Hur Shaips expertannotering av hjärt-CT accelererar tidig upptäckt av hjärtamyloidos
En klinisk AI-forskningsgrupp samarbetade med Shaip för att bygga ett heltäckande arbetsflöde för hjärt-CT-annotering och modellträning, vilket konverterade radiologkriterier för tidig hjärtamyloidos till styrda etiketter och funktioner i produktionsklass för maskinlæring nedströms.
Projektöversikt
En klinisk AI-forskningsgrupp fokuserad på bildbaserad diagnostik för komplexa kardiologiska användningsfall, i strävan efter repeterbar expertstyrd märkning i stor skala.
Klienten ville upptäcka tidigt stadium av hjärtamyloidos från datortomografiska skanningar – signaler som är subtila och ofta missade. De samarbetade med Shaip för att bygga en arbetsflöde för end-to-end-annotering och modellträning, och omvandlar specialistkunskap till konsekventa etiketter och funktioner för downstream-maskinskrivning.
Nyckelstatistik
Modalitet
Hjärt-CT; högvolymskohorter, flerbatchkohorter anpassade till expertkriterier
Samarbete mellan små och medelstora företag
Radiologer + dataforskare i slutna granskningscykler
Deliverables
Kliniskt taggade bilduppsättningar + versionsbaserat annoteringsprotokoll
Modellpåverkan
99.8% validerad noggrannhet vid klassificering av målvillkor
Bolagsstyrning
Sekretessbevarande arbetsflöden och spårbarhet av dokumentation
Utmaningar
- Översätter subtila, tidiga avbildningssignaler till en operationell taxonomi.
- upprätthålla märkningskonsekvens över stora kohorter med flera batcher.
- synkronisering radiologfeedback med iterativa modellträningscykler.
- bevara sekretess och dokumentationsnoggrannhet under hela leveransen.
Lösning
Datastrategi
Kodifierade radiologkriterier för tidig amyloidos till en praktisk märkningsguide med acceptansgränser, eskaleringsvägar och evidenstaggar för att fånga upp motiveringen.
Samling och annotering
Avrättade en pipeline för radiologer i loopen: Utbildade annotatörer tillämpade strukturerade taggar; seniora granskare bedömde kantfall; slutgiltiga guldetiketter matade utbildning.
Modellutveckling
Tränade och validerade klassificerare i iterativa sprintar; spårade mätvärden per revision för att kvantifiera taxonomiförbättringar. Validerad noggrannhet nådde 99.8 %.
Kvalitetssäkring
Flerskiktad kvalitetskontroll med dupliceringskontroller, driftövervakning och avvikelsedashboards.
Compliance & Governance
Integritetsbevarande processer; versionsbaserade protokolldokument; spårbarhet från ärende → tagg → beslutsartefakt.
Projektets omfattning
| Spåra | Vad vi gjorde | Produktion | QC-grindar |
|---|---|---|---|
| Taxonomi | Konverterade expertkriterier till etikettschema | Halvautomatiska verktyg + visuell kvalitetskontroll | Identitetsskydd med bevarad signal |
| Metadata-av-ID | DICOM-taggskrubning | Regelbaserad borttagning + vitlista | Inget PHI-läckage i grenrör |
| Verifiering | Granskare av granskare | Checklistor; provtagningsplaner | Mätbar PHI-riskreducering |
| Bolagsstyrning | Standardoperationer och utbildning | Revisionsspår; åtkomstkontroller | Reproducerbarhet och efterlevnad |
Den Utfall
- 99.8 % validerad noggrannhet för målklassificeringen, vilket möjliggör driftsättningsklar forskning.
- Snabbare iteration genom att integrera specialistfeedback direkt i utbildningscykler.
- Återanvändbara spelböcker för framtida AI-initiativ inom kardiologi som sträcker sig över flera kliniker.
Strategisk effekt: Expertkunskap från tyst expertis omvandlades till en skalbar, styrd pipeline – vilket ökade detekteringsprestanda samtidigt som efterlevnaden skärptes.
Shaip omsatte specialistinsikter till ett arbetsflöde för anteckningar och utbildning i produktionsklass – vilket ökade noggrannheten samtidigt som experimenten accelererades.
— Chef för bildbaserad AI, partner inom hälso- och sjukvårdsforskning
