AI membantu penjagaan perubatan menjadi lebih bijak dan lebih mudah

Pengarang: Fan Xinru Sumber: IT Times

Antara semua industri, industri perubatan merupakan salah satu industri yang menjana data paling banyak Jumlah data yang dijana dalam setahun menyumbang kira-kira 30% daripada jumlah data global. Antaranya, penjagaan perubatan pintar menjana kira-kira 59PB data setiap tahun, dan penyelidikan bioperubatan menjana kira-kira 40PB data setiap tahun.

Di Ekspo Peralatan Perubatan Antarabangsa China 2023 dan "Pengkomputeran Tepi AI Memperkasakan Pengimejan Perubatan dan Membantu Inovasi dan Peningkatan Perubatan Utama", Guo Wei, pengurus besar Bahagian Internet Perkara dan Pusat Data Saluran Intel China, percaya bahawa bagaimana untuk menggunakan data ini dengan baik, adalah teras penjagaan perubatan yang diperkasakan teknologi. "Dalam industri perubatan, Intel terutamanya melakukan tiga perkara, iaitu 'satu asas dan dua titik teras', Guo Wei menjelaskan bahawa satu asas adalah untuk memperkasakan industri berdasarkan kecerdasan buatan dan membolehkan kecerdasan buatan dilaksanakan pada cip Intel Run dengan lebih baik." . Kedua-dua teras itu merujuk kepada mempercepatkan inovasi penyelidikan saintifik dan memperkasakan penjagaan perubatan pintar.

Berkat kecerdasan buatan dan teknologi lain menjadikan rawatan perubatan lebih bijak dan mudah.

Guo Wei, Pengurus Besar Intel China IoT dan Bahagian Pusat Data Saluran

Kadar pengesanan AI untuk penyakit tunggal tertentu boleh mencapai 95%

Dengan penerapan AI dalam industri perubatan, AI telah digunakan secara meluas dalam pengimejan perubatan, terutamanya memfokuskan pada transformasi proses, diagnosis penyakit serta pengurusan dan rawatan kesihatan.

Liu Shiyuan, pengerusi Cawangan Radiologi Persatuan Perubatan China dan pengerusi Perikatan Inovasi Industri-Akademik-Penyelidikan Perubatan China, mengumumkan satu set data pada mesyuarat itu tinjauan menunjukkan bahawa kadar penggunaan AI di hospital besar Ia telah mencapai 73%. Sehingga kini, terdapat lebih daripada 55 sijil pendaftaran NMPA di negara saya.

AI menjadikan pemeriksaan perubatan lebih mudah. Sebagai contoh, dalam diagnosis dan rawatan pengimejan koronari, apabila AI tidak digunakan pada masa lalu, selalunya pesakit mengambil masa kira-kira 30 minit untuk pergi daripada pengimbasan kepada pembinaan semula imej untuk penjanaan laporan. Tetapi kini, kerana AI, proses pembinaan semula telah dipendekkan kepada kira-kira 1 minit. Dalam erti kata lain, kini hanya mengambil masa 6 minit untuk menyelesaikan keseluruhan proses daripada pemeriksaan arteri koronari kepada penjanaan laporan, yang sangat meningkatkan kecekapan peperiksaan. Liu Shiyuan berkata: "Kelajuan pemeriksaan yang lebih pantas bermakna hospital boleh menyelesaikan lebih banyak pemeriksaan koronari dalam satu hari berbanding sebelum ini, dan pesakit boleh mendapat manfaat daripada ini."

Dari segi pengesanan "Lima Berlian" yang sering dirujuk dalam komuniti perubatan, seperti nodul pulmonari, pengimejan CTA arteri koronari, model kecerdasan buatan CTA kepala dan leher, model patah tulang dan perfusi, AI sudah mempunyai tahap yang tinggi. kadar pengesanan. Pada pandangan Liu Shiyuan, AI mempunyai kelebihan di beberapa bahagian yang mudah disekat. Oleh kerana AI mempunyai resolusi yang lebih tinggi, secara amnya mudah untuk terlepas diagnosis dengan mata kasar di tempat yang tidak dapat dilihat pada filem rata, tetapi AI boleh "melihat"nya dengan lebih jelas dan memberi amaran kepada doktor tentang kemungkinan lesi. Dia memberikan data statistik dari hospital tertiari. Data menunjukkan bahawa dalam bidang koronari, aplikasi AI telah membantu kadar pengesanan stenosis plak hospital meningkat daripada lebih 60% kepada kira-kira 95%. Kadar pengesanan nodul pulmonari meningkat daripada 35% kepada 70%.

