Двое известных ученых призывают группы специалистов по визуализации рассмотреть возможность «разделения труда» между рентгенологами и искусственным интеллектом вместо того, чтобы заставлять их конкурировать за выполнение схожих задач. 

Известный кардиолог Эрик Дж. Топол, доктор медицинских наук, и специалист Гарвардского университета по искусственному интеллекту Пранав Раджпуркар, доктор философии, поделились своими мыслями в новой статье, опубликованной во вторник в журнале Radiology RSNA . Они отмечают, что преобладающие взгляды склоняются к «вспомогательному подходу» к ИИ, стремящемуся объединить человеческие суждения с машинной точностью для улучшения результатов лечения пациентов.  

«Однако последние данные ставят под сомнение это предположение, демонстрируя, что интеграция ИИ в рабочие процессы рентгенологов не всегда даёт ожидаемые улучшения», — написали Топол, профессор и исполнительный вице-президент Scripps Research, и Раджпуркар 29 июля. «Эта новая перспектива предполагает, что чёткое разделение труда — когда ИИ и рентгенологи берут на себя отдельные обязанности в диагностическом процессе — может обеспечить более надёжные результаты».

Дуэт предлагает три возможных способа разделения обязанностей: 

• Последовательная модель с приоритетом ИИ:  искусственный интеллект обрабатывает начальный сегмент рабочего процесса (например, извлекает клинический контекст из электронных медицинских карт), после чего следует интерпретация рентгенолога.
• Последовательная модель, ориентированная на врача:  рентгенолог инициирует процесс диагностики, в то время как ИИ выполняет другие дополнительные задачи, включая создание первоначального отчета и возможных последующих рекомендаций. 
• Модель распределения случаев:  визуализация сортируется по сложности и ясности, при этом ИИ управляет некоторыми случаями, рентгенологи берут на себя другие, а остальные обрабатываются совместно этими двумя способами.

«По сути, разделение ролей использует сильные стороны ИИ и рентгенологов, возлагая на них взаимодополняющие, но при этом отдельные обязанности в диагностическом процессе. Вместо того, чтобы объединять усилия в единый интегрированный процесс (что может привести к таким проблемам, как игнорирование автоматизации и её смещение), этот подход разделяет рабочий процесс на сегменты, наилучшим образом соответствующие уникальным возможностям каждой стороны», — предлагают авторы. 

Раджпуркар и Топол надеются, что эта новая модель поможет рентгенологическим группам преодолеть недоверие и полностью раскрыть потенциал ИИ. Они считают, что в клинической практике границы между этими тремя моделями будут «часто размываться». Необходимо будет адаптировать их с учётом различных предпочтений рентгенологов, институциональной практики, требований к методам визуализации и клинического контекста. 

«Мы предлагаем общую схему, но настоящие инновации появятся, когда рентгенологи-практики адаптируют её к своим конкретным потребностям», — заявил Раджпуркар, профессор биомедицинской информатики Гарвардского университета и соучредитель компании a2z Radiology AI , в заявлении Радиологического общества Северной Америки, опубликовавшего редакционную статью. «Учреждения, вероятно, откроют для себя гибридные подходы, которые мы пока даже не представляли».

Он привел пример травматологического центра, который использовал модель «ИИ-в первую очередь» для просмотра рентгеновских снимков грудной клетки во время ночной смены, но затем перешел на подход, ориентированный на врача, при обучении врачей-ординаторов. 

«Прорывной момент наступает, когда врачи перестают спрашивать: «Какая модель?» и начинают спрашивать: «Какая модель и когда?»», — добавил Раджпуркар. «Вот тут-то и происходит волшебство — адаптивные рабочие процессы, отвечающие реальным клиническим потребностям, а не жёстким теоретическим построениям».

Внимание, автоперевод! За ошибки перевода ответственности не несём. Первоисточник по ссылке.