رفتن به نوشته‌ها

IDTechEx گزارش می دهد ، نوآوری های فن آوری قریب الوقوع AI در تشخیص پزشکی طی دهه آینده

بوستون، 20 اکتبر 2020 / PRNewswire / – تشخیص تصویر AI این امکان را دارد که انقلابی در تشخیص پزشکی ایجاد کند. علاوه بر امکان تشخیص زود هنگام بیماری و حتی امکان پیشگیری ، می تواند با تسریع در زمان خواندن و اولویت بندی خودکار موارد فوری ، گردش کار رادیولوژیست ها را افزایش دهد. با این حال ، همانطور که IDTechEx قبلاً در مقاله خود گزارش داده بود “هوش مصنوعی در تشخیص پزشکی: وضعیت فعلی و فرصت های بهبود“، پیشنهاد ارزش فعلی تشخیص تصویر AI کمتر از انتظار اکثر رادیولوژیست ها است. در دهه آینده ، شرکت های تشخیص تصویر AI که در فضای تشخیص پزشکی هستند ، نیاز به آزمایش و اجرای بسیاری از ویژگی ها دارند تا ارزش فن آوری خود را برای ذینفعان افزایش دهند. مجموعه مراقبت های بهداشتی.

در این مقاله موضوعات کلیدی فناوری که شرکت های تشخیص تصویر AI با آن روبرو هستند بحث می شود و یک نقشه راه برای توصیف زمان و چگونگی غلبه بر آنها در دهه آینده ارائه می شود. این مقاله براساس تحقیق انجام شده توسط IDTechEx در گزارش “AI در پزشکی تشخیصی 2020-2030: شناسایی تصویر ، بازیکنان ، برنامه های بالینی ، پیش بینی ها” انجام شده است. لطفا برای اطلاعات بیشتر به گزارش مراجعه کنید.

ترکیب منابع داده از طریق همجوشی حسگر

رادیولوژیست ها طیف وسیعی از روش های تصویربرداری را در اختیار دارند و ممکن است لازم باشد از بیش از یک روش برای تشخیص علائم بیماری استفاده کنند. به عنوان مثال ، از اشعه ایکس و سی تی اسکن برای تشخیص بیماری های تنفسی استفاده می شود. اشعه ایکس ارزانتر و سریعتر است ، اما سی تی اسکن به دلیل توانایی در ایجاد تصاویر سه بعدی از قفسه سینه ، جزئیات بیشتری در مورد آسیب شناسی ضایعه ارائه می دهد. برای بررسی بیشتر ضایعه مشکوک ، بعضی اوقات لازم است اسکن اشعه ایکس قفسه سینه با سی تی اسکن پیگیری شود ، اما نرم افزار تجزیه و تحلیل مبتنی بر هوش مصنوعی فقط می تواند یکی یا دیگری را پردازش کند.

برای امکان تجزیه و تحلیل کارآمد اسکن بیمار ، نرم افزار AI برای شناسایی تصویر باید بتواند داده های منابع مختلف تصویربرداری را ترکیب و تفسیر کند تا دید بهتری از آسیب شناسی بیمار بدست آورد. این می تواند بینش عمیق تری در مورد شدت و پیشرفت بیماری ایجاد کند ، در نتیجه رادیولوژیست ها می توانند سطح بالاتری از وضعیت بیماران را درک کنند.

برخی از شرکت های هوش مصنوعی در حال حاضر سعی در آموزش الگوریتم های خود با استفاده از داده های جمع آوری شده از روش های مختلف تصویربرداری در یک تجزیه و تحلیل جامع دارند ، اما این برای اکثر افراد یک چالش است. شناخت علائم بیماری در تصاویر از چندین روش ، به سطح آموزش بسیار فراتر از فرآیند آموزش عظیم الجثه برای هوش مصنوعی تشخیص تصویر با یک حالت نیاز دارد. از دیدگاه تجارت ، در حال حاضر صرفاً ارزش این را ندارد كه شركتهای هوش مصنوعی رادیولوژی به دلیل تعداد زیادی از مجموعه داده ها ، زمان و نیروی انسانی مورد نیاز برای دستیابی به این هدف ، این مسئله را بررسی كنند. این نشان می دهد که همجوشی سنسور تا پایان دهه آینده همچنان مسئله ساز خواهد بود.

