{"id":663,"date":"2023-12-29T11:29:00","date_gmt":"2023-12-29T03:29:00","guid":{"rendered":"https:\/\/consulting-hmk.com\/?p=663"},"modified":"2024-01-18T09:46:27","modified_gmt":"2024-01-18T01:46:27","slug":"key-points-for-performance-evaluation-and-review-of-pathology-image-ai-analysis-software","status":"publish","type":"post","link":"https:\/\/www.consulting-hmk.com\/pt\/key-points-for-performance-evaluation-and-review-of-pathology-image-ai-analysis-software\/","title":{"rendered":"Pontos-chave para a avalia\u00e7\u00e3o do desempenho e revis\u00e3o do software de an\u00e1lise de imagens patol\u00f3gicas com IA"},"content":{"rendered":"

\u00a0 \u00a0 \u00a0 O software de an\u00e1lise de IA de imagens patol\u00f3gicas refere-se a software independente baseado em imagens patol\u00f3gicas digitais que utiliza tecnologias de intelig\u00eancia artificial, como a aprendizagem profunda, para fun\u00e7\u00f5es como a segmenta\u00e7\u00e3o e a dete\u00e7\u00e3o. Insere-se na classe \u2162 de gest\u00e3o de dispositivos m\u00e9dicos. As imagens patol\u00f3gicas digitais incluem imagens microsc\u00f3picas de c\u00e9lulas ou tecidos obtidas atrav\u00e9s de dispositivos de imagiologia, bem como imagens patol\u00f3gicas da tecnologia Whole Slide Imaging (WSI). O software \u00e9 utilizado em institui\u00e7\u00f5es m\u00e9dicas e\/ou laborat\u00f3rios m\u00e9dicos para ajudar os patologistas a fornecer informa\u00e7\u00f5es para o diagn\u00f3stico de doen\u00e7as, progn\u00f3stico, tratamento, etc. No entanto, n\u00e3o pode ser a \u00fanica base para decis\u00f5es de diagn\u00f3stico cl\u00ednico.<\/span><\/p>\n

\u00a0 \u00a0 \u00a0 Os \"Pontos-chave para a avalia\u00e7\u00e3o do desempenho e revis\u00e3o do software de an\u00e1lise de imagens patol\u00f3gicas por IA\" destinam-se a orientar os requerentes na prepara\u00e7\u00e3o e reda\u00e7\u00e3o da sec\u00e7\u00e3o de avalia\u00e7\u00e3o n\u00e3o cl\u00ednica do pedido de registo de software de an\u00e1lise de imagens patol\u00f3gicas por IA. Serve tamb\u00e9m de refer\u00eancia para os departamentos de revis\u00e3o t\u00e9cnica, centrando-se nos requisitos para os dados de investiga\u00e7\u00e3o de software, incluindo especifica\u00e7\u00f5es de procura e dados de investiga\u00e7\u00e3o de algoritmos.<\/span><\/p>\n

\u00a0 \u00a0 \u00a0 As especifica\u00e7\u00f5es dos requisitos consideram a recolha de dados, o desempenho do algoritmo e as restri\u00e7\u00f5es de utiliza\u00e7\u00e3o. A recolha de dados deve ter em conta a conformidade, a adequa\u00e7\u00e3o e a diversidade das fontes de dados, a cientificidade e a racionalidade da distribui\u00e7\u00e3o dos dados e a adequa\u00e7\u00e3o, validade e exatid\u00e3o do controlo da qualidade dos dados. Os dados devem provir de diferentes regi\u00f5es e de, pelo menos, 3 institui\u00e7\u00f5es de origem. As institui\u00e7\u00f5es devem seguir os procedimentos descritos no manual para produ\u00e7\u00e3o de l\u00e2minas, colora\u00e7\u00e3o de tecidos e prepara\u00e7\u00e3o imunohistoqu\u00edmica. O desempenho do algoritmo, tendo em conta a utiliza\u00e7\u00e3o prevista do produto, deve avaliar de forma abrangente a aplicabilidade e os requisitos dos indicadores de desempenho, tais como a velocidade de an\u00e1lise, a sensibilidade, a especificidade, a repetibilidade, a reprodutibilidade e a generaliza\u00e7\u00e3o. Os factores que afectam o desempenho do algoritmo, como o desaparecimento do gradiente, a explos\u00e3o do gradiente, o sobreajuste e o subajuste, tamb\u00e9m devem ser considerados. As restri\u00e7\u00f5es de utiliza\u00e7\u00e3o devem indicar com exatid\u00e3o os cen\u00e1rios em que o produto \u00e9 proibido ou desaconselhado, descrever os cen\u00e1rios de utiliza\u00e7\u00e3o do produto e fornecer as informa\u00e7\u00f5es de aviso necess\u00e1rias.<\/span><\/p>\n

\"\"<\/p>\n

\u00a0 \u00a0 \u00a0 Os dados de investiga\u00e7\u00e3o de algoritmos devem incluir relat\u00f3rios de investiga\u00e7\u00e3o de algoritmos para cada algoritmo de intelig\u00eancia artificial ou combina\u00e7\u00e3o de algoritmos. Isto inclui informa\u00e7\u00f5es b\u00e1sicas sobre algoritmos, gest\u00e3o de riscos de algoritmos, especifica\u00e7\u00f5es de requisitos de algoritmos, recolha de dados, forma\u00e7\u00e3o de algoritmos, avalia\u00e7\u00e3o de desempenho de algoritmos e an\u00e1lise de rastreabilidade de algoritmos.<\/span><\/p>\n

