Wie Shaips Experten-CT-Annotation die Früherkennung von Herzamyloidose beschleunigt
Eine klinische KI-Forschungsgruppe hat sich mit Shaip zusammengetan, um einen durchgängigen Workflow für die Annotation von Herz-CT-Bildern und das Modelltraining zu entwickeln. Dabei werden die Kriterien von Radiologen für eine frühe kardiale Amyloidose in standardisierte, produktionsreife Labels und Merkmale für nachgelagerte ML-Verfahren umgewandelt.
Projektübersicht
Eine klinische KI-Forschungsgruppe, die sich auf bildbasierte Diagnostik für komplexe kardiologische Anwendungsfälle konzentriert und eine wiederholbare, expertengestützte Kennzeichnung in großem Umfang anstrebt.
Der Kunde hatte zum Ziel, Folgendes zu erkennen kardiale Amyloidose im Frühstadium aus CT-Scans – Signale, die subtil sind und oft übersehen werden. Sie haben sich mit Shaip zusammengetan, um ein End-to-End-Annotations- und Modelltrainings-Workflow, Umwandlung von Fachwissen in konsistente Labels und Features für nachgelagerte ML-Prozesse.
Schlüsselstats
Modalität
Kardiale Computertomographie; große, mehrstufige Kohorten, die auf Expertenkriterien abgestimmt sind
KMU-Zusammenarbeit
Radiologen und Datenwissenschaftler in geschlossenen Überprüfungszyklen
Leistungen
Klinisch getaggte Bilddatensätze + versioniertes Annotationsprotokoll
Modellauswirkungen
99.8% validierte Genauigkeit bei der Klassifizierung der Zielbedingungen
Governance
Datenschutzkonforme Arbeitsabläufe und Dokumentationsnachverfolgbarkeit
Challenges
- Übersetzen subtile, frühphasige Bildgebungshinweise in eine operationelle Taxonomie.
- Aufrechterhaltung Konsistenz der Kennzeichnung über große, mehrbändige Kohorten hinweg.
- Synchronisieren Feedback des Radiologen mit iterativen Modelltrainingszyklen.
- Die Erhaltung Datenschutz und Dokumentationsstrenge während der gesamten Lieferung.
Lösung
Datenstrategie
Die radiologischen Kriterien für die Früherkennung von Amyloidose wurden in einen praktischen Leitfaden zur Kennzeichnung mit Akzeptanzschwellen, Eskalationspfaden und Evidenzkennzeichnungen zur Erfassung der Begründung umgewandelt.
Sammlung & Annotation
Ausgeführt ein Pipeline für Radiologen im Entscheidungsprozess: Geschulte Annotatoren vergaben strukturierte Tags; erfahrene Gutachter entschieden über Grenzfälle; die endgültigen Gold-Labels dienten als Grundlage für das Training.
Modellentwicklung
In iterativen Sprints trainierten und validierten Klassifikatoren; Metriken pro Revision wurden erfasst, um die Verbesserungen der Taxonomie zu quantifizieren. Die validierte Genauigkeit erreichte 99.8 %.
Qualitätssicherung
Mehrstufige Qualitätskontrolle mit Duplikatprüfungen, Driftüberwachung und Abweichungsübersichten.
Compliance und Governance
Datenschutzwahrende Prozesse; versionierte Protokolldokumente; Rückverfolgbarkeit vom Fall → Tag → Entscheidungsartefakt.
Projektumfang
| Bestellung ansehen | Was wir gemacht haben | Ausgang | QC Gates |
|---|---|---|---|
| Taxonomie | Expertenkriterien in ein Labelschema umgewandelt | Halbautomatische Werkzeuge + visuelle Qualitätskontrolle | Identitätsschutz bei erhaltenem Signal |
| Metadaten-De-ID | DICOM-Tag-Bereinigung | Regelbasierte Entfernung + Whitelist | Keine PHI-Leckage in den Headern |
| Verification | Prüferprüfungen | Checklisten; Stichprobenpläne | Messbare Reduzierung des PHI-Risikos |
| Governance | Standardarbeitsanweisungen und Schulungen | Prüfprotokolle; Zugriffskontrollen | Reproduzierbarkeit und Konformität |
Das Ergebnis
- 99.8 % validierte Genauigkeit für die Zielklassifizierung, die einsatzbereite Forschung ermöglicht.
- Schnellere Iteration durch die direkte Einbindung von Expertenfeedback in die Trainingszyklen.
- Wiederverwendbare Spielbücher für zukünftige, standortübergreifende KI-Initiativen in der Kardiologie.
Strategische Auswirkungen: Das implizite Expertenwissen wurde in eine skalierbare, gesteuerte Pipeline umgewandelt – was die Erkennungsleistung steigerte und gleichzeitig die Compliance erhöhte.
Shaip übertrug fachliche Erkenntnisse in einen produktionsreifen Annotations- und Trainingsworkflow – wodurch die Genauigkeit erhöht und gleichzeitig die Experimente beschleunigt wurden.
— Leiter der Abteilung Bildgebungs-KI, Forschungspartner im Gesundheitswesen
