臨床痛點
圖像數據的特殊性對影像科研業務造成的困擾
目前64排CT和1.5T以上的MR已經不算高端設備，已經廣泛進入到縣級醫療機構。以64排CT掃描心臟為例：一個序列600-700張圖像，數據量就達到300M以上。再經過幾次重建處理，就會增加幾個序列，數據量就會超過1G。單個患者的數據量達到4-5G并不稀奇。極端的情況下，還出現過一個患者超過10G的情況。
比如：一個600張圖像的序列，如果用傳統的豎窗顯示器來瀏覽，即便每屏顯示20張圖像，也需要翻屏30次才能全部看完。這對于傳統的PACS以及常規診斷來講，是完全不可接受的，對于臨床科室更是如此。如果臨床科室通過Web調取600張圖像瀏覽，不僅時間上的代價難以估算，臨床的醫生也未必能從張張相似的圖像上看出什么有價值的需求。
這類原始薄層圖像往往只能在三維后處理工作站上進行瀏覽和處理，然后生成厚層圖像和關鍵圖像，再供診斷和臨床瀏覽。
根據圖像的性質和使用目的不同，我們需要將醫學影像分成四類，并分類提供給需要的人員。而不是囫圇吞棗地將所有圖像都放在一起，用統一的界面提供給所有人。
| 圖像類型 | 單個檢查的數據量 | 使用場景 | 訪問概率 |
|
診斷圖像 |
數十張，總計幾十兆到幾百兆，往往由后處理系統重建而來。 |
影像科醫生、臨床醫生；使用PACS系統。 |
診斷的時候使用一次； 被臨床訪問可能是多次的。 |
|
關鍵圖像 |
數張，總計數兆或者幾十兆。 |
臨床醫生、患者；使用臨床發布系統、移動終端。 |
和電子病歷、健康檔案關聯，肯定被多次訪問。 |
|
原始薄層圖像 |
數G，甚至單個檢查10G以上。 |
作為后處理系統的輸入，無法直接作用診斷和臨床發布。 |
重建的時候使用一次； 隨訪時會再被重建使用。 |
|
科研用原始圖像 |
比如光譜圖像，單個患者的常規檢查達到3-5G，PACS系統解讀不了。 |
作為后處理的輸入，主要做科研，診斷為輔，不會發布到臨床。 |
科研項目上使用，之后很少再使用。 |
影像診斷標簽對影像科研業務造成的困擾
影像科研領域記錄各類標簽數據的工具以EXCEL表單最為典型，這種傳統的電子表單方式存在著很多缺點：
首先，根據科研需求快速設計/調整細致的數據模板時，很難保持對已有數據的自動兼容性，往往需要手工逐個調整。
其次，一個大型的電子表單很難允許多位參與者同時填寫數據模板，任務分配完全無法避免重復和沖突。
第三，科研數據表格如何實現與患者自動關聯對應、在填寫數據模板的同時瀏覽圖像信息、數據模板自身按照診斷思路來展示和填寫？
第四，數據表格如何與AI/后處理整合？以便自動化地填寫數據，降低勞動強度。
第五，除了后處理的測量值之外，還有一些影像表現信息和診斷信息要允許醫生人工填寫，這些信息如何清晰展示方便填寫？
第六，如何實現內置的填寫順序邏輯和關聯邏輯，進一步降低填表的勞動強度？
第七，電子標簽底層應該有清晰的數據標簽，如何實現表格設計更改仍然能進行標準化的統計和分析？
第八，如何使用搜索工具進行跨項目的標簽搜索和導出，復用已有的科研數據資料？
第九，如何將科研生成的新知識變成生產力工具投入使用，避免束之高閣？
產品優勢
科研門戶網網站
影像科室的科研門戶網站用于人員和密碼的管理，同時作為對科研工作者進行在線的醫療安全、患者隱私保護、科研流程等進行培訓與考核的平臺。
科研項目的審批管理
這個模塊包括項目的立項申請、成員管理、樣本量和統計方法分析、倫理申請與批復、數據量進度管理等，以及最后的論文發表計劃和實際發表進度的關系。
以影像為焦點的數據生命周期管理
數據的生命周期管理包括如下這些功能模塊：分組、匿名、冷熱數據管理、移動介質的導出管理等。
外部數據的導入管理
第一類外部數據包括多中心協作項目的外部醫療機構的影像資料和臨床資料，這些資料分成DICOM圖像、文本文件和掃描文件三種類型。