برنامه های کاربردی بیماری های متعدد

نوآوری مهم دیگر استفاده از الگوریتم های تشخیص تصویر AI در چندین بیماری است. در حال حاضر ، بسیاری از ابزارهای تجزیه و تحلیل مبتنی بر هوش مصنوعی فقط می توانند طیف محدودی از آسیب شناسی ها را تشخیص دهند. ارزش آنها در اقدامات رادیولوژی از این رو محدود است زیرا الگوریتم ها ممکن است علائم بیماری را که تحت آن آموزش ندیده اند نادیده بگیرند و یا به اشتباه تشخیص دهند ، که این امر می تواند منجر به تشخیص نادرست شود. چنین مواردی می تواند منجر به بی اعتمادی متخصصان رادیولوژی به ابزارهای AI شود ، که به نوبه خود می تواند میزان اجرای آنها را در محیط های پزشکی کاهش دهد.

در آینده ، الگوریتم های هوش مصنوعی نه تنها یک بلکه شرایط مختلف را از یک تصویر یا مجموعه داده واحد تشخیص می دهند (به عنوان مثال ، بیماری های متعدد شبکیه از یک تصویر بنیادی). این در حال حاضر برای بسیاری از شرکت های هوش مصنوعی رادیولوژی یک واقعیت است. به عنوان مثال ، راه حل های DeepMind و Pr3vent برای شناسایی بیش از 50 بیماری چشمی از یک تصویر شبکیه طراحی شده اند ، در حالی که الگوریتم های VUNO می توانند در مجموع 12 مورد را تشخیص دهند.

تشخیص چندین آسیب شناسی از همان تصاویر ، به رادیولوژیست های متخصص نیاز دارد تا حاشیه نویسی دقیق درباره هر ناهنجاری احتمالی در عکس را ارائه دهند و این روند را هزاران یا حتی میلیون ها بار تکرار کنند ، که بسیار وقت گیر و در نتیجه گران است. در نتیجه ، برخی از شرکت ها ترجیح می دهند روی یک بیماری واحد تمرکز کنند. اختصاص منابع برای دستیابی به چندین قابلیت تشخیص بیماری در طولانی مدت برای شرکت های هوش مصنوعی ارزش آن را خواهد داشت. نرم افزاری که قادر به شناسایی چندین آسیب شناسی است ، ارزش بسیار بیشتری نسبت به نرم افزارهای ساخته شده برای شناسایی یک آسیب شناسی خاص دارد ، زیرا از قابلیت اطمینان بیشتری برخوردار است و کاربرد وسیع تری دارد. شرکت های ارائه دهنده نرم افزار کاربردی تک بیماری به زودی مجبور خواهند شد دامنه کاربرد محصول خود را برای ادامه حیات در این بازار رقابتی گسترش دهند.

داده های آموزشی همه جانبه

یک مزیت اصلی فنی و تجاری در نشان دادن موفقیت در برخورد با طیف گسترده ای از جمعیت شناسی بیمار نهفته است ، زیرا کاربرد نرم افزار را گسترش می دهد. نرم افزار هوش مصنوعی باید برای مردان و زنان ، اقوام مختلف و غیره به همان اندازه کار کند.

