AI在医学影像技术应用方面的四大核心价值

编译作者: 风车云马 2019-03-28 09:00:00

【51CTO.com快译】在今年的ECR大会上,有25多家的软件供应商(ISVs),其中许多是初创企业。他们设置一个专区展示人工智能(AI)在医学成像领域的解决方案。随着医学成像供应商纷纷进军人工智能领域,虽然一度被大肆宣扬的人工智能正处于市场发展的早期阶段,但是医学成像领域的人工智能却已经站稳了脚跟。

如今,人们关注的问题已经转移到人工智能解决方案的临床价值,而不是人工智能是否适合医学成像。放射科医生不再担心人工智能会替换其工作岗位,而是想通过这些解决方案获得主导地位——初创企业和老牌供应商都在争先恐后地解决这个问题。然而,在ECR上展示的人工智能解决方案几乎没有什么大的变化,许多供应商都是相同的临床应用。目前已经有100多家公司开发用于医学成像的人工智能解决方案,这个新兴市场显得已经相当拥挤了。成功的供应商将能更好的在临床相关性、临床验证、工作流程和投资回报方面展示其价值与能力。

AI带给医学影像技术的四大核心价值

1.临床相关性

在不断变化的环境中保持临床相关性是每个公司的愿望,医学成像人工智能领域的公司也不例外。所以问题关键是开发与医疗保健用户临床相关的人工智能解决方案。

可用于机器学习算法训练的数据

其中的困难是缺乏可用的标注好的数据来训练机器学习算法。大多数公共数据集中在高发性、常规性病例上,例如肺结核或乳腺癌。因此,大多数人工智能初创企业都瞄准了这些大规模临床案例,的确它们代表着很大的市场机遇。

然而,放射科医生在日常工作中要处理大量的临床病例。如果从宏观角度来看病例的多样性,那么高发病例(例如肺结核)可谓是冰山一角。大多数临床病例还没有人工智能解决方案,这对于供应商来说,是一个尚未开发的市场。当然研究这些重复且耗时的高发性病例有重要价值,但为了人工智能在医学成像领域发挥其全部潜力,放射科医生需要一套更全面的人工智能工具。未来成功的供应商将是那些能够运用机器学习训练数据的创新策略,并与相关用户建立多个数据共享的伙伴关系,从而能为各种临床病例开发算法。

开发AI工具包或整体解决方案

早期的人工智能解决方案是特定点的解决方案,针对特定的病理而来。最近流行一种趋势,开发更类似于人工智能诊断工具包的解决方案。具体地说,它可以检测不止一点异常,而是在整个身体区域内检测,在某些情况下还可以跨多个器官检测。

这些更全面的解决方案不仅提供了更高水平的诊断支持,还简化了人工智能应用于临床医学的工作流程 (提供整体解决方案而不是许多单独的算法),而且可能更具成本效益。尽管不同供应商解决方案的鲁棒性和完整性有所不同,但这将是未来的一个关键发展趋势。

异常诊断是其中一小部分

医学成像人工智能的价值远远不止是异常检测。人工智能量化特征的能力提高了放射学报告的价值,并最终能改善临床结果。对于人工智能开发人员和放射科医生来讲,支持/提供异常诊断仍然是最重要的部分。从ECR展会上可以看出,供应商在这方面已经取得进展,其中一些解决方案给出了结核或病变发生的概率评分。

图像采集似乎是人工智能在医学成像领域的下一个主要用例,对医疗保健患者来说,它有三大好处。首先,接受扫描的时间将大大缩短,这将为患者提供更好的护理质量,并提供更多的扫描次数;其次,在图像重建过程中使用机器学习可以将低剂量CT扫描的质量提高到正常剂量CT扫描的质量,从而减少患者的辐射;人工智能可以降低扫描图像的噪音和伪影,提高放射科医生的诊断信心并减少重复扫描。

