您现在的位置是:网站首页> 内容页

IDC发表了一篇关于医学人工智能平台的白皮书:31.9%的医院认为人工智能提高了诊断和治疗的效率。

  • yabo 客户端
  • 2019-06-24
  • 414人已阅读
简介    IDC在医学人工智能平台上发布白皮书:31.9%的医院认为人工智能提高了诊断和治疗效率:1。    IDC发表医

    IDC在医学人工智能平台上发布白皮书:31.9%的医院认为人工智能提高了诊断和治疗效率:1。

    IDC发表医学人工智能平台白皮书:31.9%的医院认为人工智能提高了诊断、治疗和治疗的效率。

    钛介质注释:12月18日,IDC和Nvida联合发布了“从实验到实践,由专业医疗AI平台驱动的医疗AI”白皮书,分析了医疗AI的发展现状和未来趋势。

    在医院AI辅助医学影像诊断的IDC调查中,36家被调查医院的总体满意度达到100%。在医学图像人工智能系统的诊疗价值中,提高诊疗效率、提高诊疗水平、提高诊断准确率是该系统的主要价值。

    本文选自白皮书,由Titanium Media编辑。

    近两年来,医学人工智能取得了突破性的发展,并逐渐被医院和医生所接受。医学影像人工智能发展迅速,广泛应用于肺、心、脑、眼科、皮肤等各种器官疾病的诊断。

    医学人工智能系统的开发与运行要求建立医学大数据系统,开发人工智能算法与模型,建立专业的人工智能平台。这三项任务的要点如下:

    建立了一个多数据源、多格式的大型数据系统,可以对CT、MR、X射线、超声等各种医疗器械输出的图像数据进行处理,进行专业的数据标注,在医学图像人工智能系统中进行大量的运算。

    为了构建专业的深度学习模式,我们可以选择专业的开源模式或者自己开发模式。为了保证模型的准确性和可靠性,模型需要在深层学习和训练以及人工智能系统运行过程中不断升级和改进。

    建立专业的人工智能算法平台,包括硬件平台和计算机系统。整个平台还可以采用专业集成平台,即封装集成芯片、服务器、计算系统、算法模型软件、人工智能应用系统和云服务的集成平台。

    从医学图像人工智能系统的发展和应用出发,在此基础上,进一步整合病历数据、检查数据、病人日常健康监测数据等多种类型的数据,从而建立更加丰富、全面的医学数据,为医学的发展奠定良好的基础。更加丰富的人工智能系统。

    在未来医疗集成的背景下,该平台应具有弱耦合、强兼容的特点,满足AI系统与医疗设备、医院信息系统的兼容性和集成要求,提高AI系统的性能。

    在建立医院专业医学人工智能平台的基础上,与医院临床科室密切合作,选择适合医院临床诊疗系统发展的疾病,提高诊疗效果。

    医学人工智能的发展

    根据IDC FutureScape:Global Medical Industry Forecast 2018,到2021年,20%的医疗机构和40%的生命科学组织将使用认知技术和人工智能技术来实现15%到20%的生产率增长。

    中国的医院正在加快使用人工智能技术的步伐。虚拟医生、辅助诊断和辅助治疗等人工智能系统发展迅速。IBM Watson已经应用于数十家医院,而医学成像人工智能领域正呈现出爆炸式发展的趋势。

    目前,医学人工智能的应用大多处于实验阶段。一些医院使用人工智能技术来辅助诊断和治疗。就各种医学人工智能系统在诊断和治疗中的作用而言,医学成像人工智能系统在辅助诊断中扮演着最重要的角色,并且在未来几年中也具有最大的发展潜力。

    医疗人工智能市场成熟度,IDC白皮书图表

    在医院AI辅助医学影像诊断的IDC调查中,36家被调查医院的总体满意度达到100%。在医学图像人工智能系统的诊疗价值中,提高诊疗效率、提高诊疗水平、提高诊断准确率是该系统的主要价值。

