Integration führt zu einem Kreislaufsystem mit Radiologen, das lebenslanges Lernen für KI-Systeme ermöglicht, was für die langfristige und nachhaltige Leistungsfähigkeit entscheidend ist.

Kernaussagen:

Wir demonstrieren die Integration von KI-Systemen in klinische Routinen mit strukturierten Berichten und KI-Visualisierungen.

Eine bi-direktionale Kommunikation zwischen KI und Radiologen ist notwendig, um KI im radiologischen Alltag zu ermöglichen.

Der vorgestellte Kreislauf ermöglicht lebenslanges Lernen, was für eine langfristige, leistungsstarke KI in der Radiologie entscheidend ist.

nicht bekannt

Freie Schlagworte:

AI, lifelong learning, structured reports, ai visualization

Fachbereich(e)/-gebiet(e):

20 Fachbereich Informatik
20 Fachbereich Informatik > Graphisch-Interaktive Systeme

Hinterlegungsdatum:

11 Jun 2024 09:47

Letzte Änderung: