Skip to main content

医疗保健成果

AI 放射科辅助工具为服务水平不足的社区提供帮助

人工智能放射学

统计数据显示,在发展中国家,每 10 万人只拥有一名放射科医生,这使得拍摄和分析 X 光片成为医疗诊断的一个主要瓶颈。而且,问题不仅仅在于专业人员的短缺:基础设施方面的差距也是一个挑战。在设施完备的美国医院,一名放射科医生一天可能会分析 200 张或更多 X 光片;而在资金不足、设备不够先进的印度乡村医院,每天分析 100 张 X 光片可能都很困难。

此外,X 光片并非放射科医生需要分析的唯一一种影像。他们常常不得不就如何在 X 光、CT 和 MRI 等模式之间分配时间做出艰难决定,尤其是当他们被要求优先处理 CT 和 MRI 扫描时。当所有这些因素综合在一起时,可能会导致大量未经检查的 X 光片发生积压。

为了解决这些问题,基于 AI 的临床决策支持 (CDS) 工具等先进技术涌入放射学领域,帮助放射科医生在不影响质量的前提下加快 X 光片分析速度。

临床决策支持的优势

顾名思义,临床决策支持工具的设计宗旨是帮助临床医生分析影像,并做出决策。这些工具可采取多种形式,例如基于规则的系统、基于映射的系统、生产力或自动化系统

过去十年,基于 AI 的 CDS 工具已经出现在几乎所有能够因电子健康记录 (EHR) 和其他临床数据的自动化分析而受益的医学领域中。驱动这种快速增长的部分原因在于,利用 AI 检查患者数据的成本有所降低,FDA 等官方机构也制定了新的监管准则,为 CDS 尤其是 AI 的广泛采用铺平了道路。

但是,尽管 AI 辅助成像的成本在过去十年大幅下降,对于较贫困地区而言,这项技术仍然遥不可及。问题的一部分在于,AI 放射学解决方案侧重于特定诊断,例如结核病或囊性纤维化。要拥有完整的诊断套件,诊所需要多个 AI 解决方案,从而推升成本。

对特定疾病的侧重也限制了这些工具节省放射科医生时间的能力,尤其是在 X 光影像方面。“当患者进行胸部 X 光检查时,你不知道他患有 A 疾病还是 B 疾病”,L&T Technology Services (LTTS) 医疗业务部门数字健康计划负责人 Mukundakumar Chettiar 说。“胸部 X 光检查的作用是进行筛查,因此,你未必知道自己在寻找什么。”

对通用系统的需求

由 LTTS 开发的 Chest-rAI 是一款通用 X 光 CDS 工具,旨在提供更全面的 AI 辅助成像方法。Chest-rAI 不会寻找特定疾病,而是在 X 光片中检查广泛的异常和潜在生物标记物。该工具可处理医疗机构遇到的 85% 以上的诊断,准确率超过 92%

为了做到这一点,Chest-rAI 采用了一种创新深度学习架构 — 基于卷积注意力机制的句子重建和评分 (CARES)。据 Chettiar 介绍,CARES 会从放射图像中提取特征,然后生成语法和临床意义上均正确无误的报告来描述其发现。Chest-rAI 还采用一种称为放射学发现质量指数 (Radiological Finding Quality Index) 的独特评分机制来评估放射学发现、对其进行定位,并确定报告中出现的每项发现的大小/严重程度。

此外,它采用英特尔® AI Analytics 和 OpenVINO 工具套件来优化推理流水线,并将分析结果报告时间从大多数情况下的八周缩短为仅仅两周 — 放射科医生使用基于 Web 的界面即可远程访问报告。英特尔® Extensions for PyTorch (IPEX) 被用于优化性能。这种自动报告、快速出结果和远程访问的结合极大地提高了放射科医生的读片能力,以满足服务不足人群的需求。

“使用英特尔工具套件帮助我们的团队将推理速度提高了 1.84 倍,并将结果报告时间缩短了 75%”,LTTS 的 AI 工程师 Nandish S. 表示,“模型大小也因此而缩小了近 40%。”

由于经过高度优化,Chest-rAI 的部署形式多种多样:在云中、在本地解决方案中,或者作为嵌入式解决方案部署在边缘。医院可灵活采用最适合其预算和现有基础设施的解决方案。

Chest-rAI CDS 可轻松与医院的现有系统集成,既可独立应用,又可作为大型系统的一部分使用。集成过程专为简化操作而设计,因此在将 CDS 融入医学影像存档与通信系统 (PACS) 以及放射科信息系统 (RIS) 等现有医院系统时,只需数日即可完成设置和上线运行。

更智能、更可负担的放射学解决方案

过去十年,基于 AI 的工具给许多领域带来转变,推动乳腺癌筛查、糖尿病视网膜病变、皮肤病变分类、败血症休克预测等众多应用取得更好的成果。

尽管在放射学领域取得了这些进步,但放射科医生的工作负荷仍然成为医疗系统的瓶颈,特别是在发展中国家。现有工具的针对性过强,无法满足 X 光等广泛筛查模式的需求。随着更多通用工具(例如 LTTS 的 Chest-rAI)的出现,放射科医生现在既可节约时间,又可服务于更大人群,这正是许多乡村医院所需要的。
 

本文由 insight.tech 的副主编 Christina Cardoza 编辑。

作者简介

Brandon is a long-time contributor to insight.tech going back to its days as Embedded Innovator, with more than a decade of high-tech journalism and media experience in previous roles as Editor-in-Chief of electronics engineering publication Embedded Computing Design, co-host of the Embedded Insiders podcast, and co-chair of live and virtual events such as Industrial IoT University at Sensors Expo and the IoT Device Security Conference. Brandon currently serves as marketing officer for electronic hardware standards organization, PICMG, where he helps evangelize the use of open standards-based technology. Brandon’s coverage focuses on artificial intelligence and machine learning, the Internet of Things, cybersecurity, embedded processors, edge computing, prototyping kits, and safety-critical systems, but extends to any topic of interest to the electronic design community. Drop him a line at techielew@gmail.com, DM him on Twitter @techielew, or connect with him on LinkedIn.

Profile Photo of Brandon Lewis