实施和未来实时评估一个通用的系统,用于在诊所部署和验证机器学习模型在放射学

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 临床信息学 临床信息学

背景情况:

• 机器学习 (ML) 在医学成像中的采用正在迅速增加.
• 临床验证和部署ML模型带来了重大的工程和工作流集成挑战.
• 现有的系统往往缺乏针对各种ML应用的通用性和可扩展性.

研究的目的:

• 为ML模型部署和验证提供一个通用,端到端,临床集成的系统.
• 详细说明在实施过程中遇到的工程和可用性挑战.
• 为寻求在临床环境中翻译和验证ML模型的机构提供一个模板.

主要方法:

• 开发了一个使用开源软件 (OSS) 的通用验证系统.
• 集成的临床成像模式,图片存档和通信系统 (PACS),以及一个ML推断服务器.
• 使用了NVIDIA的Clara Deploy用于ML管道和一个定制的XNAT实例用于结果和反存储.
• 对三种ML模型进行了前性临床验证研究.

主要成果:

• 成功实施了一个连接成像模式,PACS和ML推断的系统.
• 收集专家对模型性能,可用性和系统可靠性的临床反.
• 通过三个用例证明了系统可靠性和性能指标.
• 强调工程师,临床医生和数据科学家之间的合作的重要性.

结论:

• 机器学习模型的临床验证需要评估性能,基础设施影响,稳定性和可用性.
• 一种模块化,基于OSS的方法促进了系统的泛化和可扩展性.
• 开发的系统为临床ML翻译提供了一个实用的模板,概述了资源和挑战.
• 成功的ML集成需要协调,多学科的努力.