Produk yang disediakan oleh Syarikat Huiyi Huiying boleh membantu pesakit melengkapkan ujian berkaitan ketumpatan tulang semasa mengambil imbasan CT. Chai Xiangfei, Ketua Pegawai Eksekutif Huiyi Huiying, berkata tanpa menggunakan membran badan, pesakit hanya perlu mengimbas dada atau perut, dan AI boleh mengira ketumpatan tulang secara automatik. Hari ini, ujian ini boleh digunakan secara meluas dalam pemeriksaan osteoporosis, termasuk analisis morfologi piramid, ramalan patah tulang, sarcopenia, obesiti, perancangan praoperasi, dll.

Chai Xiangfei, Ketua Pegawai Eksekutif Huiyi Huiying

Walaupun AI pada masa ini kebanyakannya digunakan dalam diagnosis dan rawatan penyakit tunggal, Liu Shiyuan percaya bahawa dengan perkembangan lanjut pengimejan kecerdasan buatan, produk perubatan AI akan menjadi lebih banyak pada masa hadapan. Produk ini akan membantu diagnosis dan rawatan AI berkembang daripada satu penyakit kepada pelbagai penyakit dan pelbagai tugas, membentuk penyepaduan perisian dan perkakasan berdasarkan bahagian dan organ, perkongsian sumber berasaskan Internet, dan penyepaduan diagnosis dan rawatan, dengan itu mencapai sepenuhnya -memproses liputan dan membentuk ekosistem yang baik .

"Perkembangan AI akan datang kepada anda," kata Liu Shiyuan, "sama seperti ombak lautan, melanda satu demi satu. Setiap ombak kelihatan sama, tetapi konotasinya berbeza

AI tidak akan menggantikan doktor dalam tempoh 10 tahun

Apabila AI semakin terlibat dalam rawatan perubatan, adakah ini bermakna ahli radiologi tradisional akan menggantikan fungsi kerja mereka?

"Pada tahun 2016, apabila kami mula membina Perikatan Kecerdasan Buatan Pengimejan Perubatan, rakan sekerja akan mengatakan bahawa apa yang anda lakukan adalah menjadi penggali kubur anda sendiri berkata, "Tetapi dalam tempoh lima atau enam tahun yang lalu, Berdasarkan pengalaman kami, ia tidak akan dapat menggantikan doktor pengimejan selama sekurang-kurangnya sepuluh tahun.”

Pakar industri perubatan ini percaya bahawa walaupun ketepatan AI telah mengatasi doktor manusia dalam mengesan beberapa penyakit biasa. Tetapi dalam diagnosis perubatan sebenar, AI masih mempunyai kekurangan. Dia berkata: "Berdasarkan laporan terhad dan boleh dipercayai semasa yang boleh dilihat, jika anda memikirkannya pada masa depan yang cerah, AI boleh mencapai tahap doktor kanan yang merawat."

Sebab mengapa dia membuat penghakiman ini ialah pada pendapatnya, pengetahuan perubatan adalah berbeza sama sekali daripada hanya melihat imej dan foto. Dalam diagnosis perubatan sebenar, doktor perlu menggabungkan sejarah perubatan pesakit, sejarah ubat dan pelbagai maklumat lain untuk menilai keadaan pesakit, bukannya hanya memberikan diagnosis berdasarkan gambar. Oleh itu, laporan yang diberikan oleh AI hanyalah rujukan, dan doktor masih perlu bergantung pada pengalaman mereka sendiri untuk membuat pertimbangan yang komprehensif. "Bagaimanapun," katanya, "jika doktor hanya berpuas hati dengan diagnosis mudah, mereka pasti akan digantikan oleh AI."

