Google Cloud مجموعه جدید تصویربرداری پزشکی مبتنی بر هوش مصنوعی را معرفی می کند

استفاده از هوش مصنوعی در تصویربرداری پزشکی می تواند برای پزشکان و بیماران مفید باشد، اما توسعه ابزارهای انجام این کار می تواند چالش برانگیز باشد. روز سه‌شنبه، گوگل اعلام کرد که آماده است با مجموعه تصویربرداری پزشکی جدید خود با این چالش مقابله کند.

آلیسا هسو لینچ، مدیر جهانی، “گوگل در استفاده از هوش مصنوعی و بینایی کامپیوتر در Google Photos، جستجوی تصویر گوگل و لنز گوگل پیشگام بود و اکنون ما تخصص تصویربرداری، ابزارها و فناوری خود را به شرکت‌های مراقبت‌های بهداشتی و علوم زندگی می‌آوریم.” استراتژی و راه‌حل‌های Google Cloud MedTech در بیانیه‌ای اعلام شد.

جف کریبز، معاون و تحلیلگر برجسته گارتنر توضیح داد که ارائه دهندگان مراقبت های بهداشتی که به دنبال راه حل های تصویربرداری تشخیصی به هوش مصنوعی هستند، معمولاً مجبور به انتخاب یکی از دو انتخاب شده اند.

او به دیجیتال تو گفت: «آن‌ها می‌توانند نرم‌افزاری را از سازنده دستگاه، ارائه‌دهنده ذخیره‌سازی تصویر یا شخص ثالث ارائه دهند، یا می‌توانند الگوریتم‌های خود را با ابزارهای طبقه‌بندی تصویری صنعتی بسازند».

او ادامه داد: «با این نسخه، گوگل از ابزارهای توسعه هوش مصنوعی کم‌کد آن‌ها استفاده می‌کند و شتاب قابل توجهی را به بخش مراقبت‌های بهداشتی اضافه می‌کند.»

جینی تورنو، مدیر اداری نوآوری و سیستم های بالینی، جانبی و تحقیقاتی فناوری اطلاعات در هیوستون متودیست، در هیوستون، افزود: «این محصول گوگل پلت فرمی را برای توسعه دهندگان هوش مصنوعی فراهم می کند و همچنین تبادل تصاویر را تسهیل می کند.

او به دیجیتال تو گفت: «این فقط مختص این بازار نیست، اما می‌تواند قابلیت‌های تعاملی را ارائه دهد که یک فروشنده کوچک‌تر قادر به انجام آن نیست.

اجزای قوی

به گفته گوگل، مجموعه تصویربرداری پزشکی به برخی از دردسرهای رایجی که سازمان ها هنگام توسعه مدل های هوش مصنوعی و یادگیری ماشین با آن مواجه می شوند، می پردازد. اجزای موجود در بسته شامل:

• یک Cloud Healthcare API که تبادل آسان و ایمن داده را با استفاده از استاندارد بین المللی تصویربرداری DICOMweb امکان پذیر می کند. API یک محیط توسعه کاملاً مدیریت شده، مقیاس پذیر و در سطح سازمانی را با شناسایی خودکار DICOM فراهم می کند. شرکای فناوری تصویربرداری شامل NetApp برای مدیریت یکپارچه داده نقطه به ابر و Change Healthcare، یک PACS شرکتی مبتنی بر ابر برای تصویربرداری در استفاده بالینی توسط رادیولوژیست ها است.
• ابزارهای حاشیه نویسی با کمک هوش مصنوعی از Nvidia و Monai برای خودکار کردن کار بسیار دستی و تکراری برچسب زدن تصاویر پزشکی، و همچنین یکپارچه سازی بومی با هر بیننده DICOMweb.
• به BigQuery و Looker برای مشاهده و جستجوی پتابایت از داده های تصویر برای انجام تجزیه و تحلیل پیشرفته و ایجاد مجموعه داده های آموزشی با سربار عملیاتی صفر دسترسی داشته باشید.
• استفاده از Vertex AI برای تسریع توسعه خطوط لوله هوش مصنوعی برای ساخت مدل‌های یادگیری ماشینی مقیاس‌پذیر، با ۸۰٪ خطوط کد کمتر مورد نیاز برای مدل‌سازی سفارشی.
• گزینه‌های انعطاف‌پذیر ابر، در محل، یا استقرار لبه‌ای برای اینکه سازمان‌ها را قادر می‌سازد تا حاکمیت، امنیت داده‌ها و الزامات حریم خصوصی متفاوت را برآورده کنند—در حالی که مدیریت متمرکز و اجرای خط‌مشی را با Google Distributed Cloud، که توسط Anthos فعال شده است، ارائه می‌دهد.

