医生也要学AI?北美放射学会举办首个医生AI课程 吴恩达任“讲师”

  • 时间:
  • 浏览:3
  • 来源:大发uu快3_uu快3安卓版_大发uu快3安卓版

  未来的医生不仅不能看得了片子,做得了诊断,很不可能 时要研究会和人工智能更好地合作协议协议,在技术加持下让当时人的医术更上一层楼。

   6 月 2 日消息,全世界最大的医学国际研究会之一北美放射研究会(RSNA, Radiological Society of North America)在 5 月 31 日- 6 月 1 日期间举行了第一届针对放射医学工作者的“AI大讲堂”(Spotlight Course on AI: Radiology in the Age of AI ),试图通过三三四天的课程,介绍放射医学与AI紧密结合的技术起源、现有应用及怎么后能 理解AI医学影像方面的学术进展,希望不能帮助医生们适应和新兴技术紧密合作协议协议的新时代。

  毕竟,医疗拥有血块数据和技术需求,是最先接受大规模AI技术冲击的领域,也是一些技术最快走向应用的行业之一。

  之类“AI大讲堂”包括简要介绍医学影像中的AI技术、探讨其对更好地保证人类健康的影响、怎么后能 在当时人的医学实践中接入AI系统等多个要素,每个要素都邀请了AI行业领域的佼佼者来进行讨论不可能 演讲。朋友摘录了一些重要观点:

  AI正在不断影响医学影像行业

  这次课程上,最明确的一些可是,在放射医学领域,AI不可能 是最重要的技术了。CT、MRI、PET等医学影像手段是医生做诊断的重要资料,而AI强大的数据处置能力不能在多个层面上帮助医生。

  世界知名AI专家、斯坦福教授吴恩达介绍了AI和层厚学习算法的发展以及AI影像技术的新进展。他地处的实验室和斯坦福医院合作协议协议,完成了ChestXnet,、Xray4all等用层厚学习理解影像的工作。那先 层厚学习技术还时要理解胸部X光中十本身生活不同的病理表现,检测出膝盖MRI中的异常、检测出在头部CT片子中指向动脉瘤的病理表现等等。

  吴恩达在介绍AI在医学影像中的应用

  “层厚学习不可能 还时要完成各自 类时要一秒钟能完成的基本任务,当然,AI让你完正替代医生进行诊断、判断还有可是路要走,有可是个突破时要做。”吴恩达说道。

  本次课程的组织者之一,斯坦福大学医学院放射系副主任Curtis Langlotz教授提到他对AI完正替代临床影像医生的工作的危机并没办法 没办法 悲观。他强调影像科医生时要不断改变、多学习最前沿的AI知识与技能,但AI可是临床医学遇到的之类CT、磁共振、超声等新技术后后 的又可是有价值的新技术、新发展。临床医生时要将AI新技术利用到临床工作中。”一些医生感觉到琐碎的任务、比如测量病灶大小、跟踪病灶位置大小在不同疾病周期的变化等,那先 任务都有AI更擅长的且人不太喜欢和擅长做的。可是从本身生活层厚上AI能让临床医生的工作更好。“我知道你道,“有了AI的协助,临床医生还时要做一些在认知上更有趣更有挑战的任务。”

  AI越多再替代医生,一些会用AI的医生不可能 会替代那先 越多再的……

  不可敲定的是,医生仍旧面临一些新的挑战。面对AI不断地改变医疗领域的现状,作为近距离接触病患、提供日常医疗服务的医生,怎么里后能 适应另可是的时代?

  首先,医生时要更多地了解新技术,以及技术怎么后能 应用在临床诊断、手术预后、提前筛查等领域。课程中多位医学影像AI的研究者分享了朋友在那先 领域的新研究。

  “AI越多再替代医生,一些会用AI的医生会替代越多再用AI的医生。”Curtis Langlotz教授在讨论AI在医疗临床应用时金句频出。

  吴恩达也表示:“在科技世界里,每五年,朋友的工作就会有巨大的变化。如今,技术也正让所有一些行业比后后 变化的效率进一步加快。可是过去放射科医生做的事情会被自动化,然而不可能 那先 医生让你去思考真正重要的工作是那先 ,不断拓宽视野,把重心装进(和那先 不能自动化的工作)有差异的工作上,朋友就越多再担心那先 。”

  其次,新技术本身生活不能进一步提升医生的专业水平。

  英国Kheiron Medical的放射学专家Dr. Hugh Harvey指出,放射学医生时要更多地了解数据科学技术。放射科医生时要了解基础的数据科学、机器学习等方面知识,怪怪的是对于数据的架构设计 。他提到层厚学习等AI技术对于数据量的要求很大,但朋友讨论时往往只重视数量而忽略了质量。直接从临床系统中拿到的数据是远远越多再能真正用来做临床AI研究与应用的。

