在临床实施之前建立基于成像的人工智能算法的验证基础设施
Ojas A Ramwala1, Kathryn P Lowry2, Nathan M Cross3
1Department of Biomedical Informatics and Medical Education, University of Washington School of Medicine, Seattle, Washington.
Journal of the American College of Radiology : JACR
|May 24, 2024
概括
在临床使用之前,在本地评估人工智能 (AI) 模型至关重要. 本研究提出了强大的AI验证基础设施,以确保患者安全并改善医疗保健结果.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 临床验证 临床验证
背景情况:
- 获得FDA批准的人工智能 (AI) 算法在临床整合之前需要进行本地评估.
- 确保AI的准确性和通用性对于患者安全和健康公平至关重要.
- 数据隐私和知识产权等挑战阻碍了外部AI验证.
研究的目的:
- 为人工智能模型开发高效,可定制和具有成本效益的外部验证基础设施提出解决方案.
- 概述在临床系统之外建立人工智能推断基础设施的步骤,用于本地绩效评估.
- 促进基于证据的方法,在医疗保健中采用人工智能模型.
主要方法:
- 开发人工智能模型的外部验证基础设施.
- 建立与临床系统分开的AI推断基础设施.
- 在实施之前检查AI算法的本地性能.
主要成果:
- 建议的策略解决了人工智能模型验证中的挑战.
- 介绍了当地AI绩效评估的框架.
- 这种方法促进了基于证据的AI采用.
结论:
- 强大的本地验证基础设施对于安全和公平的AI整合到医疗保健中至关重要.
- 外部验证框架可以克服数据隐私和知识产权方面的担忧.
- 实施这些基础设施可以提高放射学工作流程和患者的治疗结果.


