"China Medical Imaging AI White Paper" yayınlandı: endüstri standartları, pazar erişimi, politika koşulları, çözülmesi gereken kalan sorunlar nelerdir?
26 Mart'ta, Pekin'de görüntüleme uzmanlarını, bilimsel araştırma uzmanlarını ve yapay zeka tıbbi şirketlerini bir araya getiren, China Medical Imaging AI Industry-University-Research Innovation Alliance liderliğindeki "China Medical Imaging AI White Paper", sırasıyla Profesör Liu Shiyuan ve Profesör Shen Dinggang yayınlandı. Beyaz gazetenin genel yayın yönetmeni ve yazı işleri müdür yardımcısı olarak basın toplantısına katıldı.
China Medical Imaging AI Industry-University-Research Innovation Alliance, 12 Nisan 2018'de kuruldu. İttifakın başkan birimi Shanghai Changzheng Hospital'dır.
China Medical Imaging AI Industry-University-Research Innovation Alliance'ın başkanı Profesör Liu Shiyuan, olay yerinde ittifakın tıbbi görüntüleme yapay zekasının merkezinde yer alan şirketler, uzmanlar ve doktorlardan oluştuğunu söyledi. Tsinghua Üniversitesi, Fudan Üniversitesi ve Jiaotong Üniversitesi gibi ilgili bilimsel araştırma kurumlarının yanı sıra ülke çapında 120 ünlü hastane dahil. "Mevcut yerli tıbbi görüntüleme AI alanında en yetkili sesi temsil ettiği söylenebilir."
Tıbbi görüntüleme yapay zekasının geliştirilmesi, tıbbi yapay zekanın en başarılı dalı haline geldi ve ayrı bir derinlemesine analize değer. Leifeng.com, "China Medical Imaging AI White Paper" ın yayınlanmasından önce, 2018 sonunda "2018 Medical Imaging AI Industry Research Report" u yayınlamıştı. İki raporun tıbbi görüntüleme yapay zekası konusuna odaklandığı ve tıbbi görüntüleme yapay zekasının sorunları ve gelişimini tartıştığı görülebilir.
Profesör Liu Shiyuan toplantıda şunları söyledi, Beyaz kitabın yayınlanmasının endüstri üzerinde belirli bir yol gösterici etkisi olacağını ve işletmeler ve tıbbi görüntüleme yapay zekasını anlamak isteyen ancak bunları anlamayanlar veya disiplinler arası olanlar için referans değeri olacağını umuyoruz. Bilginin yaygınlaştırılmasında rol oynayın. "
Profesör Liu Shiyuan, 30 yıldan fazla bir süredir tıbbi görüntüleme teşhisi yapmaktadır ve aynı zamanda bir gözlemci ve AI teknolojisinin katılımcısıdır.
Temmuz 2018'de Leifeng.com, Beşinci Tıbbi Görüntü Hesaplama Gençlik Sempozyumuna (MICS 2018) katılmaya davet edildi ve Profesör Liu Shiyuan ile tıbbi görüntüleme yapay zekasının geliştirilmesi konusunda derinlemesine bir diyalog kurdu. Bu konuşmada Profesör Liu Shiyuan, açıkçası, tıbbi görüntüleme yapay zekasının durumunun çok iyi olduğunu ancak tıbbi terminoloji, tanıma ve etiketleme standartlarının temel çalışmasının tıbbi görüntüleme yapay zeka şirketleri için çok önemli olduğunu söyledi. Pek çok doktor, ne tür veriler ve bazı şirketlerin algoritma modellerinin nasıl yapıldığını bilmiyor. Kapalı bir ortamda, yüksek doğrulukta bir model yapmak kolaydır, ancak gerçek dünyada bu zorunlu değildir Test etmek için uygun fiyatlı.
"Ürün canlı olmalı, her şeyden önce tohum doğru tutulmalı ve yetiştirme, gübreleme ve budama yöntemleri onu büyütmeye uygun."
