Hvordan Shaips ekspert-CT-annotering av hjertet akselererer tidlig påvisning av hjerteamyloidose
En klinisk AI-forskningsgruppe samarbeidet med Shaip for å bygge en komplett arbeidsflyt for hjerte-CT-annotering og modelltrening, og konverterte radiologkriterier for tidlig hjerteamyloidose til styrte etiketter og funksjoner i produksjonskvalitet for nedstrøms maskinlæring.
Prosjektoversikt
En klinisk AI-forskningsgruppe fokusert på bildebasert diagnostikk for komplekse kardiologiske brukstilfeller, med søken etter repeterbar ekspertstyrt merking i stor skala.
Klienten hadde som mål å oppdage tidlig stadium av hjerteamyloidose fra CT-skanninger – signaler som er subtile og ofte oversett. De samarbeidet med Shaip for å bygge en komplett arbeidsflyt for annotering og modelltrening , og konverterte spesialkunnskap til konsistente etiketter og funksjoner for nedstrøms maskinlæring.
Nøkkeltall
Modalitet
Hjerte-CT; store volum, flerbatchkohorter i samsvar med ekspertkriterier
SMB-samarbeid
Radiologer + dataforskere i lukkede evalueringssykluser
leveransen
Klinisk merkede bildesett + versjonert annotasjonsprotokoll
Modellpåvirkning
99.8 % validert nøyaktighet på måltilstandsklassifisering
Governance
Personvernbevarende arbeidsflyter og sporbarhet av dokumentasjon
Utfordringer
- sette subtile, tidligfase avbildningssignaler inn i en operasjonell taksonomi.
- Vedlike merkingskonsistens på tvers av store kohorter med flere grupper.
- Synkronisering tilbakemelding fra radiolog med iterative modelltreningssykluser.
- Sikrer personvern og dokumentasjonsnøyaktighet gjennom hele leveransen.
Oppløsning
Datastrategi
Kodifiserte radiologkriterier for tidlig amyloidose til en praktisk merkingsveiledning med akseptterskler, eskaleringsveier og evidenskodeker for å fange opp begrunnelse.
Samling og annotering
Utførte en pipeline for radiologer i loop: trente kommentatorer brukte strukturerte tagger; seniorgranskere vurderte kanttilfeller; endelige gulletiketter ga opplæring.
Modellutvikling
Trente og validerte klassifikatorer i iterative sprinter; sporet målinger per revisjon for å kvantifisere forbedringer i taksonomien. Validert nøyaktighet nådde 99.8 %.
Kvalitetssikring:
Flerlags kvalitetskontroll med dupliseringssjekker, driftovervåking og avviksdashboards.
Overholdelse og styring
Personvernbevarende prosesser; versjonerte protokolldokumenter; sporbarhet fra sak → tagg → beslutningsartefakt.
Prosjektomfang
| Spor | Hva vi gjorde | Produksjon | QC-porter |
|---|---|---|---|
| Taksonomi | Konverterte ekspertkriterier til etikettskjema | Halvautomatiske verktøy + visuell kvalitetskontroll | Identitetsbeskyttelse med signalbevaring |
| Metadata-av-ID | DICOM-tag-skrubbing | Regelbasert fjerning + hviteliste | Ingen PHI-lekkasje i overskrifter |
| Verifisering | Revisjonskontrollører | Sjekklister; prøvetakingsplaner | Målbar PHI-risikoreduksjon |
| Governance | Standardoperasjoner og opplæring | Revisjonsspor; tilgangskontroller | Reproduserbarhet og samsvar |
Utfallet
- 99.8 % validert nøyaktighet for målklassifiseringen, noe som muliggjør forskning klar for utplassering.
- Raskere iterasjon ved å integrere tilbakemeldinger fra spesialister direkte i opplæringssykluser.
- Gjenbrukbare spillbøker for fremtidige AI-initiativer innen kardiologi på flere steder.
Strategisk innvirkning: Taus ekspertkunnskap ble omgjort til en skalerbar, styrt prosess – noe som forbedret deteksjonsytelsen samtidig som samsvar med regelverk ble styrket.
Shaip oversatte spesialinnsikt til en arbeidsflyt for annotering og opplæring i produksjonsklassen – og økte nøyaktigheten samtidig som eksperimentene ble raskere.