در حالی که الگوریتم های DL را برای تشخیص یک بیماری خاص آموزش می دهید ، داده های آموزش باید انواع مختلفی از ناهنجاری های مرتبط با این بیماری را شامل شود. به این ترتیب ، الگوریتم می تواند نشانه های بیماری را در بسیاری از جمعیت شناسی ، انواع بافت ها و غیره تشخیص دهد و به سطح حساسیت و ویژگی مورد نیاز رادیولوژیست ها برسد. به عنوان مثال ، الگوریتم های تشخیص سرطان پستان باید ضایعات را در انواع پستان تشخیص دهند (به عنوان مثال تراکم های مختلف). مثال دیگر سرطان پوست است. از لحاظ تاریخی ، الگوریتم های تشخیص سرطان پوست برای تشخیص خال های مشکوک در تیره رنگ پوست تلاش می کردند زیرا شناسایی ظاهر خال ها چالش بیشتری دارد. این الگوریتم ها باید بتوانند خال ها را در انواع پوست و رنگ بررسی کنند. از طریق یک تصویر خال مشکوک ، این نرم افزار همچنین باید بتواند مرحله پیشرفت بیماری را بر اساس شکل ، رنگ و قطر آن تشخیص دهد. در غیر این صورت ، اگر یک الگوریتم با نوعی ناهنجاری روبرو شود که با هیچ یک از شرایطی که تشخیص می دهد مطابقت نداشته باشد ، آن را به عنوان “خطرناک” طبقه بندی می کند زیرا آن را با هیچ شرطی که می داند مرتبط نمی کند. داشتن یک مجموعه داده متنوع همچنین به جلوگیری از سوگیری کمک می کند (تمایل الگوریتم به تصمیم گیری با نادیده گرفتن گزینه هایی که با ارزیابی اولیه آن مغایرت دارد).

کاهش پیچیدگی شبکه عصبی

معماری مدلهای هوش مصنوعی که امروزه در تجزیه و تحلیل تصویر پزشکی مورد استفاده قرار می گیرد ، پیچیده است ، که روند توسعه را گسترش می دهد و قدرت محاسباتی مورد نیاز برای استفاده از نرم افزار را افزایش می دهد. شرکت های توسعه دهنده این نرم افزار باید اطمینان حاصل کنند که قدرت محاسبات آنها برای پشتیبانی از فعالیتهای مشتریان در سرورهایشان کافی است ، که این امر به نصب واحد پردازش گران قیمت (GPU) نیاز دارد. در آینده ، کاهش تعداد لایه ها در حالی که عملکرد الگوریتم را حفظ یا بهبود می بخشد ، یک نقطه عطف اساسی در تکامل فناوری AI تشخیص تصویر به شمار می رود. این باعث کاهش قدرت محاسباتی مورد نیاز ، سرعت تولید نتایج به دلیل مسیرهای پردازش کوتاهتر و در نهایت کاهش هزینه های سرور برای شرکت های هوش مصنوعی می شود.

بی طرف بودن تجهیزات تصویربرداری

نصب نرم افزار AI برای تجزیه و تحلیل تصویر پزشکی گاهی اوقات می تواند تغییر قابل توجهی در روند کار بیمارستان ها و رادیولوژیست ها داشته باشد. اگرچه بسیاری از مراکز درمانی از ایده دریافت تصمیم گیری از طریق هوش مصنوعی استقبال می کنند ، اما واقعیت گذراندن مراحل نصب می تواند آنقدر دلهره آور باشد که بیمارستان های خاص را بازدارد.

در نتیجه ، ارائه دهندگان نرم افزار تلاش بسیاری می کنند تا نرم افزار خود را به طور جهانی سازگار کنند تا مستقیماً در تنظیمات و گردش کار رادیولوژیست ها جای بگیرد. با ترجیح مشتری از نرم افزاری که با تمام فروشندگان اصلی ، مارک ها و مدل های تجهیزات تصویربرداری سازگار است ، این ویژگی به طور فزاینده ای از ویژگی های تشخیص تصویر AI تبدیل می شود. به طور کلی ، این یک واقعیت است زیرا اکثر الگوریتم های پاک شده FDA از فروشنده خنثی هستند ، به این معنی که می توان آنها را در اکثر انواع مارک ها و مدل های اسکنر اعمال کرد.