  一般数据架构设计 时要要花费四层操作。

  第一层是临床系统(PACS,电子病历系统)中直接拿到的数据,那先 数据往往涵盖敏感信息,量很大但很杂,越多再能真用来做研究。

  第二层是通过伦理委员会审查、加进去病人敏感信息的数据的数据,医生和研究者还时要受限拿到,一些之类数据一般也还是非价值形式化的没发直接用来做研究。

  第三层是将那先 数据再进一步进行价值形式化清洗,进行可视化检验,从而保证图像数据质量等大问题。

  第四层是最终将那先 数据与相应的临床信息匹配,通过人工不可能 自动的方式为数据打标签从而还时要进行AI研究分析。但到这层最后时要确认数据的统计价值否有 足够,以及否有 有真正的标准来进行标签。比如病人疾病的判断时要根据多位医生读图的结果比照,以及通后后 续发病不可能 随访得到的结果来确认疾病。

  对于医生来说,对于技术持开放态度,通过课程、活动、项目交流等方式接触并掌握新兴技术,很不可能 会让未来的医疗服务“事半功倍”。

  参加这次会议的斯坦福神经影像医生、前沿神经功能影像实验室主任、Greg Zaharchuk教授表示之类课程还时要很好的将AI理论、应用、发展和局限讲解给临床医生,他很欣喜想看 越多的影像科医生对AI的热情和让你获得更多这方面知识的态度。

  临床医生要适应之类AI高速发展的时代,就时要要不断参加之类活动获取知识、并和同仁一起去交流心得。与会者对记者表示,目前医院和医生对AI技术也没办法 关注和接受,鼓励医生参与到之类的活动中来。

  当时人面,他也强调临床AI的研究和真正的临床AI产品部署之间还有很大差距。怎么后能 确保算法在不同病例、设备、扫描参数等,都有现在面临的大问题,时要再未来逐步处置。

  “我很高效想看 越多的影像科医生和从业者参与到之类活动,这次是RSNA组织的第一次AI聚焦课程,朋友希望能保持科研、临床与产业的交流。另外AI影像企业像深透医疗等在商业化的一起去,还保持学术性的报告和论文发表。严谨地分析产品性能与临床价值,是一件很好的事情。”本次活动的组织者之一斯坦福Dr. Matthew Lungren教授表示。

  医疗影像与AI技术结合后,人类的健康不可能 会获得更多、更可靠的保障

  放射科医生在AI时代面临着更多的不可能 和挑战,而对更广阔的大众来说,技术能带来的是更多的保障与更高的医疗水平。

  在这次活动中,来自吴恩达实验室的博士生Pranav Rajpurkar现场展示了Xray4All平台:上传用户截取的x光影像照片,一两秒传输后,就还时要在线获得结果,检测出了异常,一些用高亮来标记出了异常部位。

  Pranav Rajpurkar现场展示Xray4All平台

  “之类技术的应用场景怪怪的适合用于处置在发展中国家、全球卫生场景中临床医生资源短缺的大问题。”Pranav介绍道。

  另一家融资超过 410000 万美元的美国AI影像公司Arterys也主持了午餐会,介绍了朋友的未来愿景:进一步推广朋友的影像分析和AI产品,并逐步扩展平台。通过现实世界的数据来为全球人类提供医疗决策,自动化日常的医疗任务,进一步推动医疗平等化、民主化,提供预防性分析。怪怪的的Arterys强调了其影像分析和AI产品都有基于云计算来处置的,怪怪的强调了云计算相比在医院实物计算系统中计算随便说说很快捷、更安全可靠。

  AI技术在美国临床应用:AI系统产业化的关键步骤

  作为每年医疗投入占政府总支出最高的国家之一,美国在推广AI医疗领域技术方面走在全球前列。而中国作为平均医疗资源紧张的人口大国,对AI医疗都有很大的需求。

  在这次课程上,国内的推想科技、美国的Nuance、以及在中美都快速推广AI影像处置的深透医疗Subtle Medical受邀报告,并以“Implementing AI: the last mile”为主题,探讨了临床部署AI系统产业化的最后关键步骤。

  推想医疗介绍了其多款产品在中国接触到数百万的病历,并在美国 4 家医院/影像中心开展测试。Nuance在美国临床影像的语音识别工具、读图标记工具有很大的市场份额,也在推广其“Nuance AI market”医学影像AI应用商店。

  深透医疗是三家中唯一有AI产品获FDA批准进行商业化的。深透医疗CEO宫恩浩博士介绍了怎么后能 临床部署其FDA获批的SubtlePET产品,以及对申请中的SubtleMR等产品进行临床测试。

