Hoe Shaip's deskundige CT-annotatie van het hart de vroege detectie van amyloïdose in het hart versnelt
Een klinische AI-onderzoeksgroep werkte samen met Shaip om een end-to-end cardiale CT-annotatie en modeltrainingworkflow te ontwikkelen, waarbij radiologische criteria voor vroege cardiale amyloïdose werden omgezet in gecontroleerde, productiekwaliteit labels en kenmerken voor downstream ML.
project Overzicht
Een klinische AI-onderzoeksgroep die zich richt op beeldgebaseerde diagnostiek voor complexe cardiologische use cases, op zoek naar herhaalbare, door experts begeleide labeling op grote schaal.
De cliënt wilde detecteren cardiale amyloïdose in een vroeg stadium van CT-scans – signalen die subtiel zijn en vaak gemist worden. Ze werkten samen met Shaip om een end-to-end annotatie en modeltraining workflow, waarbij specialistische kennis wordt omgezet in consistente labels en kenmerken voor downstream ML.
Key Stats
Modaliteit
CT van het hart; cohorten met een groot volume en meerdere batches, afgestemd op de criteria van experts
MKB-samenwerking
Radiologen + datawetenschappers in gesloten-lus beoordelingscycli
Deliverables
Klinisch getagde beeldsets + versiegebonden annotatieprotocol
Model Impact
99.8% gevalideerde nauwkeurigheid bij classificatie van doelcondities
Bestuur
Privacybeschermende workflows en traceerbaarheid van documentatie
Challenges
- vertalen subtiele, vroege beeldvormingssignalen in een operationele taxonomie.
- Het handhaven consistentie van de etikettering over grote, multi-batch cohorten.
- synchroniseren feedback van radiologen met iteratieve modeltrainingscycli.
- Behoud privacy en documentatiestrengheid gedurende de hele levering.
Het resultaat
Gegevensstrategie
Gecodificeerde radiologische criteria voor vroege amyloïdose in een praktische etiketteringsgids met acceptatiedrempels, escalatiepaden en bewijsmarkeringen om de onderbouwing vast te leggen.
Collectie & Annotatie
Een uitgevoerd pijplijn voor radiologen in de lus: Getrainde annotatoren pasten gestructureerde tags toe; senior reviewers beoordeelden de grensgevallen; de uiteindelijke gouden labels werden aangestuurd door de training.
Model ontwikkeling
Getrainde en gevalideerde classificatoren in iteratieve sprints; volgde per revisie statistieken om taxonomieverbeteringen te kwantificeren. De gevalideerde nauwkeurigheid bedroeg 99.8%.
Kwaliteitsborging
Meerlaagse kwaliteitscontrole met duplicatiecontroles, driftbewaking en discrepantie-dashboards.
Naleving en bestuur
Processen die de privacy beschermen; protocoldocumenten met versiebeheer; traceerbaarheid van case → tag → beslissingsartefact.
Project bereik
| Order volgen | Wat we gedaan hebben | uitgang | QC-poorten |
|---|---|---|---|
| Taxonomie | Omgezette expertcriteria in labelschema | Semi-automatische tools + visuele kwaliteitscontrole | Identiteitsbescherming met behouden signaal |
| Metadata De-ID | DICOM-tag-scrubbing | Verwijderen op basis van regels + witte lijst | Geen PHI-lekkage in headers |
| Verificatie | Controleursaudits | Controlelijsten; bemonsteringsplannen | Meetbare PHI-risicoreductie |
| Bestuur | SOP's en training | Audit trails; toegangscontroles | Reproduceerbaarheid en naleving |
De uitkomst
- 99.8% gevalideerde nauwkeurigheid voor de doelclassificatie, waardoor inzetklaar onderzoek mogelijk wordt.
- Snellere iteratie door feedback van specialisten rechtstreeks in trainingscycli in te bedden.
- Herbruikbare handboeken voor toekomstige AI-initiatieven op het gebied van cardiologie op meerdere locaties.
Strategische impact: Deskundige impliciete kennis werd omgezet in een schaalbare, beheerde pijplijn, waardoor de detectieprestaties werden verbeterd en de naleving werd verbeterd.
Shaip vertaalde specialistische inzichten naar een productieve annotatie- en trainingsworkflow, waardoor de nauwkeurigheid werd verhoogd en experimenten werden versneld.
— Hoofd van Imaging AI, partner in gezondheidszorgonderzoek
