[論文レビュー] Current State of Community-Driven Radiological AI Deployment in Medical Imaging

Vikas Gupta, Barbaros S. Erdal+25 more|arXiv (Cornell University)|Dec 29, 2022

Radiomics and Machine Learning in Medical Imaging被引用数 4

ひとこと要約

本論文は、放射線AI研究と臨床応用の間のギャップを埋めるために、MONAI コンsortium のオープンソースフレームワークを提案する。このフレームワークは、標準化されたツール、API、およびコミュニティ主導の開発を通じて、AIモデルを病院のワークフローにシームレスに統合することを可能にする。AIユースケースの分類体系を提示し、主な展開障壁を特定し、放射線科医の作業負荷を軽減し、効率を向上させる相互運用性があり臨床的に実用的なAIシステムの実世界での実装を示している。

ABSTRACT

Artificial Intelligence (AI) has become commonplace to solve routine everyday tasks. Because of the exponential growth in medical imaging data volume and complexity, the workload on radiologists is steadily increasing. We project that the gap between the number of imaging exams and the number of expert radiologist readers required to cover this increase will continue to expand, consequently introducing a demand for AI-based tools that improve the efficiency with which radiologists can comfortably interpret these exams. AI has been shown to improve efficiency in medical-image generation, processing, and interpretation, and a variety of such AI models have been developed across research labs worldwide. However, very few of these, if any, find their way into routine clinical use, a discrepancy that reflects the divide between AI research and successful AI translation. To address the barrier to clinical deployment, we have formed MONAI Consortium, an open-source community which is building standards for AI deployment in healthcare institutions, and developing tools and infrastructure to facilitate their implementation. This report represents several years of weekly discussions and hands-on problem solving experience by groups of industry experts and clinicians in the MONAI Consortium. We identify barriers between AI-model development in research labs and subsequent clinical deployment and propose solutions. Our report provides guidance on processes which take an imaging AI model from development to clinical implementation in a healthcare institution. We discuss various AI integration points in a clinical Radiology workflow. We also present a taxonomy of Radiology AI use-cases. Through this report, we intend to educate the stakeholders in healthcare and AI (AI researchers, radiologists, imaging informaticists, and regulators) about cross-disciplinary challenges and possible solutions.

研究の動機と目的

• 研究ラボにおけるAIモデル開発と放射線科における実際の臨床展開との間の重要なギャップを解消すること。
• 既存の病院画像診断ワークフローおよびITインfra構造にAIを統合するための技術的・運用的障壁を低減すること。
• 相互運用性がありスケーラブルで再現可能なAI展開を可能にする、オープンスタンダードおよびコミュニティ主導のツールを確立すること。
• ラベル付け、トレーニング、展開、測定を含む、臨床的放射線科環境におけるAIモデルの実用的でエンドツーエンドのフレームワークを提供すること。
• オープンソースで低コストのソリューションを通じて、小規模および支援が不足している医療機関へのAIのアクセスを民主化すること。

提案手法

• MONAI コンsortium は、オープンソースツールと共有されたベストプラクティスを用いて、放射線科におけるAI展開の標準化を目的とした非営利でコミュニティ主導のイニシアチブとして設立された。
• このフレームワークは、DICOM、IHE、HL7 などの相互運用性のある標準を活用して、データラベリング、モデルトレーニング、展開、監視に至るまでのエンドツーエンドのAIワークフローを支援する。
• MONAI Deploy を用いることで、PACS、RIS、EMR システムと互換性のあるコンテナ化、モジュラーでポータブルなアプリケーションにより、臨床環境でのAIモデル展開が可能になる。
• コンsortium は、事前学習済みモデルの共有を可能にするモデルズーと、臨床シナリオに応じた放射線AIユースケースの分類体系を開発した。
• IHE 標準のイベントログ（SOLE）との統合により、AIの影響が放射線科医のワークフロー効率や意思決定支援に与える影響を客観的に測定できるようになった。
• IHE コネクトソンおよびRSNA への参加を通じたベンダーとの協業により、フレームワークの実世界での実現可能性と相互運用性が検証された。

実験結果

リサーチクエスチョン

• RQ1 臨床環境における放射線AIモデルの展開における主な技術的・運用的障壁は何か？
• RQ2 オープンソースでコミュニティ主導のフレームワークは、AI研究を臨床実践に変換するのをどのように改善できるか？
• RQ3 既存の放射線ITエコシステムへのAIのシームレスな統合を可能にする標準およびアーキテクチャパターンは何か？
• RQ4 AIの展開は、特に放射線科医のワークフロー効率や意思決定支援の観点から、どのように臨床的影響を測定できるか？
• RQ5 共有ツール、API、およびモデルリポジトリは、多様な医療機関における採用を加速するために果たす役割は何か？

主な発見

• MONAI フレームワークは、オープンソースで相互運用性のあるツールを活用することで、最小限のオーバーヘッドで放射線科におけるエンドツーエンドのAI展開を可能にする。
• 複数の機関での実世界の展開事例は、AIモデルが放射線科のワークフローに成功裏に統合され、放射線科医の効率に測定可能な影響を与えていることを示している。
• IHE SOLE を用いた標準化されたログ記録により、AIのパフォーマンスとワークフローへの影響を客観的に測定でき、根拠に基づく評価が可能になった。
• MONAI モデルズーとコミュニティ主導の開発モデルのおかげで、機関間でのAIモデルの共有と再利用が加速し、重複の削減と再現性の向上が達成された。
• ベンダーとの協業およびIHEイベントへの参加を通じて、フレームワークの相互運用性と臨床的実現可能性が、実世界の状況で検証された。
• コンsortium のオープンでコミュニティ主導のモデルにより、特に支援が不足している小規模医療機関を含め、放射線科におけるAIの広範な採用が可能になった。