    医学成像人工智能为诊断和治疗带来了价值。医学成像人工智能的哪些方面为诊断和治疗工作提供价值?(前3,n=36),IDC白皮书的图表

    根据IDC的调查和访谈,放射科医师对AI系统在疾病辅助诊断中的作用有深刻的认识。在诊疗工作中,基于医学影像进行疾病诊断和辅助治疗变得越来越必要。

    医学影像人工智能系统可以帮助医生进行疾病筛查,如肺结节筛查、乳腺摄影筛查等。筛查可以大大减少放射科医师的工作量。在配备图像人工智能辅助系统的医院中,放射科医师普遍反映该系统提高了工作效率和诊断准确性,从而提高了医院内特定疾病的治疗水平。

    医学人工智能在登陆医院的应用

    截至2018年上半年,美国食品和药物管理局(FDA)已经批准了九种与人工免疫相关的产品,包括自动监测和预警产品以及辅助诊断产品,这些产品已经在许多医院得到应用。日本的医院开始对人工智能系统进行试验和试验,特别是在图像辅助诊断领域,以提高日本医疗服务的供应能力。

    中国近千家医院已经部署了人工智能系统,其中一半以上的医院已经部署了医学成像人工智能系统。

    目前,我国已有100多家医疗AI公司,其中医学影像AI公司约40家。一些人工智能系统部署在医院,直接为临床科室提供辅助支持。

    经过医学人工智能系统的初步开发和应用,已经得到了医生的广泛认可。在对医院使用医学图像人工智能作为辅助诊断工具的IDC调查中,100%已部署医学图像人工智能系统的医院对总体使用效果满意,而没有部署人工智能系统的24家医院被调查。在接受调查的医院中,超过35.3%计划在明年部署人工智能。

    目前,我国的医学影像AI系统可以支持许多领域的疾病诊断。肺结节和肺癌的诊断是最常用的。腹部肿瘤、心脏病、脑病、眼病、皮肤病的辅助诊断发展迅速。

    目前,中国药品监督管理局(CFDA)正在制定作为专业医疗器械的医疗人工智能系统认证规则和规章。目前,只有少数产品通过CFDA认证。即使已经通过认证,AI系统也需要与其他医疗设备合作以提供诊断依据,而不是单独诊断。

    预计到2018年底,中国药品监督管理部门将颁布相关标准和规范,明确AI系统的评价和认证。当人工智能系统通过CFDA认证后,它将进入快速发展的下一个阶段。

    IDC白皮书的图表

    医学人工智能生态系统逐渐形成

    图像识别技术和神经网络技术已经逐渐成熟,这使得人工智能技术在医学领域有着广泛的应用前景。在辅助医学影像诊断与临床诊断领域,有投机技术、视觉技术、慧仪等新兴企业,有东软集团、东华软件等项目提供商,还有中石化曙光、Wave等系统集成商。魏达和三星等智能诊断设备初步形成了中国辅助图像诊断产业的生态系统。

    来自IDC的图表

    芯片制造商

    辅助图像诊断的关键是利用深度学习来识别和提取图像中的特征点,并基于大量的图像数据训练模型。使用图形处理器(GPU)作为加速方案可以大大提高图像分类的效率。在卷积神经网络(Caffe)的框架下,GPU一天可以完成数千万的图像操作。

    技术供应商

    目前,我国AI创业公司的业务主要面向应用层,这主要是由于应用层产品的流动性强。引入人工智能有助于平衡我国医疗水平失衡的现状。商业场景主要集中于病变筛选和语音电子病历,得益于成熟的图像和语音识别技术;而基因测序和药物研发方面的公司并不多,主要是因为AI仍处于弱AI,数据质量和模型算法需要进一步改进。优化。

    目前,辅助医学影像诊断的研究领域是肺结节和肺癌。

    解决方案提供商

    目前,人工智能在医疗行业的应用主要是在医疗仪器上使用嵌入式系统,即将人工智能技术应用于医疗设备中,以优化设备的性能。

    例如,运动捕捉技术用于判断患者的康复情况,提供视觉数据和图像显示,为医生制定康复计划提供强有力的数据支持。另一部分是基于数据中心的图像数据和医疗记录,用于辅助图像诊断和临床决策。

    医疗数据提供商

    深度学习特别适合于大量数据的应用,例如通过例行检查生成的大量数据。提高诊断效率和准确性的能力对于疾病的早期诊断和治疗至关重要。由于医生短缺,在成像和病理切片评估需要较长时间的领域中,它可以有很大用途。