Tetapi pada pandangan Liu Shiyuan, walaupun AI masih dalam peringkat membantu membuat keputusan rawatan, dengan pembangunan ChatGPT, kemungkinan AI menggantikan doktor nampaknya semakin tinggi. "Tetapi saya tidak fikir ini adalah krisis," katanya, "ini sebenarnya satu peluang."

Dalam visinya, doktor pada masa hadapan bukan sahaja akan menghadapi skrin komputer yang sejuk, tetapi perlu menjalani kehidupan yang lebih jelas, berkomunikasi dengan pesakit, dan menyelesaikan masalah untuk pesakit. Beliau berkata: "Nilai doktor terletak pada mentafsir laporan yang dihasilkan oleh AI bersama-sama pesakit." jadi doktor Kedua-dua pesakit dan pesakit mempunyai lebih banyak masa untuk bekerja dan kehidupan "Bukankah ini sangat mudah?"

AI berbilang modal ialah masa depan

Sejauh manakah terdapat antara diagnosis berbantu dan diagnosis autonomi AI? Jawapan yang diberikan oleh pakar Intel ialah masih kekurangan AI multi-modal. Pada pendapat pakar ini, satu sebab mengapa AI pengimejan biasanya hanya boleh digunakan sebagai pembantu ialah diagnosis pengimejan itu sendiri tidak berdasarkan data pengimejan semata-mata. Beliau berkata: "Sama ada anda seorang ahli radiologi atau pakar klinik, apabila merumuskan pelan diagnostik, anda perlu menggabungkan maklumat asas pesakit, maklumat demografi, maklumat kes sejarah, dan juga data genetik, dan membuat penilaian menyeluruh untuk mencapai diagnosis. hasilnya."

Ini bermakna bergantung semata-mata pada pengimejan AI tidak dapat menyelesaikan masalah diagnosis Ia mesti digabungkan dengan data rekod perubatan elektronik, data genetik dan sumber data lain untuk analisis pelbagai modal. "Ini juga merupakan trend dalam aplikasi klinikal masa depan."

Dalam industri perubatan, walaupun analisis multi-modal telah dijalankan selama bertahun-tahun, penyelidikan semasa tentang AI multi-modal masih dalam peringkat penyelidikan, dengan aplikasi yang agak sedikit. Ini kerana analisis multimodal biasanya melibatkan pelbagai data seperti imej dan kes. Dalam komuniti perubatan, pemerolehan dan perkongsian data kekal sebagai masalah di seluruh dunia.

Berbanding dengan model besar seperti ChatGPT, volum suapan data produk AI dalam industri perubatan selalunya sekitar 1,000 kes, yang jauh lebih rendah daripada volum suapan data GPT. Ini menimbulkan cabaran kepada penjanaan AI multi-modal perubatan. Apabila bercakap tentang anotasi data, penubuhan piawaian dalam industri perubatan adalah jauh lebih sukar berbanding dalam industri lain Malah doktor dan profesor peringkat pakar mendapati sukar untuk mencapai persetujuan mengenai penyakit yang sama. Semua ini menimbulkan cabaran kepada penjanaan AI multi-modal perubatan.

Pada peringkat teori, proses diagnosis AI berbilang modal adalah untuk memasukkan data berbilang modal Selepas AI menggabungkan data, ia menggunakan model untuk menjana diagnosis. "Oleh kerana ia menggabungkan maklumat dari dimensi yang berbeza, secara teorinya, keputusannya harus lebih tepat," kata pakar Intel itu "Tetapi masalahnya ialah apabila model menjadi lebih kompleks, ia mungkin menjadi sangat besar." model Kesukaran penyelidikan dan pembangunan juga akan meningkatkan kesukaran penggunaan oleh pengguna. Kerana kebolehfahaman dan kebolehtafsiran model multimodal akan menjadi lebih teruk.

Atas ialah kandungan terperinci AI membantu penjagaan perubatan menjadi lebih bijak dan lebih mudah. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!