2.工作流程

融入成像设备

人工智能要成为主流,它必须无缝地集成到放射科工作流中,无论是在图像采集点还是在PACS环境中。尽管人工智能解决方案也可以集成到扫描仪中,用于图像采集和图像分析,但这是比较难的市场,因为它会面临OEM更严格监管的环境。

在ECR上展示的嵌入式人工智能解决方案非常少,这表明供应商在集成人工智能方面采取了谨慎的态度。展示的嵌入式图像分析解决方案是由Modality供应商开发的本地应用程序和第三方应用程序混合而成,而支持AI的图像采集解决方案则是自主开发的应用程序。我们预计,在2019年,嵌入式人工智能解决方案的活动将逐步增加。

融入PACS

通常放射科医生对时间的要求很高,工作流程效率是关键。放射科医生对人工智能解决方案的接受程度将取决于他们如何有效和无缝地与当前工作流程集成。人工智能解决方案紧密集成到主要诊断过程(如PACS)中,不需要放射科医生打开额外的人工智能工具,这样才可能有一定的吸引力。不管人工智能解决方案是否提供有效的用户界面,从PACS环境转换都会增加放射科医生阅读扫描文件的时间,或者增加软件故障的风险。这可能会导致放射科医生更少或根本不使用人工智能解决方案。

很明显,PACS和成像供应商加大其人工智能的力度,通常是类似的实现策略——一个专门的AI平台作为本地和第三方AI算法的集成容器,外加第三方AI应用程序的云计算平台做为补充。

从长远来看,我们预计云平台将成为重要的解决方案,但在人工智能市场的早期阶段,以及医疗成像向云的过渡期,两种方法肯定都有空间。随着人工智能变得越来越普遍,将有助于加速医学影像对云的接受。

医学成像供应商将带来巨大的影响

尽管现有企业似乎对人工智能在医学成像领域的应用反应迟缓,我们相信成像供应商将在市场的长期范围和未来方向中产生巨大的影响,特别是在人工智能集成于放射科工作流中发挥关键性作用。因此,人工智能ISVs必须与现有成像供应商建立伙伴关系。

3.投资回报

在全球医疗预算面临压力的情况下,人工智能供应商必须明确地为医疗服务提供商提供切实的投资回报率(ROI),以证明在软件和支持人工智能部署所需的IT基础设施方面的巨额投资是合理的。这可以通过多种方式实现,如下所述。

AI带给医学影像技术的四大核心价值

效率和质量

在对放射科医生时间要求很高的国家,通常是因为放射科医生短缺,例如英国的国民保健服务,提高工作效率是人工智能的一个关键价值,可以说是ROI的决定性因素。能够区分紧急情况(从非紧急情况中确定紧急情况)和减少读取扫描所需时间是AI解决方案的关键。

然而,在放射科医生供应充足的国家,如北欧国家,对放射科医生时间的要求可能不那么严格,除了效率,诊断质量将是人工智能解决方案ROI的主要因素。

诊断方式

少数人工智能ISVs已成功瞄准ROI的另一个途径是提高诊断的有效性。例如,人工智能图像分析支持的FFR-CT正逐步成为介入血管造影的替代方法。这降低了提供者的成本,降低了患者感染的风险,证明了在人工智能方面的投资是合理的。

治疗方式

人工智能解决方案通常在临床实践中使用定量影像,自动化了耗时的手工测量任务。临床验证的影像生物标记可以帮助提高诊断准确性,预判/预测治疗反应,从而为个体患者制定更加个性化、定量化的治疗计划。此外,人工智能将在治疗规划中发挥关键作用,利用病人的历史数据为决策提供信息。这将带来更短的治疗周期,从而节约成本和改善治疗结果。

