郝雪阳作者

医疗人工智能企业做到这三点,系统落地速度或将提升50%!

过去两年,医疗人工智能系统取得了突破性的发展,获得了医院和医生的广泛认可。医学影像人工智能发展尤其快速,正广泛应用到肺、心脏、脑、眼科、皮肤等多器官的多种疾病的诊断中。

展望未来,人工智能系统将会改变诊疗模式,提高医疗服务供给能力并提升诊疗水平,促进整个医疗健康行业运营模式的转型。但如何用加速现有人工智能系统的开发和应用,是一大难题。

对此,全球最大的GPU企业NVIDIA(英伟达),组织专家团队编撰了《NVIDIA医疗AI》这份白皮书,并对医疗人工智能企业给出了以下三项建议:

1、先从医学影像人工智能系统的开发和应用开始,在此基础上,进一步集成更多类型的数据例如病历数据、检验检查数据、患者日常健康监测数据等,从而构建更加丰富和全面的医疗大数据,为开发更丰富的人工智能系统打好基础。

2、随着人工智能技术的不断深入发展,专业性的医疗人工智能平台逐渐涌现出来,建议选用专业性一体化的平台,从而节省平台搭建和调试的工作,更加专注于模型的训练以及系统的应用,同时所开发出的人工智能系统也具有高可靠、高效率的性能。

 3、在医院建立专业性医疗人工智能平台的基础上,与医院的临床科室密切合作,选择适合的疾病种类进行其诊断和治疗系统的开发,从而提高诊断和治疗的效果。

事实上,英伟达的这三项建议,是基于现有医疗人工智能系统的开发和运行的三项工作要点。即:建立医疗大数据系统、开发人工智能算法和模型和建立专业的人工智能平台。具体包括:

1、建立能够处理和集成多数据源、多种格式的大数据系统:在医学影像人工智能系统中能够处理多种医疗设备例如CT、MR、X光、超声等输出的影像数据,进行专业的数据标记,以及进行大量的运算。

 2、建立专业的深度学习模型,可以选择专业的开源模型也可以自己开发建立模型。模型在深度学习训练和人工智能系统运行中需要不断地升级改进,从而保障模型的精准性和可靠性。 

3、建立专业的人工智能算平台,包括硬件平台的搭建和计算系统的建立。整体的平台也可以采用专业性一体化的平台模式,即打包集成了芯片、服务器、计算系统、算法模型软件以及人工智能应用系统和云服务的一体化平台。

总之,以提供强大计算能力和可靠稳定性作为建立计算平台的基本原则,同时也能够与深度学习软件顺畅集成,从而提高人工智能系统开发和运行的整体运算性能。

除了前文提到的三项建议,在这份白皮书中,你还能深入了解到目前医疗人工智能在医院的使用状况、医疗人工智能的生态图谱,以及医疗人工智能平台建设的两大模式等信息。以下内容,便节选自这份干货十足的行业白皮书。

想要一窥英伟达授权完整版白皮书,请速速扫描下方二维码:

医疗人工智能落地医院的使用状况

医疗人工智能在全球的多个国家均在快速发展。截至2018年上半年美国食品药品监督管理局(FDA)已经批准人工智能相关产品9项,包括自动监测预警类产品和辅助诊断类产品,许多医院已经应用了这些产品。

日本的医院开始实验和试用人工智能系统,尤其是在影像辅助诊断领域,从而提高日本的医疗服务的供应能力。

中国已有近千家医院部署了人工智能系统,其中超过一半的医院部署了医学影像人工智能系统。目前中国有超过100家医疗人工智能公司,其中约有40家企业属于医学影像AI公司。

一些人工智能系统部署在医院内部,直接为临床科室提供辅助支持,例如推想科技的医学影像人工智能系统已经在上海长征医院、武汉同济医院等地部署;一些人工智能系统则是部署在云上,为基层或者西部地区的医院提供远程的辅助诊断服务。

例如万里云“DoctorYou”人工智能医学影像平台可以为几百家基层医院提供远程咨询服务;也有一些系统可以提供给患者使用,例如一些皮肤病人工智能系统可以通过APP来为患者提供辅助诊断服务。