یک دسته کامل از تکنیک

لینچ به دیجیتال تو گفت: «یک وجه تمایز کلیدی مجموعه تصویربرداری پزشکی این است که مجموعه‌ای از فناوری‌های جامع ارائه می‌کنیم که از فرآیند تحویل هوش مصنوعی از ابتدا تا انتها پشتیبانی می‌کنند.

او توضیح داد که این مجموعه همه چیز را از دریافت و ذخیره داده های تصویر گرفته تا ابزارهای حاشیه نویسی به کمک هوش مصنوعی و گزینه های انعطاف پذیر برای استقرار مدل ها در لبه یا در فضای ابری ارائه می دهد.

او گفت: «ما راه‌حل‌هایی ارائه می‌دهیم که این فرآیند را برای سازمان‌های مراقبت‌های بهداشتی آسان‌تر و کارآمدتر می‌کند.

لینچ افزود که این مجموعه یک رویکرد باز و استاندارد برای تصویربرداری پزشکی دارد.

او گفت: «سرویس‌های یکپارچه Google Cloud ما با رویکرد استاندارد DICOM کار می‌کنند و به مشتریان این امکان را می‌دهند که به طور یکپارچه از Vertex AI برای یادگیری ماشین و BigQuery برای کشف و تجزیه و تحلیل داده‌ها استفاده کنند.

ما با ایجاد همه چیز حول این رویکرد استاندارد، مدیریت داده‌های خود و مفید ساختن آن‌ها را برای سازمان‌ها آسان‌تر می‌کنیم.»

راه حل طبقه بندی تصویر

استفاده رو به رشد از تصویربرداری پزشکی، همراه با مسائل مربوط به نیروی کار، زمینه را برای راه حل های مبتنی بر هوش مصنوعی و یادگیری ماشین آماده کرده است.

تورنو می‌گوید: «از آنجایی که سیستم‌های تصویربرداری سریع‌تر می‌شوند، وضوح بالاتر و قابلیت‌هایی مانند MRI عملکردی را ارائه می‌دهند، زیرساخت‌های پشتیبانی‌کننده از این سیستم‌ها سخت‌تر می‌شوند و به طور ایده‌آل از آنچه لازم است پیشی می‌گیرند.»

وی افزود: «علاوه بر این، کمبود نیروی انسانی در حوزه رادیولوژی وجود دارد که حجم کاری کارکنان را پیچیده می کند.

Google Cloud قصد دارد داده‌های تصویربرداری مراقبت‌های بهداشتی را با مجموعه تصویربرداری پزشکی خود در دسترس‌تر، سازگارتر و مفیدتر کند (تصویر: Google)

او توضیح داد که هوش مصنوعی می‌تواند مشکلات موجود در یک تصویر را با مقایسه آن با مجموعه‌ای علمی از تصاویر شناسایی کند. او خاطرنشان کرد: “او می تواند تشخیصی را توصیه کند که پس از آن فقط نیاز به تفسیر و تایید دارد.”

او ادامه داد: «همچنین می‌تواند تصاویر را در بالای صف کاری نمایش دهد، اگر یک وضعیت بالقوه تهدید کننده زندگی در یک تصویر شناسایی شود. هوش مصنوعی همچنین می‌تواند با خواندن تصاویر، گردش‌های کاری را سازماندهی کند.

