在放射学临床实践中实施机器学习算法的策略
Allison Chae1, Michael S Yao1, Hersh Sagreiya1
1From the Departments of Bioengineering (M.S.Y.), Radiology (H.S., N.C., M.T.M., J.D., A.B., C.E.K., W.R.W., J.C.G.), Genetics (M.D.R.), and Medicine (D.R.), Perelman School of Medicine (A.C., M.S.Y., H.S., A.B., C.E.K., W.R.W., J.C.G.), University of Pennsylvania, 3400 Civic Center Blvd, Philadelphia, PA 19104; Department of Radiology, Loyola University Medical Center, Maywood, Ill (A.D.G.); Department of Information Services, University of Pennsylvania, Philadelphia, Pa (A.E.); and Leonard Davis Institute of Health Economics, University of Pennsylvania, Philadelphia, Pa (A.B.).
Radiology
|January 23, 2024
概括
本次审查引入了在放射学中实施人工智能 (AI) 的框架,旨在改善患者护理. 它详细介绍了将AI整合到医院实践中的步骤,以获得更好的临床结果.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 机器学习 (ML) 在医疗保健方面取得了进展,但在医院中的临床益处仍然有限.
- 将ML整合到临床医学中需要一个结构化的方法来成功地采用.
研究的目的:
- 为在临床放射学中实施人工智能 (AI) 提出一个标准化的框架.
- 促进ML方法在医院放射学实践中的适应.
主要方法:
- 对放射成像应用的最新文献和经验证据的审查.
- 制定一个逐步实施框架,重点关注问题识别,利益相关者协调和管道整合.
主要成果:
- 拟议的框架提供了一个结构化的方法,以利用ML在放射学.
- 证据支持这种在放射成像中的实施策略的合理性.
结论:
- 标准化的框架对于人工智能在放射学中的成功临床适应至关重要.
- 通过这个框架实施人工智能可以帮助医院实践改善患者护理和结果.