    作为医学影像提供者,基层医院、专家、省级医院和新兴的独立成像中心迫切需要AI辅助成像诊断系统。

    医学人工智能平台的构建

    医学人工智能平台包括数据资源层、人工智能平台和医学应用层。数据资源层提供基本数据。通过采集各部门的医学图像数据和病历数据,可以突破业务系统之间的数据壁垒,为人工智能平台提供数据基础。

    人工智能平台由计算能力、开源框架、算法和技术组成。计算能力是AI平台计算速度的保证。以肺结节的医学图像数据为例,每个患者平均有20-30张胶片。常用的计算机视觉模型用于肺结节的自动识别,如残差神经网络,可以使几十层甚至几百层神经网络的训练成为可能。

    除了计算能力之外,开源框架和算法的选择也发挥着重要作用,如具有较强工程能力的TensorFlow或在图像识别中性能良好的Caffe、在图像识别中常用的CNN和RNN算法模型等。这些开源框架和算法的选择影响着医务工作者。智能应用效果演示。

    IDC白皮书的图表

    平台模式1:构建独立的医学人工智能平台

    医院利用大量的医学数据,建立独立于业务系统的人工智能医学平台,集成分散在各个业务系统中的多源异构数据,利用自然语言处理技术将临床描述信息转换为结构化语言,生成医学知识库。wledge地图集,保留宝贵的医学知识和治疗经验,并快速复制到医疗资源不足的地方。Fang。

    独立医疗平台的建设周期长,涉及对接的业务系统多,因此在构建过程中面临着更多的挑战。

    为了获得更好的算法模型,通常需要对医学数据进行标注。即使采用无监督学习或半监督学习,在早期阶段也需要用标记的医学数据进行模型训练。数据标注时间长,门限高,对标注人员的要求较高。

    目前,从事数据注释的工作人员多为经验丰富的专业医师,整个过程由人工注释完成。

    同时,医疗系统IT供应商的协作与合作意识有待进一步提高。数据作为医学发展的“血液”,需要在各种系统之间自由流通。突破医院各种业务系统之间的壁垒是医学人工智能系统发展的关键。

    平台模式2:构建嵌入式医学人工智能平台

    原有的医院信息系统作为支持医院正常运行的业务系统,结构复杂,改造成本巨大。目前市场上很难用新的人工智能医疗诊断系统取代原有的业务系统。在大多数情况下,AI系统提供服务接口,并在连接到原始业务系统时将AI技术与原始业务系统集成。

    对于医学图像,可疑病变的输出不需要医生打开另一个系统,而是在原始图像归档和通信系统(PACS)中提示可疑病变的信息。该嵌入式AI模块能够降低系统开发成本。更重要的是,这种模式不改变医生原有的诊断过程和操作习惯,可以降低医务人员的学习成本。不改变已建立的模型的人工智能系统更适合医院使用,系统的利用率更高。

    嵌入式人工智能平台不依赖于原始系统的数据。目前,数据的重要性日益突出。在不打开原有系统数据库的情况下,既能保证原有医疗系统的数据安全,又能增加厂家之间的合作,有利于人工智能技术在医疗行业的推广。

    模式对比:独立构建医学人工智能平台和嵌入式医学人工智能平台

    医学人工智能平台的开发在很大程度上取决于医院信息化的原始水平。

    人工智能的发展是以数据为基础的。医院需要大量的史料来支持医生的研究工作、病案分析和治疗方案的制定。医疗系统IT厂商合作意愿影响AI技术在医疗机构的应用。数据作为医学发展的“血液”,需要在各种系统之间自由流通。突破医院各种业务系统之间的壁垒是医学人工智能系统发展的关键。

    同时,产品设计需要符合医生的日常操作习惯和诊断过程。超声检测是医生在手术过程中看到实时图像时做出的诊断,需要人工智能技术来支持实时诊断,对计算能力有较高的要求。如果沿用传统的采集和识别方法,就会违反医生的操作习惯和诊断过程。因此,医疗行业人工智能技术的发展,不仅取决于技术的发展,还取决于对该行业有深刻认识的人才。

    医学领域对人工智能技术提出了更高的要求。医学是一个系统、完整的系统。目前,AI公司在医学领域的研究主要集中在单个疾病的识别上,这对学术研究很有价值。然而,单病种AI辅助诊断的研究对实际临床工作意义不大。