دسترسی به اطلاعات بیمار و برنامه درمانی توصیه شده

امروزه الگوریتم های هوش مصنوعی فقط به داده های تصویربرداری پزشکی دسترسی دارند. به همین ترتیب ، وضعیت و سابقه پزشکی بیماران در طی مراحل تحلیلی برای نرم افزار AI ناشناخته است. به دلیل این محدودیت ، نرم افزار محدود به مکان یابی ناهنجاری ها ، ارائه اطلاعات کمی و در بعضی موارد ارزیابی خطر بیماری است.

در حالی که این بینش ها می تواند برای پزشکان بسیار ارزشمند باشد ، به ویژه وقتی که با سرعت و دقت بیشتری نسبت به پزشکان انسانی انجام شود ، هوش مصنوعی می تواند کارهای بیشتری انجام دهد. برای استفاده از قابلیت های کامل هوش مصنوعی و تأمین ارزش اضافی در تنظیمات پزشکی ، توسعه دهندگان نرم افزار باید بر پشتیبانی پس از تشخیص تمرکز کنند. اگرچه این از جنبه نادر هوش مصنوعی تشخیص تصویر پزشکی از اواسط سال 2020 باقی مانده است ، شرکت ها شروع به کشف این احتمال کرده اند.

برخی از برنامه های تشخیص سرطان پوست مانند MetaOptima و SkinVision پس از ارزیابی ، توصیه های عملی برای اقدامات بعدی را ارائه می دهند. این موارد شامل تعیین وقت ملاقات های بعدی برای پیگیری یا بیوپسی یا تنظیم یادآوری برای بررسی های بعدی پوست است. پشتیبانی پس از تشخیص ، تقریباً مانند نظر دوم ، تکمیل کننده ارزیابی پزشک در حال تبدیل شدن به یک ویژگی مطلوب است و بنابراین اطمینان بیشتری در ارزیابی وی برای پزشک فراهم می کند. برای کسب اطلاعات بیشتر ، لطفاً به گزارش IDTechEx “AI در پزشکی تشخیصی 2020-2030: تشخیص تصویر ، بازیکنان ، برنامه های بالینی ، پیش بینی ها” مراجعه کنید.

در نهایت ، پزشکان به دنبال راه حلی هستند که به آنها کمک کند تا استراتژی های درمانی مناسب را ایجاد کنند. برای دستیابی به این هدف ، این نرم افزار به اطلاعات مربوط به سوابق الکترونیکی سلامت بیماران ، نتایج آزمایش بالینی ، پایگاه داده های دارویی و موارد دیگر نیاز دارد. این فراتر از تشخیص تصویر ساده است. در حال حاضر بیشتر شرکت ها برنامه قطعی برای حل این مسئله ندارند. پیاده سازی این سیستم ها به دلیل چالش های فنی ناشی از همپوشانی و قابلیت همکاری مورد نیاز بین پایگاه های مختلف بیمارستانی و خارجی ، برای دهه آینده و فراتر از آن همچنان در حال انجام است.

تجهیزات نرم افزار AI

ایده ادغام نرم افزار AI برای شناسایی تصویر به طور مستقیم در تجهیزات تصویربرداری (به عنوان مثال اسکنرهای MRI یا CT) در حال شتاب گرفتن است زیرا این امر اتوماسیون تجزیه و تحلیل تصویر پزشکی را تسهیل می کند. علاوه بر این ، از دسترسی به اتصال جلوگیری می کند زیرا نیازی به دسترسی به ابر نیست. این کار بیشتر و بیشتر انجام می شود – مثالهای اخیر شامل یکپارچه سازی نرم افزار Lunit با INSIGHT CXR در مجموعه مراقبتهای قفسه سینه GE GE و فناوری خونریزی داخل جمجمه (ICH) MaxQ AI در سیستمهای توموگرافی رایانه ای فیلیپس است.

نقطه ضعف ادغام نرم افزار AI در تجهیزات تصویربرداری این است که بیمارستان / رادیولوژیست انعطاف پذیری در انتخاب ارائه دهنده / نرم افزار متناسب با نیازهای آنها ندارد. ارزش این روش به سطح عملکرد و قابلیت های نرم افزار مجتمع هوش مصنوعی بستگی دارد و اگر با نیاز کاربر مطابقت داشته باشد. اگر اینگونه نباشد ، بیمارستانها احتمالاً نرم افزارهای مبتنی بر ابر را ترجیح می دهند.

