面向消化道领域,依托于武汉人工智能计算中心,昇腾AI生态伙伴——武汉楚精灵医疗科技有限公司(以下简称楚精灵)打造出首个集内镜质控与病灶诊断于一体的消化内镜辅助诊疗系统“内镜精灵”。
在进行胃镜检查时,内镜精灵将辅助医生及时发现并提示可疑病灶,避免消化道疾病的漏诊和误诊,提高早癌检出率,助力消化道系统肿瘤的早发现、早诊断、早治疗。
关于消化癌的两大行业难点待攻克
癌前病变、早期癌、进展期癌是消化道癌演变的“三部曲”。如能在两部曲前(即癌前病变和早期癌阶段)就筛查出消化癌并进行干预,将大大提高患者的生存机率。
据统计,在早期阶段就得到诊断的消化道肿瘤,5年后患者生存率可高达 90%以上;若发展至中晚期,生存率仅为 5-25%。因此,提高早期癌症检出率,对于提升国民健康水平具有重要意义。
事实上,消化道肿瘤也是可以被筛查出来的。
消化内镜检查就是目前发现胃肠癌最常用的筛查手段,然而当前行业内仍存在两大难点无法攻克:一方面,内镜检查质量不过关,经常导致患者漏诊;另一方面,由于内镜医师检查水平参差不齐、高水平内镜医师稀缺等原因,中国部分地区和世界部分地区早期胃肠癌的诊断率仍偏低。
针对目前行业现状,昇腾AI生态伙伴楚精灵大胆进行创新性研发探索,用人工智能AI助力基层智慧治疗。
基于昇腾AI的楚精灵内镜解决方案
问:AI赋能医疗新时代,如何做到保证消化内镜检查的质和量?
作为现阶段国内唯一一家覆盖全消化道领域的企业,楚精灵目前的业务已覆盖「食管、胃镜、肠镜、胆道、胰腺、管理、报告、远程」八大板块。
基于昇腾AI达成“软件+硬件”合作模式,楚精灵用智能赋能消化疾病诊疗系统,帮助医院打造智能化内镜中心,实现内镜精准质控和分级诊疗,被亲切地称为内镜医师的“第三只眼”。
楚精灵联合武汉人工智能计算中心打造人工智能消化内镜中心解决方案
“遗漏部位:胃体上部小弯侧。请注意!”武汉人工智能计算中心展厅内的一台特别的人工智能机器人正在发出可疑病灶提示。
内镜精灵相关工作人员这样介绍道:
“在研发阶段,我们利用武汉人工智能计算中心强大的算力资源,构建海量胃肠道病变病理图库,汇聚医疗影像数据,基于武汉人工智能计算中心部署的ModelArtS平台,进行数据自动标注,利用全场景AI开源框架昇思MindSpore深度学习专用框架并进行网络搭建和训练,有力缩短内镜精灵训练时间的同时又大幅度提高了工作效率。”
又得益于Atlas300V Pro推理卡提供超强AI推理性能,内镜精灵才能快速判定和识别胃镜识别息肉、早癌等症状,可帮助临床医生精准识别和定位上下消化道系统内的早癌病变区域,辅助疾病诊疗。
根据有关测试结果表明,内镜精灵能在人工智能算法(DCNN)的辅助下进行200幅胃镜图像的胃早癌检测,其对恶性肿瘤的诊断准确率为92.5%。
截止到2022年4月11日,内镜精灵协助医师发现早癌及癌前病变累计5996例,真正实现通过AI助力消化道癌早发早诊早治。
用AI辅助疾病诊疗是现在更是未来
从2018年至今,楚精灵团队人员受邀参与50余个国内外专业学术讲座,并在国际顶尖消化学术会议上进行手术演示,多次被国外同行引用,是中国医学人工智能方面受邀最多的产品。
消化内镜人工智能解决方案“内镜精灵”已备受国际认可,领跑行业。
楚精灵首席医学官于红刚教授两度受邀参加世界人工智能大会(WAIC),发表内镜精灵医疗专题演讲
医用服务的AI辅助诊疗产品正在加速普及与运用,整体呈现出蓬勃发展的态势。人工智能是国家的创新发展战略,医疗也是国家未来的重点投入方向。随着楚精灵人工智能消化内镜解决方案在全国超400+医疗机构逐步落地,在未来不仅将助力中国内镜医师,更能助推中国内镜闻名世界。
好文章,需要你的鼓励
P1.AI创始人保罗·埃雷门科正用合成数据训练AI设计物理系统,从住宅冷却到星际飞船,突破工程AGI的终极瓶颈——数据稀缺。他的AI工程师Archie已能像人类一样处理多物理场任务,目标是让机器设计人类无法想象的复杂系统。
波士顿大学研究团队开发的DORI基准测试从四个维度评估多模态大语言模型的物体方向理解能力:正面对齐、旋转变换、相对方向和规范方向感知。研究评估了15个最先进模型,发现即使最佳模型在粗粒度任务上的准确率也仅为54.2%,在细粒度方向判断上更低至33.0%,与人类表现相差近30%。结果表明当前模型在精确角度估计、多视角追踪和理解复合旋转方面存在系统性缺陷,反映了它们内部3D空间表示的根本局限,为未来模型设计提供了明确方向。
这篇研究介绍了Oracle AI团队开发的一种针对企业系统的域特定检索硬负样本挖掘框架。该方法通过整合多种嵌入模型、降维处理和独特的语义选择标准,动态识别具有挑战性但上下文无关的文档作为训练样本,显著提升了重排序模型的性能。在云服务领域的测试中,该方法在MRR@3和MRR@10指标上分别提升了15%和19%,并在多个公开领域数据集上展示了广泛适用性,为企业搜索和检索增强生成应用提供了实用解决方案。
Oracle研究团队开发了FS-DAG,这是一种用于视觉丰富文档理解的少样本领域适应图网络模型。与传统大型模型不同,FS-DAG仅需5份示例文档即可适应新文档类型,参数量不到90M,却在信息提取任务中表现卓越。模型采用模块化架构,结合预训练的文本和视觉特征提取器与图神经网络,展现出对OCR错误的极强鲁棒性(性能下降不到1%)。实验表明,FS-DAG在多种文档类型上优于LayoutLMv2等大型模型,同时具有更短的训练和推理时间。目前已被50多家企业采用,每月处理超过100万次API调用,证明了其在实际业务场景中的价值。