Eine beispiellose Zusammenarbeit zwischen den beiden medizinischen Gesellschaften und über 60 ehrenamtliche neuroradiologen führte zu der generation von die größte öffentliche Sammlung von Experten-kommentiert Hirnblutung CT-Bildern, nach einem Bericht veröffentlicht in der Radiologie: Künstliche Intelligenz. Verantwortlichen des Projekts erwarten, dass das dataset zu helfen, die Geschwindigkeit der Entwicklung des maschinellen Lernens (ML) algorithmen zur Unterstützung bei der Erkennung und Charakterisierung dieser potenziell lebensbedrohlichen Zustand.
Die Erstellung des Datensatzes stammt aus der aktuellen Ausgabe der Radiologie-Gesellschaft von Nordamerika (RSNA) Künstliche Intelligenz (KI) Herausforderung. Für die Jahre 2019-edition wurden die Teilnehmer gebeten, zu schaffen, eine ML-Algorithmus, die dabei helfen könnten, die Erkennung und Charakterisierung der intrakraniellen Blutung auf das Gehirn-CT. Genauigkeit bei der Diagnose das Vorhandensein und die Art des intrakraniellen Blutung ist ein wesentlicher Bestandteil der effektiven Behandlung, als auch kleine Blutungen können zum Tod führen, wenn es in eine kritische Lage.
Anstatt einen bestehenden Datensatz, wie er getan hatte in den ersten zwei Herausforderungen, die Organisatoren des Wettbewerbs festgelegt, um eine zu erstellen von Grund auf. Sie stellte die Gehirnblutung CT-Datensatz aus drei Organen: die Stanford University in Palo Alto, Kalifornien, Universidade Federal de São Paulo in São Paulo, Brasilien, und der Thomas Jefferson University Hospital in Philadelphia, Pennsylvania.
“Der Wert dieser Herausforderung ist das erstellen eines dataset können dazu führen, dass eine verallgemeinerbare Lösung, und der beste Weg das zu tun ist, um zu trainieren Sie ein Modell aus Daten, die aus mehreren Institutionen, die eine Vielzahl von CT-Scannern unterschiedlicher Hersteller, scan-Protokolle und eine heterogene Patientenpopulation,” sagte der Studie führen Autor, Adam E. Flanders, M. D., neuroradiologist und professor an der Thomas Jefferson University Hospital. “In diesem Fall mussten wir Daten aus drei Instituten und internationaler Beteiligung. Der Datensatz ist einzigartig, nicht nur in Bezug auf das Volumen der abnorme Bilder, aber auch die Heterogenität von wo Sie alle herkamen.”
RSNA und der American Society of Neuroradiology (ASNR) zusammen zu kuratieren das dataset und die Organisatoren erließ einen Aufruf für freiwillige in der ASNR Mitgliedschaft zum kommentieren der Bilder. Ein Tag-und-ein-halb später, Sie hatten sich 140 freiwillige aus, die Sie ausgewählt 60 versehen eine riesige Fundgrube von 874,035 Hirnblutung CT-Bilder in 25,312 einzigartige Prüfungen. Die freiwillige markiert jedes Bild als normal oder abnormal. Für das anormale Bilder, Sie haben erklärt, die Blutung Subtyp.
“Es war eine Zitterpartie den ganzen Weg entlang,” Dr. Flanders sagte, der Prozess. “Wir bauen das Flugzeug während des Fluges. Wenn man bedenkt, die Anzahl der Bilder, die wir hatten, zu de-identifizieren, lokal verbrauchen, kuratieren, label, cross-check, und dann organisieren Sie in die richtigen Datensätze an die Version, um die Kandidaten, es gab eine Menge von arbeiten an, die von der Freiwilligen-Belegschaft, die RSNA Machine-Learning-Unterausschuss -, Daten-Wissenschaftlern, Unternehmern und RSNA Mitarbeiter.”
Das dataset release ist das Interesse von weit und breit. Die Organisatoren erhielten mehr als 22,200 Beiträge von 1,787 einzelner Wettbewerber in 1,345 teams aus 75 Ländern. Dr. Flandern war besonders beeindruckt von der internationalen Reichweite des Projekts und die Höhe der Begeisterung, auch von Personen außerhalb des medizinischen Bereich.
“Die 10 top-Lösungen kamen aus der ganzen Welt”, sagte er. “Einige der Gewinner hatte absolut keinen hintergrund in der medizinischen Bildgebung.”
Der Datensatz wurde veröffentlicht unter einer nicht-kommerziellen Lizenz, was bedeutet, es ist frei verfügbar für die KI-Forschung der Gemeinschaft für nicht-kommerzielle Nutzung und Weiterentwicklung.
Dr. Flanders sagte, das Ziel der Beschäftigung mit einem Teilgebiet der Gesellschaft zu nutzen, Ihre einzigartigen know-how in der Entwicklung von high-quality dataset ist eine wirksame und sinnvolle Weg zu Folgen für die zukünftige Zusammenarbeit. Das Modell funktionierte so gut, dass die Organisatoren es wieder für dieses Jahr ist der Wettbewerb, in Zusammenarbeit mit der Gesellschaft für Thorax-Radiologie sucht eine verbesserte Erkennung und Charakterisierung der Lungenembolie auf der Brust CT.