یادگیری ماشینی برای تصویربرداری پزشکی همان کاری را انجام می دهد که برای تشخیص چهره و جستجوی مبتنی بر تصویر انجام داد. کریبز توضیح داد: هوش مصنوعی به جای شناسایی سگ، فریزبی یا صندلی در عکس، مرز تومور، شکستگی استخوان یا ضایعه ریه را در یک تصویر تشخیصی شناسایی می کند.

یک ابزار، نه یک جایگزین

مایکل آریگو، شریک مدیریت No World Borders، شبکه ملی شاهدان متخصص بهداشت مستقر در نیوپورت بیچ، کالیفرنیا، موافقت کرد که هوش مصنوعی می‌تواند به برخی از رادیولوژیست‌هایی که بیش از حد کار می‌کنند کمک کند، اما فقط در صورتی که قابل اعتماد باشد.

او به دیجیتال تو گفت: «داده‌ها باید به گونه‌ای طراحی شوند که بتوان از هوش مصنوعی استفاده و مصرف کرد. هوش مصنوعی با داده های غیرساختارمند بسیار متغیر در قالب های غیرقابل پیش بینی به خوبی کار نمی کند.

تورنو افزود: مطالعات زیادی در مورد دقت هوش مصنوعی انجام شده و ادامه خواهد داشت.

«در حالی که نمونه‌هایی از هوش مصنوعی وجود دارد که چیزهایی را کشف می‌کند که انسان‌ها نمی‌توانند آن‌ها را کشف کنند، یا «به خوبی» انسان‌ها هستند، نمونه‌هایی نیز وجود دارد که هوش مصنوعی چیز مهمی را از دست می‌دهد یا کاملاً مطمئن نیست که چه چیزی را باید تفسیر کند، زیرا ممکن است مسائل متعددی وجود داشته باشد. با بیمار،” او خاطرنشان کرد.

او گفت: “هوش مصنوعی باید به عنوان ابزاری موثر برای سرعت بخشیدن به تفسیر تصاویر و کمک در مواقع اضطراری در نظر گرفته شود، اما نه اینکه به طور کامل عنصر انسانی را جایگزین کند.”

پتانسیل پاشش عالی

گوگل با منابع خود می تواند تاثیر قابل توجهی بر بازار تصویربرداری پزشکی داشته باشد. تورنو خاطرنشان کرد: «وجود یک بازیگر بزرگ مانند Google در این فضا می‌تواند هم افزایی با سایر محصولات Google را که در حال حاضر در سازمان‌های مراقبت‌های بهداشتی وجود دارد، تسهیل کند، و به طور بالقوه امکان اتصال یکپارچه‌تر با سایر سیستم‌ها را فراهم می‌کند».

او ادامه داد: «اگر گوگل روی این بخش از بازار تمرکز کند، منابع لازم برای ایجاد سر و صدا را دارد. در حال حاضر بازیکنان زیادی در این فضا حضور دارند. جالب است که ببینیم این محصول چگونه می‌تواند از دیگر ویژگی‌ها و کانال‌های گوگل استفاده کند و خود را متمایز کند.»

لینچ توضیح داد که با انتشار مجموعه تصویربرداری پزشکی، گوگل امیدوار است به تسریع توسعه و پذیرش هوش مصنوعی برای تصویربرداری توسط صنعت مراقبت های بهداشتی کمک کند.

او گفت: “هوش مصنوعی این پتانسیل را دارد که به کاهش بار کارکنان مراقبت های بهداشتی و بهبود چشمگیر و حتی نجات جان مردم کمک کند.”

او افزود: «با ارائه ابزارهای تصویربرداری، محصولات و تخصص خود به سازمان‌های مراقبت‌های بهداشتی، معتقدیم بازار و بیماران سود خواهند برد.»