Hvordan Shaips ekspert-CT-annotation af hjertet fremskynder tidlig påvisning af hjerteamyloidose
En klinisk AI-forskningsgruppe har indgået et partnerskab med Shaip for at udvikle en komplet arbejdsgang til annotering og modeltræning af hjerte-CT-scanninger, der konverterer radiologkriterier for tidlig hjerteamyloidose til styrede etiketter og funktioner i produktionskvalitet til downstream maskinlæring.
Projektoversigt
En klinisk AI-forskningsgruppe fokuserede på billedbaseret diagnostik til komplekse kardiologiske anvendelsesscenarier, der søger gentagelig, ekspertstyret mærkning i stor skala.
Klienten havde til formål at opdage tidligt stadie af hjerteamyloidose fra CT-scanninger – signaler, der er subtile og ofte oversete. De samarbejdede med Shaip for at bygge en end-to-end annotations- og modeltræningsworkflow, der omdanner specialiseret knowhow til ensartede etiketter og funktioner til downstream ML.
Nøglestatistikker
Modalitet
Hjerte-CT; store mængder, multi-batch kohorter afstemt efter ekspertkriterier
SMV-samarbejde
Radiologer + dataloger i lukkede evalueringscyklusser
Leverancer
Klinisk mærkede billedsæt + versioneret annotationsprotokol
Modelpåvirkning
99.8% valideret nøjagtighed på måltilstandsklassificering
Governance
Privatlivsbevarende arbejdsgange og sporbarhed af dokumentation
Udfordringer
- Oversættelse subtile, tidlige billeddiagnostiske signaler i en operationel taksonomi.
- Vedligeholdelse mærkningskonsistens på tværs af store kohorter med flere batcher.
- Synkronisering radiologfeedback med iterative modeltræningscyklusser.
- Bevarelse stringens i forbindelse med privatliv og dokumentation under hele leveringen.
Løsning
Datastrategi
Kodificerede radiologkriterier for tidlig amyloidose i en praktisk mærkningsvejledning med accepttærskler, eskaleringsveje og evidensmærker til at indfange begrundelsen.
Samling og annotering
Udførte en radiolog-in-the-loop pipeline: Uddannede annotatorer anvendte strukturerede tags; senior reviewers bedømte edge cases; endelige gold labels gav assistance til træning.
Modeludvikling
Trænede og validerede klassifikatorer i iterative sprints; sporede metrikker pr. revision for at kvantificere forbedringer af taksonomien. Den validerede nøjagtighed nåede 99.8 %.
Kvalitetssikring
Flerlags kvalitetskontrol med duplikationskontrol, driftovervågning og afvigelsesdashboards.
Compliance & Governance
Privatlivsbevarende processer; versionerede protokoldokumenter; sporbarhed fra sag → tag → beslutningsartefakt.
Projektets omfang
| Spor | Hvad vi gjorde | Produktion | QC-porte |
|---|---|---|---|
| Taksonomi | Konverterede ekspertkriterier til etiketskema | Halvautomatiske værktøjer + visuel kvalitetskontrol | Identitetsbeskyttelse med signalbevaring |
| Metadata De-ID | DICOM-tag-scrubning | Regelbaseret fjernelse + hvidliste | Ingen PHI-lækage i headere |
| Verifikation | Revisorrevisioner | Tjeklister; prøveudtagningsplaner | Målbar PHI-risikoreduktion |
| Governance | SOP'er og træning | Revisionsspor; adgangskontroller | Reproducerbarhed og overholdelse af regler |
Resultatet
- 99.8% valideret nøjagtighed for målklassificeringen, hvilket muliggør forskning, der er klar til implementering.
- Hurtigere iteration ved at integrere specialistrefeedback direkte i træningscyklusser.
- Genanvendelige playbooks til fremtidige AI-initiativer inden for kardiologi på flere lokationer.
Strategisk effekt: Tavs ekspertviden blev omdannet til en skalerbar, styret pipeline – hvilket forbedrede detektionsydelsen og samtidig styrkede compliance.
Shaip omsatte specialistindsigt til en annotations- og træningsworkflow i produktionsklassen – hvilket øgede nøjagtigheden og accelererede eksperimenterne.
— Leder af billeddannelses-AI, partner inden for sundhedsforskning