医疗人工智能系统经过初步发展和使用之后已经获得了医生的广泛认可,在IDC的一项针对医院使用医学影像人工智能辅助诊断的调查中,已经部署医学影像AI系统的医院中,对于使用效果总体上满意的比率达到100%;而在被调查的还没有部署人工智能系统的24家医院中,超过35.3%的受访医院计划在未来一年内布署人工智能

目前中国的医学影像人工智能系统可用于支持多个领域的疾病诊断,以肺结节和肺癌诊断最为常用,腹部肿瘤、心脏疾病、脑疾病、眼科疾病、皮肤病等辅助诊断都在快速发展。目前中国药品监督局(CFDA)正在制定有关医疗人工智能系统作为专业医疗器械的认证规范和条例,目前只有少数几个产品获得了CFDA认证。

即便已经获得了认证,人工智能系统在应用中也需要与其他的医疗设备协作,共同提供诊断依据,而不能单独进行诊断。

预计在2018年年底,中国药品监督管理部门将会出台相关标准和规范,用来明确人工智能系统的评估和认证。而当人工智能系统获得了CFDA认证之后,就会进入下一个快速发展的阶段。

医疗人工智能平台建设

医疗人工智能平台包括数据资源层、人工智能平台和医疗应用层。数据资源层提供基础数据,通过采集各个科室的医疗影像数据,病历数据等,打通业务系统间的数据壁垒,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,算法和技术构成。计算能力为人工智能平台的运算速度提供保障,以肺结节医疗影像数据为例,每位患者平均拥有20-30张片子,在自动识别肺结节时常用的计算机视觉模型如残差神经网络,它可以使数十层甚至上百层的神经网络的训练成为可能,这对计算能力提出了很高的要求,庞大的数据量致使计算机的运算时间变得漫长,因此搭建一个超算平台不仅能缩短运算时间,也能提升医疗的效率,降低患者的等待时间,这在临床应用中可谓至关重要。

除了计算能力外,开源框架和算法的选择也同样占有重要地位,例如选择工程化能力较强的TensorFlow或在图像方面表现良好的Caffe等开源框架,选择在图像识别方面常用的卷积神经网络(CNN),循环神经网络(RNN)算法模型等,这些开源框架和算法的选择影响着医疗人工智能应用效果的呈现。

技术的选择与应用息息相关,在辅助医疗影像诊断应用方面选择适合现有数据质量的图像处理、图像识别的技术,例如在图像质量较差时,采用图像处理中的增加技术提升图像质量等;在语音电子病历应用中选择语音识别、语义理解等技术,帮助医生通过语音输入的方式完成病历的撰写工作。

医疗人工智能平台的建设辅助医疗机构提升服务水平,平衡医疗资源,缓解就医压力,特别是医疗资源匮乏的区域。医疗机构根据自身信息化水平选择不同的建设模式,帮助提升自身的医疗服务水平。

平台模式一:建设独立的医疗人工智能平台

医院利用大量医疗数据建设独立于业务系统的人工智能医疗平台,将分散在各个业务系统中的多源异构数据进行整合,利用自然语言处理技术将临床描述信息转化为结构化语言,生成医疗知识图谱,把宝贵的医学知识和治疗经验保留并快速复制到医疗资源不足的地方。

独立医疗平台的建设周期较长,涉及对接的业务系统较多,在建设过程中面临更多的挑战。

为了获得效果较好的算法模型,通常需要对医疗数据进行标注。即便是采用非监督学习半监督学习,在早期也同样需要输入标注好的医疗数据进行模型训练。

数据标注工作耗费时间长,门槛高,对标注人员有很高的要求。目前从事数据标注工作的人员以经验丰富的专业医生为主,而且整个过程都是以手动标注完成。

同时,医疗系统IT厂商的协同合作意识有待进一步提高。数据作为医疗发展的“血液”,需要在各个系统间自由的流转,打通医院各个业务系统间的壁垒是医疗人工智能系统发展的关键。

平台模式二:建设嵌入式医疗人工智能平台

医院原有信息化系统作为支撑医院正常运行的业务系统,结构复杂,改造成本巨大,市场上新兴的人工智能医疗诊断系统很难代替原有业务系统。多数情况下人工智能系统提供服务接口,对接到原有业务系统中,将人工智能技术与原有业务系统有机结合。