\u00a0 \u00a0 \u00a0 O n\u00edvel de seguran\u00e7a deste tipo de software \u00e9 classificado como grave. Para a recolha de dados, \u00e9 necess\u00e1ria uma declara\u00e7\u00e3o de conformidade da fonte de dados, especificando informa\u00e7\u00f5es como os nomes das institui\u00e7\u00f5es de origem dos dados, as suas localiza\u00e7\u00f5es, os volumes de recolha de dados e os n\u00fameros de aprova\u00e7\u00e3o \u00e9tica. A recolha de dados deve ser acompanhada de um documento de procedimento operacional de recolha de dados, incluindo planos de recolha de dados e procedimentos operacionais normalizados; as institui\u00e7\u00f5es cl\u00ednicas s\u00e3o as principais respons\u00e1veis pela recolha de dados e o processo de recolha deve envolver a encripta\u00e7\u00e3o e a numera\u00e7\u00e3o dos dados da amostra, com o plano a definir as regras de numera\u00e7\u00e3o.<\/span><\/p>\n

\u00a0 \u00a0 \u00a0 A organiza\u00e7\u00e3o dos dados deve definir claramente os procedimentos de limpeza\/pr\u00e9-processamento de dados, descrever sucintamente o software utilizado no processamento de dados e apresentar dados de investiga\u00e7\u00e3o para cada software utilizado no processamento de dados. A etiquetagem dos dados deve especificar os requisitos de qualifica\u00e7\u00e3o e o conte\u00fado da forma\u00e7\u00e3o do pessoal de etiquetagem e dos \u00e1rbitros; o pessoal de etiquetagem e os \u00e1rbitros devem ser patologistas e os dados devem ser etiquetados por, pelo menos, duas pessoas. Uma certa propor\u00e7\u00e3o de dados pode ser selecionada para a avalia\u00e7\u00e3o de pessoal n\u00e3o respons\u00e1vel pela rotulagem. A constru\u00e7\u00e3o do conjunto de dados deve clarificar os m\u00e9todos e a base para a divis\u00e3o de cada conjunto de dados, e as amostras do conjunto de treino, do conjunto de afina\u00e7\u00e3o (se existir) e do conjunto de teste n\u00e3o devem ser sobrepostas e devem ser verificadas quanto a duplicados.<\/span><\/p>\n

\u00a0 \u00a0 \u00a0 A forma\u00e7\u00e3o do algoritmo tem de fornecer a distribui\u00e7\u00e3o de dados sobre a composi\u00e7\u00e3o das doen\u00e7as nos conjuntos de forma\u00e7\u00e3o e nos conjuntos de afina\u00e7\u00e3o (se existirem) com base na popula\u00e7\u00e3o aplic\u00e1vel, nas institui\u00e7\u00f5es de origem dos dados, no equipamento de recolha, nos tipos de amostras e noutros factores. A forma\u00e7\u00e3o e o ajustamento devem basear-se no conjunto de forma\u00e7\u00e3o e no conjunto de ajustamento, com especifica\u00e7\u00f5es claras para os indicadores de avalia\u00e7\u00e3o, m\u00e9todos de forma\u00e7\u00e3o, objectivos de forma\u00e7\u00e3o e m\u00e9todos de ajustamento. A avalia\u00e7\u00e3o do desempenho do algoritmo deve basear-se no conjunto de testes para avaliar a conce\u00e7\u00e3o do algoritmo e confirmar a efici\u00eancia, a sensibilidade e a especificidade do desempenho do algoritmo de software. O desempenho deve cumprir os requisitos de conce\u00e7\u00e3o do algoritmo.<\/span><\/p>","protected":false},"excerpt":{"rendered":"

\u00a0 \u00a0 \u00a0 O software de an\u00e1lise de IA de imagens patol\u00f3gicas refere-se a software independente baseado em imagens patol\u00f3gicas digitais que utiliza tecnologias de intelig\u00eancia artificial, como a aprendizagem profunda, para fun\u00e7\u00f5es como a segmenta\u00e7\u00e3o e a dete\u00e7\u00e3o. Insere-se na classe \u2162 de gest\u00e3o de dispositivos m\u00e9dicos. As imagens de patologia digital incluem imagens microsc\u00f3picas de c\u00e9lulas ou tecidos obtidas atrav\u00e9s de imagiologia [...]<\/p>","protected":false},"author":4,"featured_media":665,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":[],"categories":[200],"tags":[104,205],"acf":[],"_links":{"self":[{"href":"https:\/\/www.consulting-hmk.com\/pt\/wp-json\/wp\/v2\/posts\/663"}],"collection":[{"href":"https:\/\/www.consulting-hmk.com\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.consulting-hmk.com\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.consulting-hmk.com\/pt\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.consulting-hmk.com\/pt\/wp-json\/wp\/v2\/comments?post=663"}],"version-history":[{"count":0,"href":"https:\/\/www.consulting-hmk.com\/pt\/wp-json\/wp\/v2\/posts\/663\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.consulting-hmk.com\/pt\/wp-json\/wp\/v2\/media\/665"}],"wp:attachment":[{"href":"https:\/\/www.consulting-hmk.com\/pt\/wp-json\/wp\/v2\/media?parent=663"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.consulting-hmk.com\/pt\/wp-json\/wp\/v2\/categories?post=663"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.consulting-hmk.com\/pt\/wp-json\/wp\/v2\/tags?post=663"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}