Bu nedenle, Nisan 2018'de ittifakın kurulmasının ardından, Profesör Liu Shiyuan, sektörün mevcut durumunu, sorunlarını ve geleceğini kaydetmek için tüm güçleri toplamayı planlıyor. Beyaz kitabın basın toplantısında Liu Shiyuan, yaklaşık yarım yıllık müzakere, sıkı çalışma ve sıkı çalışmanın ardından, "Çin Tıbbi Görüntüleme Yapay Zeka Beyaz Kitabı" nın "bebek yumruğunun" nihayet indiğini söyledi. Aynı zamanda, beyaz kitabın ilk kez ve ilk baskısının da yayınlandığını, "ancak bunu her yıl gelecekte yapacağız" dedi.
Daha sonra, China Medical Imaging AI Industry-University-Research Innovation Alliance'ın başkan yardımcısı Profesör Qian Dahong, "China Medical Imaging AI White Paper" ın bazı önemli içeriğini yorumladı ve 15 önemli klinik uygulamada tıbbi görüntüleme yapay zekasının gelişim değerini analiz etti.
Teknik açıdan bakıldığında, görüntüleme teknolojisinin de sürekli olarak geliştiğini, görüntü bölümleme ve kayıttan tanıma ve haritalamaya kadar çeşitli model ve teknolojilerin uygulanmasının yapay zeka görüntüleme için vazgeçilmez ve önemli bir faktör olduğunu söyledi. .
Profesör Qian Dahong, kardiyovasküler hastalık AI, meme AI, kemik yaşı yorumlama AI, prostat kanseri AI, patoloji AI, vb. Gibi çeşitli yönlerden yorumladı. Bu bölümlerde, bazı alanlardaki ürünler iniş yapmaya başladı, ancak endüstri standartları ve Görüntü veri tabanındaki çalışma tamamlanmış olmaktan uzaktır.
Profesör Qian ayrıca yapay zekanın geleneksel PACS sistemiyle kademeli olarak arayüz oluşturmaya başladığını söyledi. Özellikle bölgedeki açık AI PACS sistemi. "Görüyorsunuz ki pek çok AI teşhis modülü farklı geliştirme aşamalarında ve ilerleme çok hızlı."
Bu basın toplantısında, dikkate değer başka bir konuk daha var - Profesör Shen Dinggang Yukarıda bahsedilen tıbbi görüntü hesaplama gençlik semineri, Profesör Shen tarafından başlatıldı. "China Medical Imaging AI White Paper" ın genel yayın yönetmen yardımcısı olarak Profesör Shen, teknik incelemede "Tıbbi Alandaki Yapay Zeka Uygulamasına Genel Bakış" ve "Tıbbi Görüntüleme Yapay Zeka Algoritmalarının En Son Gelişimi" adlı iki bölüm yazdı.
Geçen yıl, Leifeng.com'un ev sahipliği yaptığı 2018 CCF-GAIR Küresel Yapay Zeka ve Robot Zirvesi'nde Profesör Shen Dinggang, "Tıbbi Görüntü Analizinde Derin Öğrenmenin Uygulanması" başlıklı bir açılış konuşması yaptı. Geçen yıldan bugüne Profesör Shen'in görüşlerinin çoğunun değişmediği görülebilir.
Onun görüşüne göre, birçok yerli girişim artık tanıya odaklanmış durumda, ancak tıp çok uzun bir zincir ve görüntüleme, tespit, teşhis, tedavi ve prognozun her halkasında yapılacak çok şey var.
Bu nedenle, Profesör Shen bir platform oluşturmamız gerektiğini önerdi.Bir platformun ilgili bölümleme, kayıt, sınıflandırma ve bir dizi teşhis algoritması vardır.Yeni uygulamalarla, ilgili modüller yapı taşları gibi inşa edilebilir. Uygulamayı yap. Bu nedenle, "Platformlaştırılmış, tam yığın yapay zeka kesinlikle geleceğin trendi."
Tıbbi izlenim yapay zekasının ilerlemesi, büyük ölçüde tıbbi görüntüleme algoritmalarından kaynaklanmaktadır Şimdiye kadar, tıbbi görüntüleme algoritmalarındaki ilerlemeler nelerdir? Tıp ve mühendisliğin kesişme noktasında bir uzman olan Profesör Shen bir cevap verdi: "Tıbbi görüntüleme yapay zekasının her uygulaması farklıdır, bu yüzden birçok yöntem vardır. Ayrıca çok tek taraflı bir geliştirme kullanan aynı YZ uygulaması da vardır. Çözmek için Zorlukların üstesinden gelmek için bu iki konu hakkında çok araştırma yapmalıyız. "
Profesör Shen, geçtiğimiz yıl görüntü yapay zekası alanında küçük veri eğitimi, dağıtılmış hesaplama, çok modlu yargılama ve yorumlanabilirlik dahil olmak üzere ilgiyi hak eden en az birkaç gelişme olduğunu belirtti. Bunlar arasında küçük veri eğitimi tıp alanında önemli bir konudur. "Yeni bir uygulama geliştiriyoruz, bazen çok fazla veri var, ancak etiketli veriler çok küçük veya bazı zor hastalıklar için veri miktarı nispeten az."