4.验证

开发一种能够解决上述问题的人工智能算法非常好,但没有适当的临床验证,它不太可能得到临床医生的信任,因此也不太可能被临床医生使用。

算法训练

在开发环境中对算法进行监督训练需要访问大量的医学图像。这些图像应该包含同一种病例的不同临床表现,以及不同患者和各种扫描仪捕捉的图像,以开发一个真正适合市场的稳健的算法。这就是为什么大多数解决方案都把重点放在肺病和乳腺癌上,因为有大量公开的数据可以构建这样的算法。为了获得商业伙伴和医疗系统的认可,人工智能 ISVs 需要证明他们已经使用不同的数据集开发系统。

临床验证-前瞻研究

从长期来看,人工智能 ISVs 与医疗服务提供商合作进行前瞻性临床研究的能力,将是临床验证的关键驱动力,以验证其解决方案在真实临床环境中的鲁棒性。这项研究的结果将发表在业内权威评审的杂志上。这项研究既耗时又昂贵,因为它们需要大量识别的、标记好的临床数据,以及运行该研究的临床环境。

然而,这样做的好处将远远超过最初的投资,使解决方案具有可信度,并有助于赢得潜在合作伙伴和客户的信任。尽管一些公司已经开始进行这样的研究,但迄今为止很少有公司公布结果。人工智能解决方案临床验证的可用性才是它们在临床实践中应用的重要催化剂。

原文标题:4 Pillars of Value for AI in Medical Imaging,原文作者: Simon Harris and Dr. Sanjay Parekh

【51CTO译稿,合作站点转载请注明原文译者和出处为51CTO.com】

AI 人工智能 医学影像
上一篇:一骑绝尘!弘和人工智能交通违法图片处理平台亮相市场 下一篇:在网络安全中应用人工智能的五大障碍
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

超过Google,微信AI在NLP领域又获一项世界第一

微信AI,NLP领域又获一项世界第一,这次是在机器阅读理解方面。

乾明 ·  1天前
AI如何改善采矿行业现状?

人工智能的引入,有望将采矿业转化成一个更安全、利润空间更大且更为环保的行业。

佚名 ·  1天前
大小仅1MB!超轻量级的人脸识别模型火爆Github

近日,用户Linzaer在Github上开源了一款适用于边缘计算设备、移动端设备以及 PC 的超轻量级通用人脸检测模型,该模型文件大小仅1MB,一经开源就霸榜Github Trending榜单。

佚名 ·  1天前
大数据和人工智能如何协同工作

人工智能和机器学习如何帮助组织从大数据中获得更好的业务见解?需要了解人工智能和大数据分析的下一步发展。大数据技术并不像几年前那样广受关注,但这并不意味着大数据技术没有得到发展。如果说有什么不同的话,那就是大数据的规模正在变得越来越大。

Kevin Casey ·  2天前
麻省理工学院开发出组装机器人:未来可建造太空殖民地

麻省理工学院博士生本杰明·杰内特(Benjamin Jenett)和原子中心的尼尔·格申费尔德教授(Neil Gershenfeld)在《电气电子工程师学会机器人与自动化快报》科学期刊上发表报告称,开发出一种组装机器人原型,它可以用很小的零件制成大型结构。

技术力量 ·  2天前
刷脸取件被小学生“破解”!丰巢紧急下线 精选

近日,#小学生发现刷脸取件bug#的话题引发关注!这是真的吗?都市快报《好奇实验室》进行了验证。

好奇实验室 ·  2天前
深度学习/计算机视觉常见的8个错误总结及避坑指南

人类并不是完美的,我们经常在编写软件的时候犯错误。有时这些错误很容易找到:你的代码根本不工作,你的应用程序会崩溃。但有些 bug 是隐藏的,很难发现,这使它们更加危险。

skura ·  2天前
AI艺术日渐繁荣,未来何去何从? 精选

利用人工智能创作而成的画作近年来越来越受瞩目,有的作品甚至能在知名拍卖行拍得高价。但这类作品仍有不少问题需要解答,比如它的作者是开发出算法的程序员还是计算机呢?AI艺术的市场未来将走向何方呢?

网易智能 ·  2天前
Copyright©2005-2019 51CTO.COM 版权所有 未经许可 请勿转载