– Hallo Brian, und danke, dass du unsere Einladung zum Limitless Medical Imaging Podcast angenommen hast. Wir freuen uns, dich hier zu haben! Ich werde damit beginnen, dich zu bitten, dich vorzustellen.
– Großartig. Nun, es ist schön, hier zu sein, Andra. Mein Name ist Brian Casey, ich bin der Leitende Redakteur von The Imaging Wire, und The Imaging Wire ist eine Website und ein Newsletter, der sich dem Schreiben über medizinische Bildgebung, Radiologie und alles, was damit zusammenhängt, widmet. Ich bin seit der Radiologie seit etwa 30 Jahren für verschiedene Publikationen tätig. Ich war letzte Woche auf der SIIM und fand es eine großartige Veranstaltung. Ich denke, es gab viele großartige Diskussionen. Viele Menschen waren wirklich begeistert von dem, was in der Bildverwaltung, der digitalen Bildverwaltung, dem Enterprise Imaging und insbesondere im Bereich AI.
Also viele gute Gespräche, viel gutes Networking dort.
– Das ist der Grund, warum ich mit dir darüber sprechen wollte, weil ich wusste, dass du an der SIIM teilgenommen hast, und ich wollte von der Person erfahren, die am besten informiert ist, über das, was dort passiert ist. Was waren die Hauptthemen, die in diesem Jahr diskutiert wurden? Welche Trends siehst du voraus?
– Dies war mein erstes SIIM seit einigen Jahren. Das letzte, an dem ich teilgenommen habe, war 2016 in Portland. Und ich schätze, dass mein erstes wahrscheinlich 2001 war, damals hieß es Scan und fand in Salt Lake City statt. Das Wichtigste, was mir auffiel, war, wie wenig Diskussion es über COVID gab, denn all diese Treffen, weißt du, COVID hat in den letzten drei Jahren einen so großen Schatten über medizinischen Veranstaltungen geworfen. Und dies war das erste Treffen, bei dem es einfach kein großes Thema zu sein schien. Es trugen nicht sehr viele Leute Masken und es gab wirklich keine große Besorgnis über COVID. Das war tatsächlich sehr angenehm. Und ich war an einem Tag bei einem Vortrag, ich glaube, es war am Donnerstag, er war von Dr. Jim Whitfield, und er sprach über die Wichtigkeit des Zusammenseins, und der Grund dafür war, dass Dr. Whitfield tatsächlich Präsident oder Vorsitzender der SIIM im Jahr 2020 war, als es in diesem Jahr hätte stattfinden sollen. Und sie mussten es absagen, offensichtlich wegen COVID und wie alle medizinischen Treffen in diesem Jahr, und so haben sie es durch ein virtuelles Treffen ersetzt. Und wie viele andere Gesellschaften gab es viele virtuelle Treffen. Und viele von uns haben sich daran gewöhnt. Und wir haben irgendwie angenommen, dass es, nun ja, wirklich nicht so viel anders ist, virtuell zu treffen im Gegensatz zu einem persönlichen Treffen? Und er sprach über einige der negativen Aspekte von virtueller Technologie und menschlichen Beziehungen und ging auf einige der Auswirkungen ein, die wir bei Jugendlichen und der Produktivität der Arbeiter gesehen haben.
Also, wenn es um Inhalte geht, war das, was bei der SIIM wirklich dominierte, künstliche Intelligenz und speziell ChatGPT. Wie ich in einem meiner Artikel über die SIIM für The Imaging Wire geschrieben habe, hat künstliche Intelligenz der SIIM wirklich eine neue Mission gegeben, denn die SIIM gibt es schon lange, ursprünglich war es die Gesellschaft für Computeranwendungen und Radiologie, und die ursprüngliche Mission bestand darin, den Menschen beizubringen, über PACS und digitale Bildverwaltung zu lernen, und als PACS in den frühen neunziger Jahren auftauchte, wussten die Leute nicht, wir verwendeten noch Film in der Radiologie. Und daher gab es wirklich einen Bedarf, die Menschen darin auszubilden. Aber im Laufe der Jahre haben alle PACS übernommen. Und so ist zumindest in westlichen Krankenhäusern die gesamte Bildgebung jetzt digital, und es gibt also nicht diesen Bedarf, zu lernen, was KI getan hat, es ist diese neue Technologie, die potenziell ebenso große Auswirkungen auf der Radiologie haben könnte, wie PACS gehabt hat, aber es ist wirklich ein Rätsel.