  深透医疗SubtlePET产品是第可是获批的医学影像增强应用以及第可是核医学的AI应用,其产品价值重点在于利用AI达到 4 倍左右的影像架构设计 加速,也为减少辐射以及造影剂剂量提供了处置方案。之类软件方案让病人还时要获得更便捷、更高质量、更安全、更智能的临床影像检查。FDA获批后已在美国以及全球的 20 家顶尖医院和影像中心开展了商业部署与临床合作协议协议。

  在美国,真正要让医院应用AI并让你付费有很高门槛,要医院信息系统深入融合,与临床医生确认系统效果,以及对医院论证AI系统购买还时要带来的回报。

  “在美国真正在医院部署时要和临床医生、信息系统负责人以及医院管理运营方面多方面沟通。以深透医疗为例,公司临床和销售负责人时要和医院进行快捷而有效的真实数据测试,在尽不可能 不影响医院现有运行的情况汇报下,实时让医院用当时人的数据进行临床测试。通过实际的测试以及真实可观的影像检查加速,还时要很客观地让医院想看 AI为医院带来新的临床价值以及经济价值,从而进展到采购与部署。”深透医疗CEO宫恩浩说道。

  医学影像后处置公司TeraRecon的CEO,一起去也是医学影像AI平台Envoy公司的CEO, Jeff Soreson与著名影像医生、影像AI推广者Eliot Siegal教授,也以互相采访的形式讨论了怎么后能 优化影像AI的工作流程、部署过程,以及不断验证。

  “对AI算法层厚的临床验证是推广医学AI非常关键的一步,朋友在向之类目标不断发展。”Eliot Siegal教授强调。

  技术局限性与朋友面临的挑战

  随便说说医学影像不可能 是AI领域最适合、不能最快部署的领域之一,朋友仍然面临着种种挑战。

  首先,以层厚学习为代表的的AI技术仍是可是“黑箱子”。这是因为技术不能让医疗影像检测达到较高的准确度,然而AI仍然没办法 理解数据之间的真正关系以及怎么后能 分类数据等等。

  “在斯坦福,朋友希望不能为医学影像感知打造更好的注意力分布图(attention map),来处置黑箱效应。”斯坦福医学院教授Dr. Saafwan Halabi表示。最近有可是研究和报道讨论到基于数据的对抗攻击算法(Adverserial Attack)还时要让识别路标的AI无法正常工作。在医疗AI中,怎么后能 保证AI不被误导是非常重要的一环,但目前这方面研究的还欠缺。

  斯坦福AIMI人工智能医学影像研究项目负责人,本科课程的负责人之一Dr. Matthew Lungren也讨论了临床AI的偏见大问题”bias and implications for medical imaging AI“. AI在实际临床用时很不可能 引入数据偏差(bias)。比如很有不可能 对于医学影像识别的分类器,识别的是图像里的一些标记,而都有影像中的病灶本身生活。而目前的工具对于数据和算法中的偏差大问题越多再能很好的理解。实际临床应用的AI时要要让他能在使用中理解结果的可信性。在系统设计中考虑人机互动以及AI算法给出置信度分析还时要大大帮助人来减少不可能 的偏差大问题。

  麻省总院机器学习实验室负责人之一Jayashree kalpathy教授讨论了怎么后能 打造可是更加鲁棒的模型、怎么后能 在多医院合作协议协议项目中通过转移学习以及联邦学习等算法,在越多再分享敏感数据的情况汇报下就能分享训练出的层厚学习AI模型,来进行层厚合作协议协议。

  人工智能时代,技术正在不断渗透、变革各行各业。医学些与人类生活联系极为紧密的领域,而在另可是可是庞大、重要、站在AI应用前沿的领域,朋友正在想看 越多帮助技术更好地和医学实践结合的努力。

  比如本次RSNA提供的首个医学影像领域AI课程,吸引了超过 1000 位美国顶尖医院医生参加,而行业中的技术人士也乐于提供更多的信息,帮助医生更好理解AI。除此之外,像深透另可是的创业企业,也通过产品设计,尽量让医生不能将技术“无缝”接入过去的工作流程,越多再额外精力去适应产品。医生对技术更加了解,创业者也为了医生和患者开发出更加优质的产品。

  未来,人类的健康一定会有更多的技术支撑,但最重要的,还是由行业中的人类一起去努力,带来可是更加有效率、有效果的健康医疗系统。

本文由站长之家用户投稿,未经站长之家同意,严禁转载。如广大用户朋友,发现稿件地处不实报道,欢迎读者反馈、纠正、举报大问题(反馈入口)。

免责声明:本文为用户投稿的文章,站长之家发布此文仅为传递信息,不代表站长之家赞同其观点,不对对内容真实性负责,仅供用户参考之用,不构成任何投资、使用建议。请读者自行核实真实性,以及不可能 地处的风险,任何后果均由读者自行承担。