Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

体素科技丁晓伟:分级场景下的医学AI影像分析

早在2017年丁晓伟就提出关于全病种产品线的概念,成为行业内AI医疗产品全病种体系的发起者。体素科技目前拥有三款全病种产品线,分别为胸部CT全病种筛查解决方案,视网膜全病种筛查解决方案,皮肤全病种AI分诊,用来适应复杂的临床使用环境。

近日,体素科技CEO丁晓伟博士受邀参加了英伟达GTC2018 技术论坛,发表了主题为“医疗服务各阶段中基于深度学习的医学影像分析”,介绍了体素科技最近以来的研发成果及进度,更详细的介绍了体素科技最新技术方法论。

丁晓伟首先介绍了体素科技产品的不同分级场景,分别是“全病种筛查”、“临床决策支持”及“诊前咨询”三部分。早在2017年丁晓伟就提出关于全病种产品线的概念,成为行业内AI医疗产品全病种体系的发起者。体素科技目前拥有三款全病种产品线,分别为胸部CT全病种筛查解决方案,视网膜全病种筛查解决方案,皮肤全病种AI分诊,用来适应复杂的临床使用环境。

目前行业内普遍发布了肺结节AI筛查产品,但是从医学临床工作上看,单纯的肺结节筛查不足以能满足医生临床的工作需求,放射科在进行胸部CT检查时,肺癌筛查只是其中的一小部分需求,大量的肺炎、肺大疱、胸腔积液、支气管扩张等疾病所造成的“同病异影、异病同影”现象依然难以检出,使得其应用范围被限制在非常小的范围。体素科技的胸部CT全病种筛查解决方案,能解决胸部CT中所能覆盖的多发病、常见病灶类型,将在临床上获得更多的使用机会。

同样在眼科产品方面,体素科技发布的视网膜全病种筛查解决方案,依然不同于行业中同类产品,通过眼底相片,结合病人信息,全面检查主要慢性眼底疾病,包括糖尿病视网膜病变、糖尿病黄斑水肿、青光眼、白内障、老年黄斑变性等,对其他病变亦能做到预警,真正做到眼底疾病的全方面覆盖。病人拍摄一次眼底照片就可以全面筛查眼底各项疾病,这对于医院眼科、内分泌科、体检中心来说都非常具有临床意义。在展会现场,体素科技也展示了其眼科全病种产品的软硬件一体机,全自动操作加上全自动阅片系统,大大节省了工作人员时间,目前体素科技的眼科全病种产品已在国家标准化代谢性疾病管理中心(MMC)率先落地,已进驻全国100多家医院MMC中心。

另一条全病种产品线则为“皮肤全病种AI分诊”,这是体素科技最新发布的一款产品——“体素肤知汇”,这是全国乃至世界范围内,首款面向公共的,基于深度学习图像分析与处理技术的智能皮肤全病种测评解决方案。充分结合了体素科技在医疗影像领域深耕的技术优势,以及百万量级移动端远程皮肤咨询的图像和文本数据,发挥人工智能抽象提取、汇聚皮肤专科专业知识的优势,全覆盖智能皮损识别与分析,百种皮肤类病症上智能匹配与测评,成为诊前问诊的有效AI工具。

此外,心脏产品“心脏冠脉造影CT解决方案”则定位于“临床决策支持”场景,是用于对冠状动脉CTA图像,特别是对冠脉壁斑块进行定性、定量分析的软件。可帮助临床医生进行对病人冠心病风险的评估及后续治疗手段规划,也支持同时自动计算病变的多项量化参数。相对传统的主观二分法阅片方式,可以更充分的挖掘CT图像中所含信息、实现准确判断病变等级,辨别如重建指数等易损斑块特征、预测病变的血流动力学参数、预测下游心肌灌注缺损等,从而对临床干预策略进行有效指导,助力冠心病早期预警。

对于“诊前咨询”场景,体素科技则有另外两款关于小儿的产品,“小儿屈光不正筛查” 及“小儿视力障碍筛查”。

体素科技研发的所有产品项目均定位于“全病种医疗影像阅读者”。其产品愿景是以影像为基础,融合多模态数据,提供自动转诊能力、确诊决策支持、初级影像报告,多样的产品化服务,为医院及患者提供高价值分析服务,并为互联网医疗提供智能化基础。

为了支撑以上的高度智能应用,体素在深度学习针对医学影像训练的方法论上取得了很多突破,丁晓伟进行了部分技术讲解,其中也包括MICCAI获奖论文。它们分别是:

  1. 3D Progressive Dense V-Net
  2. A Unified framework based on Unsupervised Convolutional Neural Networks for Hybrid Affine-Deformable Image registration
  3. SURROGATE SUPERVISION FOR EFFECTIVE DEEP LEARNING FROM LIMITED QUANTITIES OF LABELED MEDICAL IMAGE TRAINING DATA
  4. Joint Detection
产业AI医疗影像分析体素科技
1
相关数据
体素科技机构
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

参数技术

在数学和统计学裡,参数(英语:parameter)是使用通用变量来建立函数和变量之间关系(当这种关系很难用方程来阐述时)的一个数量。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

推荐文章
暂无评论
暂无评论~