Cómo la anotación experta en tomografía computarizada cardíaca de Shaip acelera la detección temprana de amiloidosis cardíaca
Un grupo de investigación clínica en IA se asoció con Shaip para construir un flujo de trabajo integral de anotación de tomografías computarizadas cardíacas y entrenamiento de modelos, convirtiendo los criterios de los radiólogos para la amiloidosis cardíaca temprana en etiquetas y características gobernadas y de calidad de producción para el aprendizaje automático posterior.
Resumen del proyecto
Un grupo de investigación clínica en IA centrado en el diagnóstico basado en imágenes para casos de uso cardiológico complejos, que busca un etiquetado repetible guiado por expertos a gran escala.
El cliente pretendía detectar amiloidosis cardíaca en etapa temprana a partir de tomografías computarizadas: señales sutiles que a menudo pasan desapercibidas. Se asociaron con Shaip para construir un Flujo de trabajo de anotación y entrenamiento de modelos de extremo a extremo, convirtiendo el conocimiento especializado en etiquetas y características consistentes para el aprendizaje automático posterior.
Estadísticas clave
Modalidad
Tomografía computarizada cardíaca; cohortes de alto volumen y múltiples lotes alineadas con criterios de expertos
Colaboración entre PYMES
Radiólogos + científicos de datos en ciclos de revisión de circuito cerrado
Lo que recibe el cliente
Conjuntos de imágenes con etiquetas clínicas + protocolo de anotación versionado
Impacto del modelo
99.8% Precisión validada en la clasificación de la condición objetivo
Gobernanza
Flujos de trabajo que preservan la privacidad y trazabilidad de la documentación
Desafíos
- Traduciendo señales de imagen sutiles y tempranas en una taxonomía operativa.
- Mantener los consistencia en el etiquetado a través de grandes cohortes de múltiples lotes.
- Sincronizando Comentarios del radiólogo con ciclos iterativos de entrenamiento de modelos.
- Conservación Rigor en materia de privacidad y documentación Durante todo el parto.
Solución:
Se codificaron los criterios radiológicos para la amiloidosis temprana en una guía de etiquetado práctica con umbrales de aceptación, vías de escalamiento y etiquetas de evidencia para capturar la justificación.
Ejecutó un Proceso con radiólogo en el circuito: Los anotadores capacitados aplicaron etiquetas estructuradas; los revisores senior resolvieron los casos límite; las etiquetas finales de oro alimentaron el entrenamiento.
Clasificadores entrenados y validados en sprints iterativos; métricas de seguimiento por revisión para cuantificar las mejoras en la taxonomía. La precisión validada alcanzó el 99.8%.
Control de calidad multicapa con comprobaciones de duplicación, monitorización de desviaciones y paneles de control de discrepancias.
Procesos que preservan la privacidad; documentación de protocolos versionados; trazabilidad desde el caso → etiqueta → artefacto de decisión.
Alcance del proyecto
| Seguimiento | Lo que hicimos | Salida | Puertas QC |
|---|---|---|---|
| Taxonomía | Criterios de expertos convertidos en esquema de etiquetas | Herramientas semiautomatizadas + control de calidad visual | Protección de identidad con señal preservada |
| Desidentificación de metadatos | Limpieza de etiquetas DICOM | Eliminación basada en reglas + lista blanca | No hay fugas de PHI en los colectores |
| Verificación | Auditorías de revisores | Listas de verificación; planes de muestreo | Reducción medible del riesgo de PHI |
| Gobernanza | Procedimientos operativos estándar y capacitación | Registros de auditoría; controles de acceso | Reproducibilidad y cumplimiento |
El Resultado
- Precisión validada del 99.8 % para la clasificación objetivo, lo que permite una investigación lista para su implementación.
- Iteración más rápida incorporando la retroalimentación de especialistas directamente en los ciclos de entrenamiento.
- manuales de jugadas reutilizables para futuras iniciativas de IA en cardiología en múltiples centros.
Impacto Estratégico: El conocimiento tácito de los expertos se transformó en un proceso escalable y controlado, lo que mejoró el rendimiento de la detección al tiempo que reforzó el cumplimiento normativo.
Shaip transformó el conocimiento especializado en un flujo de trabajo de anotación y entrenamiento de nivel de producción, aumentando la precisión y acelerando los experimentos.
— Director de IA de imágenes, socio de investigación en el sector salud