以医疗影像为例,疑似病灶的结果输出不需要医生打开另一个系统,而是在原有的影像归档和通信系统(PACS)中提示疑似病灶的信息。

这种内嵌式的人工智能模块可以降低系统开发成本,更重要的是这一模式不改变医生原有的诊断流程,操作习惯,可以降低医护人员的学习成本。不改变既定模式的人工智能系统更容易被医院方接受,系统的使用率较高。

采用嵌入式人工智能平台不依赖原有系统的数据。在数据的重要性日益凸显的现在,无需开放原有系统的数据库,既可以确保原有医疗系统的数据安全,又可以增加各厂商间配合力度,有利于人工智能技术在医疗行业中的推广。

动脉网
动脉网

专注医疗产业服务平台

产业报告医疗
1
相关数据
推想科技机构

北京推想科技有限公司,致力于采用人工智能深度学习的方法分析医学影像数据,期待为影像科医生提供精确、高效的辅助工具,从而让医生从繁重的重复性工作中得以解放。当前,推想科技已经获得来自中国、美国、日本和德国的数十家医院青睐。截至2017年9月,推想科技产品已辅助医生完成近20万例临床诊断工作。目前,推想科技已完成B轮融资,投资人包括红杉中国、启明创投、元生资本等。

深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

非监督学习技术

非监督式学习是一种机器学习的方式,并不需要人力来输入标签。它是监督式学习和强化学习等策略之外的一种选择。在监督式学习中,典型的任务是分类和回归分析,且需要使用到人工预先准备好的范例(base)。一个常见的非监督式学习是数据聚类。在人工神经网络中,自组织映射(SOM)和适应性共振理论(ART)则是最常用的非监督式学习。

半监督学习技术

半监督学习属于无监督学习(没有任何标记的训练数据)和监督学习(完全标记的训练数据)之间。许多机器学习研究人员发现,将未标记数据与少量标记数据结合使用可以显着提高学习准确性。对于学习问题的标记数据的获取通常需要熟练的人类代理(例如转录音频片段)或物理实验(例如,确定蛋白质的3D结构或确定在特定位置处是否存在油)。因此与标签处理相关的成本可能使得完全标注的训练集不可行,而获取未标记的数据相对便宜。在这种情况下,半监督学习可能具有很大的实用价值。半监督学习对机器学习也是理论上的兴趣,也是人类学习的典范。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

TensorFlow技术

TensorFlow是一个开源软件库,用于各种感知和语言理解任务的机器学习。目前被50个团队用于研究和生产许多Google商业产品,如语音识别、Gmail、Google 相册和搜索,其中许多产品曾使用过其前任软件DistBelief。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

知识图谱技术

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。 知识图谱这个概念最早由Google提出,主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎,知识图谱可用来更好地查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候,搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月,家庭情况等等。

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

卷积神经网络技术

卷积神经网路(Convolutional Neural Network, CNN)是一种前馈神经网络,它的人工神经元可以响应一部分覆盖范围内的周围单元,对于大型图像处理有出色表现。卷积神经网路由一个或多个卷积层和顶端的全连通层(对应经典的神经网路)组成,同时也包括关联权重和池化层(pooling layer)。这一结构使得卷积神经网路能够利用输入数据的二维结构。与其他深度学习结构相比,卷积神经网路在图像和语音识别方面能够给出更好的结果。这一模型也可以使用反向传播算法进行训练。相比较其他深度、前馈神经网路,卷积神经网路需要考量的参数更少,使之成为一种颇具吸引力的深度学习结构。 卷积网络是一种专门用于处理具有已知的、网格状拓扑的数据的神经网络。例如时间序列数据,它可以被认为是以一定时间间隔采样的一维网格,又如图像数据,其可以被认为是二维像素网格。

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

图像处理技术

图像处理是指对图像进行分析、加工和处理,使其满足视觉、心理或其他要求的技术。 图像处理是信号处理在图像领域上的一个应用。 目前大多数的图像均是以数字形式存储,因而图像处理很多情况下指数字图像处理。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

推荐文章
暂无评论
暂无评论~