از دیدگاه سازنده تجهیزات ، مزیت تجاری ادغام هوش مصنوعی تشخیص تصویر در دستگاه های آنها کاملاً مشخص است. قابلیت های تحلیلی پیشرفته ارائه شده توسط نرم افزار AI ، تولیدکنندگان OEM را به یک مزیت رقابتی تبدیل می کند ، زیرا ماشین آلات را برای بیمارستان هایی که به دنبال افزایش درآمد با حداکثر رساندن تعداد بیماران هر روز هستند ، جذاب تر می کنند.

از دید یک ارائه دهنده نرم افزار ، وضعیت کمتر مشخص است. شرکت های رادیولوژی هوش مصنوعی در حال حاضر مزایای ورود به مشارکت انحصاری با تولید کنندگان را در مقابل در دسترس قرار دادن نرم افزار خود به عنوان یک سرویس مبتنی بر ابر در نظر دارند. IDTechEx انتظار دارد طی 5-10 سال آینده شکافی بین شرکت های رادیولوژی AI ایجاد شود. برخی به دلیل امنیتی که قراردادهای بلند مدت می توانند فراهم کنند ، گزینه ایمن فروش نرم افزار خود را به طور انحصاری به فروشندگان بزرگ تجهیزات تصویربرداری انتخاب می کنند. دیگران بیشتر به دنبال ادامه مدل تجاری فعلی پذیرایی مستقیماً به روش رادیولوژی می روند.

گزارش IDTechEx “AI در تشخیص های پزشکی 2020-2030: تشخیص تصویر ، بازیکنان ، برنامه های بالینی ، پیش بینی ها” تجزیه و تحلیل دقیق راه حل های نوظهور و نوآوری ها در فضای AI تشخیص تصویر پزشکی را ارائه می دهد. این امر با محک زدن محصولات بیش از 60 شرکت در 12 برنامه کاربردی بیماری با توجه به عملکرد ، آمادگی بازار ، بلوغ فنی ، ارزش پیشنهادی و سایر عوامل ، از منظر تجاری و فنی از چشم انداز فناوری می کاهد. بینش عمیقی در مورد شرکت و چشم انداز بازار نیز ارائه می شود ، از جمله پیش بینی های ده ساله برای هر برنامه.

برای کسب اطلاعات بیشتر در مورد این هوش مصنوعی در گزارش بازار Medical Diagnostics ، لطفاً مراجعه کنید [i]www.IDTechEx.com/AIMed یا برای نمونه کارهای کامل تحقیقات هوش مصنوعی موجود از IDTechEx لطفا به سایت www.IDTechEx.com/Research/AI مراجعه کنید.

IDTechEx از طریق محصولات تحقیقاتی ، مشاوره ای و اشتراک خود تصمیمات استراتژیک تجاری شما را راهنمایی می کند و به شما کمک می کند از فناوری های نوظهور سود ببرید. برای کسب اطلاعات بیشتر در مورد تحقیق و مشاوره IDTechEx ، با ما تماس بگیرید [email protected] یا بازدید www.IDTechEx.com.

تماس با رسانه:
ناتالی مورتون
مدیر بازاریابی دیجیتال
[email protected]
+44 (0) 1223 812300

بارگیری تصویر: https://www.dropbox.com/sh/us06zs01ulhw5cu/AADR78nc1yQNY8q5H8JnSS7ra؟dl=0

پیوندهای رسانه های اجتماعی:

توییتر: https://www.twitter.com/IDTechEx

LinkedIn: https://www.linkedin.com/company/idtechex/

فیس بوک: https://www.facebook.com/IDTechExResearch

منبع IDTechEx


منتشر شده در جدید ترین اخبار

دیدگاه‌ها غیرفعال هستند.