清洁数据是推动医疗影像中AI发展的关键：Prakash KS，西门子医疗

随着生成式人工智能（GenAI）重塑各个行业，它对医疗保健领域，特别是医疗影像的影响正在加速发展。AI驱动的自动化正在增强诊断能力，提高效率，并以前所未有的方式支持临床医生。然而，数据质量、偏见和法规遵从性等挑战仍然是关键问题。

西门子医疗是一家医疗技术公司，正在将GenAI集成到其影像和诊断解决方案中。在与TechCircle的讨论中，西门子医疗全球开发中心GenAI CoC负责人Prakash KS解释了公司如何使用GenAI应对数据偏见并塑造医疗AI的未来。以下是经过编辑的摘录：

您如何将GenAI集成到产品、服务和医疗影像中？

我们的GenAI战略集中在三个关键领域：内部工具、服务和培训以及产品创新。在内部，我们跨多个系统集成了GenAI，包括产品生命周期管理（PLM）、客户关系管理（CRM）、供应链管理（SCM）和医生排班。随着GenAI变得商品化，我们利用现有的工具和服务来提高效率、简化操作并加快上市时间。这种转型对整个PLM周期产生了重大影响。

在服务和培训方面，我们使用GenAI通过预测性和预防性分析改进设备维护。通过将收集的数据输入小型语言模型，我们增强了诊断和设备服务的能力。此外，我们母公司旗下的My Learning World平台使用GenAI更有效地培训医疗专业人员，涵盖医学知识和设备使用。

对于产品创新，我们在整个成像价值链中集成了GenAI。我们正在原型化用于报告生成、疾病检测、图像分割和历史数据集成的AI驱动自动化。我们的智能成像价值链应用AI来增强检测、分割和报告，同时确保对临床医生和医院的工作流程干扰最小。我们还在探索GenAI在MRI图像重建和AI RAD助手方面的应用。通过系统地将GenAI嵌入到我们的产品、服务和内部运营中，我们提高了效率，同时保持现有工作流程的连续性。

使用GenAI进行临床影像和报告如何提高诊断的准确性和效率？

在自动化早期，像MRI扫描这样的成像过程会产生数千张图像，手动分析变得不切实际。如今，算法可以执行自动检测、分割和模式匹配。然而，这些分析尚未与现有的临床评论集成，后者包括患者症状、病史和其他诊断报告（如心电图和血液测试）的数据。之前，这种集成要么不可能实现，要么必须作为单独的后处理步骤完成。

现在，大型语言模型可以分析图像，提取见解，并与其他报告中的数据进行交叉引用，然后将其输入AI模型。这使得更深入的分析成为可能，并能识别以前未被发现的模式。借助自动化，GenAI现在可以结合多个数据源并以更高的准确性检测模式。

AI驱动的图像分割如何帮助放射科医生更有效地检测和诊断疾病？

当您进行CT扫描时，专家会审查图像。由于他们的时间有限，他们会检查由系统选择的相关图像样本。

现在，技术允许对疾病状态和器官进行剖析，做出预测，但始终在人类监督下进行。放射科医生做出最终决定，而AI充当助手。代替只审查几张图像并做出判断，放射科医生会收到AI生成的摘要，突出潜在的病变区域。这将他们的注意力引导到需要进一步检查的关键区域。

AI不会取代人类的专业知识。如果不确定，它会指出这一点，而不是提供错误的结果。这提高了效率和准确性，帮助放射科医生捕捉到他们可能会错过的细节。如果AI的发现与放射科医生一致，它就提供了额外的验证。

AI还消除了因疲劳或时间限制导致的错误，因为它可以处理大量数据而不带偏见。它的角色是协助，确保彻底和准确的诊断。

GenAI如何重新定义放射学？它是补充放射科医生还是从根本上改变他们的角色？面对AI可能取代人类专业知识的担忧，您如何看待AI与放射科医生的合作而非替代？

去年，首次有一个模型不仅在专业知识上超越了放射科医生，而且还能根据年龄和性别等因素选择正确的治疗方案。这引发了AI可能取代放射科医生的担忧，尽管这些担忧被夸大了，但也并非毫无根据。