    医疗机构说,单一疾病的识别对他们来说吸引力有限。人工智能技术需要满足基本的临床应用,支持对一种器官或一系列疾病中大多数疾病的识别,才能产生商业价值,从而进一步促进相关研究,产生持续的经济效益。

    IDC白皮书的图表

    三个关键因素

    医学人工智能系统的建立和应用需要处理以下三个关键要素,克服在处理这三个要素时面临的挑战,才能取得成功。这三个要素如下:

    数据是机器学习中用来构建智能数据的数据,包括各种病历数据、医学图像数据等。机器学习/深层学习算法模型是构造自动辅助诊断的关键技术。人工智能平台用于支持机器学习训练和系统操作。

    数据

    医学数据主要包括医学教科书、病历,特别是某些疾病的病历、数字医学图像、学术论文等。在医学成像人工智能系统中,需要将CT、MRI、超声、病理等图像数据作为机器学习的原料。由于病案数据和数字医学图像数据属于医院的知识产权,在实践中需要不断探索AI系统知识产权的归属原则和管理方法。

    医学数据种类繁多,来源广泛,数据格式各异。因此,快速处理数据的收集、集成和处理,保证人工智能模型的训练和学习,是人工智能系统开发中需要克服的基本挑战。

    目前,在医院应用图像人工智能辅助诊断系统时,为了满足医院的需要,通常需要对医院的图像数据进行重新学习,并对模型参数进行挑战。这是因为在图像数据的关键因素中,目前医院之间用于图像生成的标准不一致。

    例如,显影剂剂量标准不一致引起的图像灰度级差异和设备参数的设置使得同一患者的图像数据在医院之间不同。当用于支持机器学习时,模型参数也会不同。为了提高AI系统的适用性,在开发AI系统时,需要快速地集成来自多个源的数据,以便对AI系统进行更精确、更实用的培训。

    一种深度学习算法模型

    除了数据处理之外,选择或开发用于深入学习的模型算法也是开发过程中的主要挑战。目前,深层学习算法很多,但这些算法很难直接应用,但需要做一些改进和发展,然后应用到数据训练中,并在训练中不断改进和改进,以使算法模型越来越精确。因此,选择合适的算法或开发算法,建立算法调整和改进的平台系统是AI系统成功的关键因素之一。

    在未来五年内,人工智能系统将成为医院的标准系统。在未来医学人工智能系统的发展中,将逐步从技术驱动型向临床需求驱动型转变,从支持初期临床诊断到支持临床治疗,再到逐步支持外科规划和治疗规划。

    由于医学人工智能系统是非常专业的,因此开发人员有必要构建一个人工智能开发平台,整合和利用医院医学数据进行深入学习,然后建立医院人工系统运行平台,以支持临床的日常使用。L部门。建立医学人工智能系统是一个系统工程。建议人工智能系统的开发人员遵循一定的工作原理和方法,以加快开发速度,提高人工智能系统的精度和可靠性。

    人工智能平台的计算能力

    构建一个强大的计算平台是人工智能开发成功的关键因素之一。由于深层学习需要大量的数据输入到训练模型中,而训练模型需要大规模的操作来训练使其智能化,所以人工智能平台的计算能力是其成功的关键因素。

    目前,人工智能计算平台主要采用GPU芯片,医学图像人工智能系统主要依靠GPU进行训练和学习。一些人工智能系统使用CPU、FPGA、高性能处理器(TPU)等芯片。

    目前,主要的服务器制造商还开发了用于机器学习和运行AI系统的服务器,如戴尔、新华三世、联想、Wave和其他服务器制造商。NVIDIA推出了Clara,一个计算平台,它封装和集成了NVIDIA GPU的计算能力,以支持深入学习和人工系统的操作。

    目前,大多数AI平台的计算系统使用开源系统来定制开源系统的开发,以满足它们自己的产品需求。目前使用的开源系统主要有TensorFlow、分布式机器学习工具包(DMTK)、Caffe等。

    在开放源码平台上进行定制开发需要非常强的开发能力和高水平的开发团队。(Titanium Media,傅孟文主编)

    更多令人兴奋的内容,关注TitaniMediaMicro.(ID:taimeiti),或者下载TitaniMedia应用程序

文章评论

Top