Und so hat sich die SIIM stark darauf konzentriert, AI und zu besprechen, wie AI in der Radiologie genutzt werden kann. Und das ist wirklich schön zu sehen bei der SIIM, und viele der Diskussionen drehten sich um KI, und wir können darauf eingehen, wenn du möchtest.
– Ja, natürlich. Aus den Diskussionen, die du hattest, was hast du als Herausforderungen bei der Entwicklung von Algorithmen in der Radiologie gesehen?
– Nun, es gibt eine Reihe von Herausforderungen und die positive Nachricht ist, dass die meisten Radiologen scheinen AI nicht mehr abzulehnen, als die ersten AI Algorithmen auftauchten, waren viele Radiologen wirklich besorgt darüber. Und es gab dieses berühmte Zitat von Jeffrey Hinton, wo er sagte, dass wir sofort aufhören sollten, Radiologen auszubilden. Und die gute Nachricht ist, dass die Radiologen anscheinend diese Zurückhaltung gegenüber der KI überwunden haben. Das Problem ist, dass es viel länger dauert, bis die KI in die Radiologie eindringt, als die Leute erwartet hatten. Und die klinische Akzeptanz dauert einfach lange. Ich war vor zwei Wochen auf einem anderen Treffen, A.I. Med in San Diego. Ein weiteres Thema dort war, was müssen wir tun, um Radiologen dazu zu bringen, mehr KI zu nutzen? Und ich denke, einige der Probleme sind, dass es einfacher sein muss, sie einzusetzen. Die Radiologen sollten nicht zwischen Algorithmen wählen müssen, während sie einen Scan lesen, das wird einfach nicht funktionieren. Viele Anbieter gehen das von einer Plattform her an, anstatt Algorithmen zu Radiologen einzeln zu verkaufen. Wir müssen sie auf einer Plattform haben, wo idealerweise der Algorithmus einfach gestartet und eine Studie in Echtzeit ohne viel Interaktion vom Radiologen analysieren kann. Also ist der Plattformansatz wirklich groß. Es gibt auch viele Bedenken hinsichtlich der Qualität und des Zugangs zu Daten für die Ausbildung von KI-Algorithmen.
Und es gab eine frühe schöne Rede von Dr. Zied Obermeier an einem der Tage, wo er diskutierte, wie wir bessere Daten für das Training von KI benötigen. Du trainierst Algorithmen mit kleinen Datensätzen, das ist problematisch, weil diese Algorithmen oft nicht generalisierbar sind. Sie funktionieren nicht sehr gut außerhalb des Datensatzes, auf dem sie trainiert wurden. Wir können nicht haben, dass ein Algorithmus eine Sensitivität von 90 % auf den Trainingsdaten hat. Und dann, wenn du sie in der realen Welt einsetzt, fällt das auf 65 oder 70. Das war also ein weiteres großes Problem bei der SIIM. Es sind immer noch super frühe Tage für ChatGPT, und ich weiß von niemandem, der es derzeit klinisch verwendet.
Ich denke, dass wir uns größtenteils in dieser Phase befinden, in der wir einfach damit herumspielen. Und ich war bei einem Vortrag, wo einer der Moderatoren das Publikum fragte, wie viele von euch, nicht klinisch, sondern wie viele von euch einfach mit ChatGPT gespielt haben, und die meisten Leute im Publikum sagten, ja, sie hatten es ausprobiert. Das gesagt, denke ich, dass alle zustimmen würden, dass es wirklich noch nicht auf einem Punkt ist, an dem es klinisch genutzt werden kann. Und wir finden immer noch Wege, wie es eingesetzt werden kann. Also ist das wirklich aufregend. Ich denke, dass es viel Potenzial hat, um einige der alltäglichen Aufgaben zu übernehmen und die Radiologen zu entlasten, zum Beispiel einen Bericht zu schreiben, der vielleicht auf einem Niveau geschrieben ist, das ein Patient verstehen könnte. Ich denke, das ist eine Möglichkeit. Und der Radiologe kann zurückgehen und Dinge korrigieren. Das eine große Anliegen über ChatGPT ist dieses Konzept, das Halluzinationseffekt genannt wird, bei dem ChatGPT einfach Dinge erfindet. Und es klingt real, du liest es und denkst, oh, okay, das ist großartig. Und dann tauchst du tiefer ein und es ist, nun ja, diese Dinge sind nicht wahr. Also denke ich, dass wir uns damit auseinandersetzen müssen. Wir müssen mit dem Halluzinationseffekt umgehen. Wir müssen das ziemlich genau testen, aber es scheint, dass es viel Potenzial hat. Und es scheint, dass jede neue Iteration davon eine viel größere Verbesserung der Leistung sieht. Ich denke, das wird nur besser werden. der Radiologie report that’s maybe written at a level that a patient could understand. I think that’s a possibility. And, the radiologist could go back over and fix things. The one big concern about Chat GPT is this concept called the hallucination effect where ChatGPT just makes things up. And it sounds real, you read it and you’re like, Oh, okay, we’re great. And then you dive into it and it’s like, well, these things aren’t true. So I think we’re going to have to deal with that. We’re going to have to deal with the hallucination effect. We’re going to have to test this quite a bit, but it does seem that it’s got a lot of potential. And it seems like every new iteration of it, sees a much bigger improvement in performance. I think that’s only going to get better.
