臨床痛點
影像AI系統對于影像科室的診療和科研工作極為重要
在多發/隱藏的病灶查找、病灶的隨訪對比、病灶的精準測量等場景下，沒有細致的圖像特征標簽提取，海量鑒別診斷規則就無從自動開啟。指望一線醫生手工、大規模地測量圖像特征來填寫結構化報告是反人性的。雖然當前影像AI還有各種缺陷，但從其不知疲倦的工作能力和工作態度來講，對影像診斷工作就具有非凡的生產力價值。
根據ACR-DSI（美國放射學會數據科學研究院）的觀點，在影像業務領域會有幾百個業務場景需要特定的AI來協助醫生提取關鍵圖像、測量值、特征值等信息。如此多的場景是因為不同器官、不同的疾病類型，在不同的影像設備下有不同的表現。雖然很多場景具備遷移學習的機會，但畢竟是有這么多離散的領域需要是深入研究，并不能用一套統一的算法來覆蓋。
影像AI優缺點都很明顯
影像AI當中的深度學習算法，是基于自動化的過程發現數據背后的統計規律，而不是理解人的思維模式和邏輯。由此就存在著兩個潛在的風險：
首先，如果讓一個影像AI認知過多的事物會變得不倫不類，而不是像人那樣變得樣樣精通，對這種能力落差需要有清晰的認知。如果數據當中包含的信息類型太多，大數據并不能提升模型的質量，反而造成成本的指數型上升。
其次，由于模型運算過程的不可解釋，在結果出現較大誤差的情況下，很難干預和糾正。模型包含的信息類型越多，出現這種不可解釋的風險就越高，糾正的成本代價就越高，往往超過業務本身的價值。
在醫學影像AI的設計思路
自深度學習的基礎算法創建以來，改進算法主要是為了應對在特定場景下處理大數據時的效率，并不提升最終結果的質量?；谏鲜鲞@些信息，在醫學影像深度學習領域，降低成本和風險的做法應遵從如下兩個原則：
首先，將模型的業務目標定義得狹窄而清晰。這樣就可以使用精準標注的幾百例數據獲得敏感性、特異性都滿意的模型。這是一種小數據應用，無需使用高深的算法，而且質量并不降低。
其次，將高水平醫生的邏輯思維變成系統性管理的代碼，精準地管理多個小模型集合的整體行為。用這種方式構建的系統，出現不可解釋結果的概率會大大降低。即便出現了，糾正起來也比較容易。
在上述這樣一種業務構建思路下，設計精準的小模型、精準的序貫邏輯，以及精準的標注就成為核心價值，算法的重要性淡化了，醫療機構的價值就突出了。
眾多臨床場景下的AI難以形成固定的產品，只能形成個性化的方案
相比大數據、幾個簡單的模型組合的構建思路，這種多個小模型、嚴謹序貫邏輯的構建思路優缺點也很明顯。優點是成本低，穩定性高；缺點是項目化，產品化的通用性差。如果每個客戶都需要數據進行訓練，就失去了產品本身的商業價值。
越是CT類的圖像，尤其是CTA，由于成像機理簡單，對比強烈，容易通過大數據訓練形成穩定的產品。但在MR影像AI領域，由于成像機理復雜、圖像風格多樣，即便規模很大的數據，也很難形成穩定的產品。這種情況下，醫療機構自身創建的個性化算法就大有用武之地。
在ACR認為存在的數百個獨特AI業務場景中，也許只有1/3的場景能使用產品化的AI；而多達2/3的場景，由于個性化的成本問題，企業界不愿直接涉足產品，往往提供一些平臺，由醫療機構自行完成個性化系統的研發并投入使用。所以我們會看到美國的醫療機構醫工結合開發的個性化AI很多，而論文多半也都是小數據下的研究產物。
產品功能介紹
與所有的AI訓練平臺類似，都具備：原始影像數據的導入、匿名、圖像瀏覽、單模型訓練所需數據全生命周期的管理，包括入組、標注、預處理、模型訓練、模型測試、效果評價等。
共享式AI的設計特點主要體現在三個方面：
首先，將一個較復雜的臨床業務按照高水平醫生的診斷思路拆解成多個細小的邏輯步驟。其次，在每個步驟上設計業務目標簡單、輸入/輸出清晰的深度學習或者組學模型。第三，除了模型數量多、單個模型內容簡單之外，共享式AI特別重視臨床實用化，而非完成創新理念。實用化的AI有著與流程整合、效能評價相關的管理功能。
同一組數據用于多個不同模型訓練的數據管理
個性化的模型使用幾百例高質量的病例即可完成訓練和測試，訓練出敏感性/特異性雙高的模型。如果有1000例高質量的數據，那么完全可以滿足十幾個甚至幾十個相關業務中的小模型訓練。這些模型訓練和測試集共享這1000例數據，數據根據模型任務的不同，劃分到不同的任務視角當中即可實現數據的復用，不用拷貝到不同的存儲空間下邊，而且可以各自管理各自的標注、預處理等新生成的過程數據，以及各自管理訓練和驗證過程。
多個AI小模型序貫網絡的控制架構
一個完整的業務模型被分割成多個序貫的小模型，其內部的邏輯架構將變得相當復雜，需要一套配置工具來進行模型之間的銜接管理。在內部的流程邏輯領域，共享式AI的開發平臺比傳統的AI開發平臺的功能要強得多。
完整模型與流程業務系統的交互架構
共享式AI講求業務實用化，所以控制進入業務的圖像質量是第一步的工作。如果質量不符合（掃描條件不符、序列缺失等），就會給與拒絕。
AI業務的處理狀態需要與RIS系統保持同步，以便確定能否允許診斷醫生撰寫報告。
當AI模型完成分析工作時，其生成的、帶有本體標簽的關鍵圖像、測量值將按照特定的消息模式輸出，以便順利整合到以結構化報告為代表的后續業務流程中。
基于結構化報告的績效數據獲取
共享式AI平臺開發的業務模型注重真實場景下的績效和持續改進，因此需要關注AI發現的病灶數量、位置、性質，診斷醫生調整后的病灶數量、位置和性質，以及審核醫生調整后的上述信息。在某些場合下，還需要分析使用AI、不使用AI的績效差異。這些績效數據的獲取和持續改進工作，離不開各類結構化報告系統的LOG分析。
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 