胎儿MLOps:对标准胎儿超声波平面分类的机器学习模型进行操作化

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 机器学习操作 (MLOps)

背景情况:

• 胎儿标准平面检测对于产前护理至关重要,有助于评估胎儿发育和识别异常.
• 尽管机器学习取得了进展,但由于缺乏标准化的操作框架,临床集成仍受到阻碍.

研究的目的:

• 推出FetalMLOps,这是第一个针对胎儿超声波 (US) 成像的全面MLOps框架.
• 弥合ML创新与产前诊断中的临床应用之间的差距.

主要方法:

• 一个适应临床需求的十步MLOps方法,涵盖整个ML生命周期.
• 标准化的ETL流程用于数据策划,匿名化和协调.
• 通过RESTful API进行部署,并进行持续监控,强调可解释性和可持续性.

主要成果:

• FetalMLOps为胎儿美国的ML提供了一个端到端的操作框架.
• 该框架确保与临床目标和现实世界医疗实践保持一致.
• 它促进了准确,高效和临床相关的ML模型的部署.

结论:

• 在产前护理中,FetalMLOps为可靠和可扩展的AI采用创造了先例.
• 通过这个框架来运行ML模型可以提高临床工作流程和患者的结果.
• 它在医学诊断中促进道德,透明和负责任的AI.