医学图像分析

科亚医疗人工智能将为临床医师提供如下医学图像分析领域的诊断优势,包括:

平台的技术优势包括:

  • 针对医疗数据开发的世界领先的人工智能算法模型。
  • 存储效率高:无损压缩比约为20X。
  • 搜索速度快:单次搜索时间小于50 ms。
  • 综合全面:涵盖医学成像、临床医疗文本以及基因组学等多种相关领域。

放射学

概述

在放射医学中使用科亚医疗人工智能解决方案,能够实现:协助放射科医师依据病情轻重优化读片顺序;引入新的分析手段;在保证读片质量以及不增加检查成本的前提下提高影像像检查的效率。

科亚医疗探索的疾病检查示例:

  • 通过CT进行颅内出血检测
  • 测量血管狭窄或闭塞
  • 通过CT气进行胸检测
  • 通过CT进行肺栓塞识别

更智能的工作优先级列表

该图显示了科亚医疗是如何利用人工智能识别患者病情危重的影像学表现,进而优化放射科医师的工作列表并优先处理危重症患者。

科亚医疗设计的医学图像排序调度系统将获取的图像传送给人工智能模块,通过影像学表现进行初步的病情轻重的评估。

科亚医疗的人工智能模块会自动识别并标记每一例需要放射科医师立即审查的危重病例。

人工智能还能为放射科医师预先填写图像结果报告,并为放射科医师添加需要注意的事项(例如,肺结节测量和描述,恶性肿瘤预测等)。

放射科医师会利用这些信息确定优先事项并加快图像检查。

人工智能还可协助制定智能工作列表,进而能在恰当的时间将正确的检查分配给正确的临床医师。这对远程医疗、急救医学和肿瘤学应用尤其有帮助。

 

病理学

转移癌的检测

科亚医疗正在开发提高病理学专家进行癌症分期准确性和有效性的人工智能模型。

淋巴结转移的检测对于判断癌症预后至关重要,特别是乳腺癌。但由于切片图像具有高分辨率(例如,100k×200k像素),且组织之间差异性较大,如何准确快速的检测出淋巴结转移对于病理学家来说是仍是极具挑战的。科亚医疗目前开发的空间结构化的深度学习网络(Spatio-Net),能够将目前最先进的乳腺癌转移检测准确度再提高5%以上。

Spatio-Net通过考虑空间变化来实现这一优势。相比之下,其他方法将切片图像分割成多个小区域,并分别分析各个小区域,忽略了对检测推断至关重要的空间结构信息。 Spatio-Net进一步的优势体现在其丰富的培训数据集,其中包括300多名患者的100万多个图像分区信息。

挑战1:大和高分辨率的图像

挑战2:每个切片的差异较大

Spatio-Net概述

探索与科亚医疗的合作契机