FDA批准首款嵌入AI算法的移动X光设备,ICU中快速智能影像检测成为可能

GE Healthcare于近日宣布,美国FDA已经批准了其510(k)重症监护套件Critical Care Suite Optima XR240amx,这是业界首个嵌入人工智能算法的移动X光影像系统。

该设备的人工智能算法由GE与加州大学旧金山分校(UCSF)合作,利用GE Healthcare的爱迪生平台推出。GE Heathcare于去年11月向FDA提交了这一产品的申请。

如今的放射科医生面临巨大的压力,需要阅读越来越多的影像,并提供快速、准确的诊断。然而,在X光检查中,有60%的病例影像被标注为STAT(急诊检测)发送。放射科医生如何才能判断真正紧急的影像,如果不立即阅读是否会对患者带来危险?这对于美国冗长的放射科诊疗流程来说,是一个头痛的难题。

根据一篇发表在《Current Problems in Diagnostic Radiology》名为《减少STAT便携式胸部X光片周转时间:一项试点研究》的论文中的研究,在放射科医师的诊断过程中,即使标注“STAT(急诊检测)”的X光影像,也需要等待平均长达8小时。

而GE推出的Optima XR240amx设备是一款可移动的智能X光设备,主要在ICU中使用。Critical Care Suite的加入旨在快速识别并帮助医生确定气胸等关键疾病的优先级,有助于缩短放射科医师的检查时间。

ICU中的快速智能影像检测

当患者在ICU中,通过GE Critical Care Suite的移动设备进行X光扫描时,AI系统会通过同时自动分析图像。如果怀疑有气胸,则会通过图片存档和PACS系统,将警报连同原始胸部X光片直接发送给放射科医师进行检查。放射科医师在收到的通知上,了解哪些影像是需要优先处理的。

AI算法还可以同时分析和标记协议和视野错误,以及自动旋转设备上的影像,使得通过移动X光设备获取的影像标准化,节省医师时间。

根据GE Healthcare的官方数据,Critical Care Suite对大型气胸的灵敏度是96%,检测4种小气胸中的三种,灵敏度为75%。

此外,在移动设备上嵌入人工智能算法可为放射科医师和技术人员提供多种好处。GE Healthcare的算法是一种快速可靠的方法,可确保在图像采集的几秒钟内生成AI结果,而无需网络来生成。然后,在设备发送原始诊断图像的同时,会将这些AI的判断结果发送给放射科医师,确保没有额外的处理延迟。

此外,在设备上还会自动运行影像质量检查,将质量检查集成到了技术人员的标准工作流程中,并使技术人员在患者床边的操作变得规范,保证影像在发送到PACS之前的质量。

在获取原始影像之后,系统会自动进行协议检查、质量检查和智能判断,并对疑似影像进行标注,发送警报。

“目前,62%的影像被标记为'STAT'或紧急阅读,但它们并非都是关键的。这影响到了真正需要紧急处理的患者,可能会带来严重的后果。”GE Healthcare X光公司总裁兼首席执行官Jie Xue补充道:“重症监护套件Critical Care Suite不仅标志着怀疑气胸的图像具有令人印象深刻的准确性,并且使放射科医师能够立即对这些病例进行优先排序,但它也使AI易于接近。我们的嵌入式AI算法为医院提供了尝试人工智能的机会,无需投资额外的IT基础设施,安全评估或网络安全预防措施,就可以将图像异地传输到网站。”

Critical Care Suite和AI算法是使用GE Healthcare的Edison平台开发的,该平台有助于快速,安全地部署AI算法。

Edison是通用电气医疗集团的智能平台,旨在帮助医疗工作者提高效率,改善患者治疗效果并提供患者护理的机会。Edison应用程序可以被嵌入到现有的工作流程中,可以集成和吸收不同来源的数据,并应用分析或高级算法来生成临床、运营和财务洞察。Edison平台既可以直接安装到智能设备上,也可以通过云、Edison HealthLink等在线方式连接。

每位患者的在诊疗过程中都会产生大量的数据,Edison平台利用机器学习深度学习和人工智能将这些大量的信息转化为可直接认知的观点。这些观点可帮助医护人员提高工作效率,确定工作流程的优先级,减少重复工作并提供最个性化的患者护理。

在2018年底的北美放射学年会上,GE Healthcare发布了一系列基于Edison平台的全新医疗应用产品和智能型医疗设备。GE Healthcare已经基于Edison平台为全球的200多个医疗影像类应用提供了辅助支持。

GE Healthcare和加州大学、圣卢克大学的合作结晶

这次气胸AI诊断产品的获批可以称得上是GE Healthcare与UCSF合作的里程碑。2016年底,GE(当时GE Healthcare还未独立)与加州大学旧金山分校(UCSF)达成了一项合作,共同创建一个深度学习算法文库,用于改善未来GE公司的成像设备和云平台使用者的诊断流程。

GE的直接合作者是UCSF下属的数字健康创新中心。当时UCSF的Michael Blum博士就表示,这项合作的关键点在于把深度学习算法进一步整合用于临床数据和图像处理分析,帮助临床医生在最短的时间内了解患者的准确信息。而且在当时的新闻中,GE的研究人员用来介绍AI技术所举的例子,正是气胸症状。

加州大学旧金山分校外科学副教授Rachael Callcut博士,是加州大学旧金山分校卫生部外科医生和数字卫生创新中心数据科学主任,和GE合作开发了Critical Care Suite。“当拍摄患者X光时,处理和阅读影像所耗费的时间会影响最后的结果。AI为我们提供了加速诊断和改变患者护理方式的机会,最终可以挽救生命并改善预后。”Rachael Callcut博士说。

在GE Healthcare的新闻稿中,除了UCSF之外,还提到了几个合作机构,分别是圣卢克大学、亨伯里弗医院和来自印度的Mahajan Imaging。

圣卢克大学(St. Luke's University)等待这个结果公布已经很久了。在三个月前的一次采访中他们提到,在过去的一年里,圣卢克大学健康网络(St. Luke's University Health Network,SLUHN)放射科医生Karl Yaeger博士及其同事与GE Healthcare的一个国际研究团队合作,开发了业界首个采用嵌入式AI算法的X光系统。这项技术旨在提醒临床团队气胸指征。

在开发这项人工智能产品时,Yaeger博士和他在SLUHN的团队审阅了数百张各种尺寸和不同严重程度的气胸的X光片。然后使用深度学习软件算法处理这些影像以确定其准确性。

“这一人工智能产品的目的是提高诊断过程中这些潜在致死指征的检出率和准确率,让患者可以及早治疗,”Yaeger博士说。“这项研究最终要关注改善患者护理和挽救生命。”

动脉网
动脉网

专注医疗产业服务平台

产业GE Healthcare医疗影像FDA
1
相关数据
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。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

准确率技术

分类模型的正确预测所占的比例。在多类别分类中,准确率的定义为:正确的预测数/样本总数。 在二元分类中,准确率的定义为:(真正例数+真负例数)/样本总数

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。

推荐文章
暂无评论
暂无评论~