인공지능(AI)은 의료 이미징 분석, 특히 해부학적 세분화 분야에서 향상 가능성이 큽니다. 그러나 AI 모델 개발 및 배포의 기술적 복잡성은 종종 상당한 코딩 전문 지식을 요구하며, 이는 많은 임상의들에게 진입 장벽으로 작용해왔습니다. 본 리뷰는 의료 이미징에서 저코드(LC) AI 솔루션의 emerging landscape를 탐구하며, 이들이 방사선의사 및 기타 의료 전문가들이 AI 개발에 적극 참여할 수 있도록 하는 잠재력에 초점을 맞추고 있습니다. 우리는 MONAI와 fastai와 같은 기존 도구들의 LC 확장인 fastMONAI 라이브러리를 사용하는 실용적인 워크플로우를 검토하며, 임상의들이 최소한의 코딩으로 심장 MRI 세분화를 위해 U-Net 기반 모델을 훈련할 수 있는 방법을 시연합니다. 이 접근 방식은 기술적 오버헤드를 상당히 줄여 임상의들이 모델 개발 및 맞춤화의 임상적 관련 측면에 집중할 수 있도록 합니다. 이 리뷰는 방사선학에서 AI 혁신을 위한 보다 포괄적이고 협력적인 환경을 조성하기 위한 LC AI의 이점을 강조하며, 동시에 성공적인 구현을 위한 잠재적 한계와 고려 사항을 인정합니다.
Ankush et al. (토요일)은 이 질문을 연구했습니다.