– Vielen Dank für diese Perspektive. Was hast du aus deinen Diskussionen über Klinikern gesehen, wie sehen sie die Zukunft, den modernen Arbeitsplatz für Bildgebung?
– Nun, das große Problem dort ist einfach der Workflow. Eines der Themen, das bei der SIIM wirklich betont wurde, war einfach Workflow, Workflow, Workflow, und Radiologen auf der ganzen Welt werden einfach von diesem unglaublichen Volumen an Bildgebungsstudien überflutet, die produziert werden. Wir haben jetzt diese Scanner, CT-Scanner die einfach hunderte oder tausende von Schichten pro Untersuchung erzeugen. Und es ist wirklich herausfordernd für Radiologen, all diese Dinge lesen zu müssen. Und die Bevölkerung wird älter, und Bildgebung wird häufiger genutzt. Kliniker benötigen Werkzeuge, um effizienter arbeiten zu können. Ich denke nicht unbedingt, dass sie das Gefühl haben, ein KI-Algorithmus müsse ihnen helfen, denn ihre Sensitivität ist bereits ziemlich hoch, aber sie benötigen Technologie, die ihnen nicht im Weg steht, sondern sie dabei unterstützt, ihre Arbeit zu erledigen und ihnen hilft, mit dem gesamten Volumen umzugehen, das wir sehen. Also denke ich, das ist ihre große Sorge. Sie benötigen Produktivitätswerkzeuge und sind wirklich zögerlich gegenüber Werkzeugen, die ihnen im Weg stehen und sie verlangsamen könnten. Du weißt, niemand möchte bei einer Mammographie 20 Markierungen verdächtiger Läsionen verfolgen müssen. Ich denke, das ist der Punkt, an dem sich die Gewinner und Verlierer herauskristallisieren werden. Die Werkzeuge, die in den Workflow der Radiologen integriert werden können und ihnen wirklich helfen, effizienter zu arbeiten, werden diejenigen sein, die hier gewinnen werden.
– Was waren die Hauptanliegen bezüglich Speicherung und Sicherheit, für die Radiologieinformatik?
– Ja, das sind beides große Themen, und sie waren wirklich ein Diskussionsthema bei der SIIM. Es gab eine Reihe von wirklich hochkarätigen Sicherheitsverletzungen sowohl in Radiologieabteilungen oder -zentren, Einrichtungen als auch im Gesundheitswesen im weiteren Sinne. Und so ist Sicherheit ein riesiges Thema. Es scheint mir, dass viele dieser Vorfälle die Gesundheitsdienstleister dazu drängen, sich an Cloud Anbieter für ihre Daten zu wenden, Datenspeicherung und -verwaltung, weil sie erkennen, dass sie einfach nicht über die Fähigkeiten verfügen, um eine erstklassige Cybersecurity-Abteilung zu betreiben, und dass es andere Menschen gibt, die dies besser machen können. Und, du weißt, das sind die Plattformanbieter wie Amazon, Microsoft und Google. Und so sehen wir viel mehr Interesse an Cloud-basiertem Image Management, und ich denke, dass die Gesundheitsversorgung historisch besorgt war über die Speicherung ihrer Daten außer Haus. Ich denke, das beginnt ein wenig zu verschwinden. Und ich denke, dass die Sicherheitsprobleme das vorantreiben. Und ich glaube, wir werden eine fortgesetzte Migration des Gesundheitswesens zur Cloud-Hosting in der Zukunft sehen.
– Okay. Erstaunlich. Vielen Dank, Brian, dass du an dieser Episode teilgenommen hast und für das Teilen deiner Erfahrungen bei der SIIM. Alle, bitte schickt uns eure Gedanken, Fragen oder Ideen, die ihr für Brian oder uns, für Medicai, haben könnt. Fühlt euch frei, uns eine Nachricht zu senden und diesen Podcast zu abonnieren. Bis zum nächsten Mal.
