[논문 리뷰] Current State of Community-Driven Radiological AI Deployment in Medical Imaging

Vikas Gupta, Barbaros S. Erdal외 25명|arXiv (Cornell University)|2022. 12. 29.

Radiomics and Machine Learning in Medical Imaging인용 수 4

한 줄 요약

이 논문은 방사선 영상 AI 연구와 임상 적용 사이의 격차를 메우기 위해 MONAI 커퍼레이션의 오픈소스 프레임워크를 제안한다. 표준화된 도구, API, 커뮤니티 기반 개발을 통해 병원 워크플로우에 AI 모델을 원활하게 통합할 수 있도록 한다. 이는 AI 응용 사례의 분류 체계를 제시하고 핵심 구현 장벽을 규명하며, 상호운용성 있고 임상적으로 실현 가능한 AI 시스템을 통해 방사선 전문의의 업무 부담을 줄이고 효율성을 향상시키는 실제 사례를 보여준다.

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.

연구 동기 및 목표

• 연구소에서 개발된 AI 모델과 방사선 영상 분야에서의 실제 임상 적용 사이의 핵심 격차를 해소하기 위해.
• 기존 병원 영상 워크플로우와 IT 인프라에 AI를 통합하는 데 있어 기술적 및 운영적 장벽을 줄이기 위해.
• 다양한 의료 기관에서 상호운용성 있고 확장성 있으며 재현 가능한 AI 배포를 가능하게 하는 오픈 표준과 커뮤니티 기반 도구를 구축하기 위해.
• 임상 방사선 영상 환경에서 데이터 레이블링, 학습, 배포, 측정에 이르기까지 종단 간 프레임워크를 제공함으로써 실용적인 솔루션을 마련하기 위해.
• 오픈소스 및 저비용 솔루션을 통해 소규모 및 지원이 부족한 의료 기관에도 의료 영상 분야의 AI 접근성을 보편화하기 위해.

제안 방법

• MONAI 커퍼레이션은 비영리이자 커뮤니티 기반의 이니셔티브로서, 오픈소스 도구와 공유된 최선의 실천 방식을 활용해 방사선 영상 분야의 AI 배포 표준화를 위해 설립되었다.
• 프레임워크는 DICOM, IHE, HL7과 같은 상호운용성 기반 표준을 사용하여 데이터 레이블링, 모델 학습, 배포, 모니터링에 이르기까지 종단 간 AI 워크플로우를 지원한다.
• MONAI Deploy는 PACS, RIS, EMR 시스템과 호환되는 컨테이너 기반, 모듈형, 이식 가능한 애플리케이션을 통해 임상 환경에서 AI 모델을 배포할 수 있도록 한다.
• 컨sortium는 사전 학습된 모델를 공유할 수 있는 모델 저널을 개발하고, 임상 시나리오 전반에 걸쳐 구현을 안내할 수 있는 방사선 영상 AI 응용 사례의 분류 체계를 수립했다.
• IHE 표준 이벤트 로그(SOLE)와의 통합을 통해 방사선 전문의의 워크플로우 효율성과 의사결정 지원에 대한 AI 영향을 객관적으로 측정할 수 있다.
• IHE Connectathon 및 RSNA 등 행사에 참가하고 제휴 기업들과 협력함으로써, 프레임워크의 실제 적용 가능성과 상호운용성의 타당성을 검증했다.

실험 결과

연구 질문

• RQ1 임상 환경에서 방사선 영상 AI 모델을 배포하는 데 있어 주요 기술적 및 운영적 장벽은 무엇인가?
• RQ2 오픈소스 및 커뮤니티 기반 프레임워크는 AI 연구를 임상 실천으로 이행하는 데 어떻게 기여할 수 있는가?
• RQ3 기존 방사선 영상 IT 생태계에 AI를 원활하게 통합하는 데 있어 어떤 표준과 아키텍처 패턴이 필수적인가?
• RQ4 AI 배포의 임상적 영향, 특히 방사선 전문의의 워크플로우 효율성과 의사결정 지원 측면에서 어떻게 측정할 수 있는가?
• RQ5 공유 도구, API, 모델 리포지터리가 다양한 의료 기관에서의 도입을 가속화하는 데 어떤 역할을 하는가?

주요 결과

• MONAI 프레임워크는 최소한의 부담으로 방사선 영상 분야에서 종단 간 AI 배포를 가능하게 하며, 오픈소스 및 상호운용성 있는 도구를 통해 레이블링, 학습, 임상 통합을 지원한다.
• 다양한 기관에서의 실제 배포 사례는 AI 모델이 측정 가능한 영향을 미치는 방식으로 임상 워크플로우에 성공적으로 통합되었음을 보여준다.
• IHE SOLE를 통한 표준화된 로깅은 AI 성능과 워크플로우 영향을 객관적으로 측정할 수 있게 하여 증거 기반 평가를 지원한다.
• MONAI 모델 저널과 커뮤니티 기반 개발 모델은 기관 간 AI 모델 공유 및 재사용을 가속화하여 중복을 줄이고 재현 가능성을 높였다.
• 벤더와의 협력 및 IHE 이벤트 참가를 통해 프레임워크의 상호운용성과 임상 적용 가능성의 타당성이 실제 환경에서 검증되었다.
• 컨소시엄의 오픈이고 커뮤니티 기반의 모델은 특히 지원이 부족하고 소규모 의료 기관에서의 AI 도입을 넓히는 데 기여한다.