除了實驗室/病理信息之外，還有其他一些臨床表型（Prototype）信息也會作為科研的入組或者隨訪觀察信息。這些信息隨機性強、復用性差，很難做成標準的信息化提取工具，往往依賴于科研人員手工提取。
與后處理系統之間的自動化路由和信息返回
如前所述，科研用的影像學資料往往數據量巨大，需要配合AI/后處理系統一起使用，來自動化地提取生理特征/病理特征或者關鍵圖像。
對于AI/后處理系統產生的關鍵圖像、測量值等信息，有兩種方式可以獲?。旱谝环N是AI/后處理系統通過使用類似AIM語義學規范的消息服務機制（比如HL7或者Web Service）傳輸到智能動態模板系統；另外一種方式是AI/后處理系統將這些信息放置在特定的目錄下，由智能化動態模板系統提供的服務程序去掃描獲取。
各種科研場景下利用影像學結構化報告作為標簽數據的采集手段
如果影像科有影像學結構化報告，那么無論是進行回顧性研究還是前瞻性要求，從結構化報告標簽系統當中直接查詢并導出標簽是質量最高、成本最低的標簽獲取方法。結構化報告的生產系統中的數據維度往往小于前瞻性科研所需的數據維度，在現有的生產力模板上填寫維度是很容易的事情，可在工作中直接收集標簽數據。
如果進行前瞻性的研究，專門設計一個科研用結構化報告模板的成本雖然比較高，但數據搜集過程相比先寫文本、再進行標簽轉化還是要低得多。另外一個巨大優勢就是當這個科研邏輯內置到報告模板中，可以直接成為生產力工具，避免成果束之高閣。所以,這類報告模板往往是生產力轉化工具。
人機交互數據過程的獲取和管理
除了探索新的算法工具和診斷邏輯之外，相當多的影像科研工作聚焦于某種功能/工具植入業務系統使用后的人機效率、質量對比。這些分析還會包括醫生的不同年資、患者的不同病情、不同診療目的等分層數據的分析，這需要大量的過程數據標簽。這些過程數據包括算法消耗的時間、診斷各個章節消耗的時間，生成的影像表現數量、類型和最終診斷標簽，以及與前期金標準數據的自動對比。
影像科研平臺實現了包括金標準數據的管理，以及基于結構化報告技術的過程數據采集和分析能力。
標簽搜索和結果保存
結構化數據標簽是影像科室科研、教學的寶貴資料庫。使用這個數據庫的醫生們希望有一個統一的數據庫能包含所有的標簽，甚至能跨病種、跨醫療機構地搜索符合某些條件的患者列表。負責整理培訓資料的醫生們并不用記住RADLEX和SNOMED標簽，他們只需調出模板的組件，對其數據元素進行勾選，將其選擇到搜索條件中，限定取值范圍即可。如果搜索條件覆蓋了多種不同疾病的模板，那么自然就可以從數據庫中跨病種地搜索患者資料。
統計分析
根據不同的科研項目導出的不同EXCEL表格，或者其他數據文件，可與現有的第三方統計平臺實現無縫對接，并在統計平臺上遠程選擇各種統計方法，并實時觀看統計結果，截圖保存。
相關產品
影像學診斷結構化報告
PACS系統面向影像科室上線使用，標志著影像科進入了信息化時代。影像科醫生寫報告時，為了提高效率控制品質，會使用預先設定好的模板進行復制粘貼再進行個性化修改。
科研教學平臺
隨著醫療水平的提高，越來越多的醫療機構除了日常的醫療服務，還需要承擔醫療教學和科研任務，尤其是相關的醫學院附屬醫院。日益完善的RIS/PACS系統已經可以滿足醫院的日常醫療服務流程，但是針對相應的教學、科研任務，就功能而言，遠遠無法滿足醫院的科研、教學需求。
服務AI的數據平臺
隨著影像AI的多元化發展，AI的應用正在逐漸被醫療機構接受。但影像AI產品仍存在一些掣肘：AI往往只處理單一的影像識別，而實際業務中多數檢查需要多個影像識別，也需要非影像信息參與決策；基于通用算法的云端模式，實現敏感性、特異性雙高難度較大，診斷的最終輸出沒有標簽化；嚴重限制了AI本身的持續迭代學習能力。
產品咨詢
北京賽邁特銳醫療科技有限公司
京公網安備11010202008737號
藥品醫療器械網絡信息服務備案：（京）網藥械信息備字（2022）第00555號
010-62077532
QQ咨詢 
在線留言 