Veri sorunu her zaman var olmuştur. Daha önce, Leifeng.com'un "2018 Tıbbi Görüntüleme Yapay Zeka Endüstrisi Araştırma Raporu", büyük üçüncü basamak hastaneler tarafından bir yılda üretilen görüntü verilerinin 10T'den fazla olduğuna, ancak yanlış ve eksik verilerle ilgili sorunlar olduğuna işaret ediyordu.
Southern Medical University'de doçent olan Liu Zaiyi'ye göre, hastanenin görüntüleme bölümü her gün çok fazla veri üretiyor, ancak bunların% 1'inden daha azı kullanılabiliyor. Dahası, teşhisi görüntülemede iki büyük zorluk vardır - aynı hastalığın aynı gölgesi ve aynı hastalığın aynı gölgesi. Daha sonraki aşamada değerli olabilmesi için görüntü verilerinin doğru teşhis ve tedavi sonuçlarıyla ilişkilendirilmesi gerekir. Bununla birlikte, hastanelerdeki veriler genellikle eksiktir.Örnek olarak akciğer kanseri veya diğer tümörleri alın.Büyük hastanelerde sadece% 10 ila% 20'si gereksinimleri karşılayabilir. İkinci-A ve diğer yerel hastanelerde, birçok hasta muayenelerden sonra üst düzey hastanelere nakledilir.Tam bilgiye sahip hastaların sadece% 1 ila% 2'si dahil olabilir.
Veri eksikliği göz önüne alındığında, son yıllarda küçük örneklem problemini çözmek için çeşitli yöntemler ortaya çıkmıştır.Bu yöntemlere Fewshot öğrenme adı verilir (eğer tek bir etiketli örnek varsa, Oneshot öğrenme denir). Profesör Shen, "Öğrendiklerimizi büyük veriden küçük veriye aktarmaya çalışmalıyız" dedi.
Ayrıca dağıtılmış öğrenme de çok önemlidir. Mevcut yerel hastane verileri deşarj edilmiyor, ancak tıbbi AI modelinin eğitim için yeterli çok merkezli numuneye ihtiyacı var, öyleyse modeli eğitme amacına ulaşmak için bazı yöntemler nasıl eğitilir?
Profesör Shen üç yöntem önerdi: Çok merkezli eğitim sırasında veya model eğitiminden sonra optimizasyon için gradyanlarla katkıda bulunmayı düşünebilir, model entegrasyonu yoluyla model paylaşımı hedefine ulaşabilir ve yukarıdaki iki yöntemi birleştirebilirsiniz.
Genel olarak, tıbbi AI ürünleri yenidir ve izlenecek emsal yoktur.İzin onay kurallarının olgunlaştırılması gerekir ve veri standartları ve yardımcı teşhis performans değerlendirme standartlarına hala ihtiyaç vardır. China Medical Imaging AI Industry-University-Research Innovation Alliance'ın görmeyi umduğu, teknolojiden pazara kadar kapsamlı bir anlayış, daha iyi bir endüstri konsensüsünün kurulması ve daha sonra teknolojik devrimin sanayileşmeye doğru teşvik edilmesidir.
Profesör Liu Shiyuan, tıbbi yapay zekanın çok popüler olduğunu ancak aynı zamanda tüketildiğini ve iş dünyasındaki insanlar için de çok zor olduğunu söyledi. Şirketler, her zaman tüketmek yerine bir miktar yakıt veya besin sağlamalarına yardımcı olmak için endüstriye ihtiyaç duyuyor. Ancak tıp endüstrisi entegre olduğunda, şirket büyür ve gelecek karlı olduğunda, tıbbi AI daha aktif olabilir.
