Como a análise especializada de tomografia computadorizada cardíaca de Shaip acelera a detecção precoce da amiloidose cardíaca
Um grupo de pesquisa clínica em IA fez parceria com Shaip para construir um fluxo de trabalho completo de anotação de tomografia computadorizada cardíaca e treinamento de modelos, convertendo os critérios dos radiologistas para amiloidose cardíaca precoce em rótulos e recursos controlados e de nível de produção para aprendizado de máquina subsequente.
Visão geral do projeto
Um grupo de pesquisa clínica em IA focado em diagnósticos baseados em imagens para casos complexos de cardiologia, buscando rotulagem repetível e guiada por especialistas em larga escala.
O cliente tinha como objetivo detectar amiloidose cardíaca em estágio inicial a partir de tomografias computadorizadas — sinais sutis e frequentemente despercebidos. Eles se uniram a Shaip para construir um fluxo de trabalho de anotação e treinamento de modelos de ponta a ponta, convertendo conhecimento especializado em rótulos e recursos consistentes para aprendizado de máquina subsequente.
Estatísticas Chave
Modalidade
Tomografia computadorizada cardíaca; coortes de alto volume e múltiplos lotes alinhadas a critérios de especialistas.
Colaboração PME
Radiologistas + cientistas de dados em ciclos de revisão de circuito fechado
Entregas
Conjuntos de imagens com marcação clínica + protocolo de anotação versionado
Impacto do modelo
99.8% precisão validada na classificação da condição alvo
Governança
Fluxos de trabalho que preservam a privacidade e rastreabilidade da documentação
Desafios
- Traduzindo sinais sutis de imagem em estágio inicial em uma taxonomia operacional.
- Manter consistência de rotulagem em grandes grupos de vários lotes.
- Sincronizando feedback do radiologista com ciclos iterativos de treinamento de modelos.
- Preservando privacidade e rigor da documentação durante toda a entrega.
Solução
Estratégia de dados
Critérios radiológicos codificados para amiloidose precoce em um guia prático de classificação com limiares de aceitação, vias de escalonamento e marcadores de evidência para registrar a justificativa.
Coleta e Anotação
Executou um Fluxo de trabalho com radiologista no circuito: Anotadores treinados aplicaram etiquetas estruturadas; revisores seniores julgaram os casos extremos; as etiquetas finais de referência alimentaram o treinamento.
Desenvolvimento de Modelo
Classificadores treinados e validados em sprints iterativos; métricas por revisão rastreadas para quantificar as melhorias na taxonomia. A precisão validada atingiu 99.8%.
Garantia de qualidade
Controle de qualidade multicamadas com verificações de duplicação, monitoramento de desvios e painéis de discrepâncias.
Conformidade e Governança
Processos que preservam a privacidade; documentação de protocolo versionada; rastreabilidade do caso → etiqueta → artefato de decisão.
Escopo do Projeto
| Track | O que fizemos | saída | Portões QC |
|---|---|---|---|
| Taxonomia | Critérios de especialistas convertidos em esquema de rótulos | Ferramentas semiautomatizadas + controle de qualidade visual | Proteção de identidade com preservação de sinal |
| Des-identificação de metadados | limpeza de tags DICOM | Remoção baseada em regras + lista branca | Sem vazamento de PHI nos cabeçalhos |
| Verificação | Auditorias de revisão | Listas de verificação; planos de amostragem | Redução mensurável do risco de PHI |
| Governança | POPs e treinamento | Trilhas de auditoria; controles de acesso | Reprodutibilidade e conformidade |
O Resultado
- Precisão validada de 99.8%. para a classificação alvo, permitindo pesquisas prontas para implementação.
- Iteração mais rápida Ao incorporar o feedback de especialistas diretamente nos ciclos de treinamento.
- Manuais reutilizáveis para futuras iniciativas de IA em cardiologia com múltiplos locais.
Impacto Estratégico: O conhecimento tácito de especialistas foi transformado em um pipeline escalável e controlado, aumentando o desempenho da detecção e, ao mesmo tempo, reforçando a conformidade.
Shaip traduziu o conhecimento especializado em um fluxo de trabalho de anotação e treinamento de nível de produção, aumentando a precisão e acelerando os experimentos.
— Chefe de IA de Imagem, Parceiro de Pesquisa em Saúde