患者仍然更喜欢由人类审查他们的诊断，即使AI提供了初步评估。人类验证仍然至关重要。虽然AI可以衡量与同理心相关的因素，但它无法像人类放射科医生那样真正个性化护理。AI可以自动化重复性任务，但无法取代放射科医生的核心职责。

放射科医生将50%到70%的时间花在行政任务上，例如传输图像、编写报告和审查先前的信息。AI可以自动化这些过程，但人类监督总是必要的。即使AI融入工作流程，其作用也将是辅助而非替代，使放射科医生能够专注于复杂病例，这些病例可能因时间限制而被忽视。

除放射学外，AI将通过使治疗更加个性化来变革医疗保健。就像在线音乐流媒体将音乐从标准化的公共体验转变为高度个性化的体验一样，AI将对医疗保健做同样的事情。药物递送、治疗计划和放射学决策将根据历史数据和队列比较进行调整。

这一转变将是深刻的，AI将重塑医疗保健和教育。在医疗保健方面，AI将推动更加个性化的护理，改善患者结果，同时保持人类专业知识的核心地位。

我们已经讨论了AI如何改变医疗影像，但在扩展其采用方面最大的挑战是什么？

最大的挑战不是成本或采用率，而是清洁数据。医疗工作流程、仪器和扫描仪生成了大量数据，但AI模型需要清洁数据才能有效运行。AI输出的准确性取决于输入数据的质量。目前的做法是在数据收集后进行清理，这是低效的。相反，数据应在生成时结构化和可用。这一转变正在进行，但仍然是一个关键挑战。

另一个挑战是将AI无缝集成到现有的医疗工作流程中，而不扰乱临床医生、医生或放射科医生。AI应与互操作性数据无缝协作，将心电图扫描、医学图像和实验室报告整合到统一的工作流程中。虽然部分集成存在，但完全互操作性是必要的。

法规遵从性也是至关重要的。医疗保健中的AI必须遵守法律和安全要求，同时最大限度地减少错误。在一个高风险环境中，即使是单个错误也可能导致不信任并阻碍采用。为了确保可靠性，AI模型必须达到近乎完美的准确性。

关键挑战包括清洁数据、工作流程集成、法规遵从性和互操作性，同时保持强大的网络安全。

您如何看待AI在医疗保健领域的未来，超越影像？

AI将使医疗保健更加个性化和高效。药物发现、药物递送和个性化治疗计划将更加集成。AI还将提高运营效率，如调度床位和管理实验室工作量，从而缩短等待时间。患者不必花费一整天进行基本的健康检查。

早期检测将得到改善，一些目前需要扫描的条件可以通过简单的血液测试检测出来。临床决策支持正在整个行业中开发，包括西门子医疗，以增强诊断和治疗。

一个关键创新是数字孪生的概念。西门子医疗正在使用医疗记录、过去治疗、扫描、血液测试和其他健康数据创建患者的虚拟模型。这些模型可以帮助检测可能被忽视的早期阶段疾病。

数字孪生还将实现更个性化的治疗。患者不必质疑处方药物的安全性或剂量是否适当，AI将帮助根据个人需求定制治疗。医疗保健的未来正朝着精准医学、数字孪生和高度个性化的护理方向发展。

您的公司如何确保用于训练GenAI模型的数据是干净、无偏见且代表多样化的患者群体？您采取哪些措施防止医疗影像数据集中的数据漂移和不一致？

我们投入时间和资源正确收集数据。我们的数据库包含约12亿份医疗记录，包括图像、运营数据、临床数据和扫描。我们使用这些数据作为输入，同时确保严格的筛选过程。我们不接受所有传入的数据；而是遵循严格的扫描、存储和传输标准进行模型训练。这些标准超越了法规要求，以确保数据质量、无偏见和多样性。我们检查区域、性别和年龄相关的偏见，以保持公平和有代表性的数据集。

我们还投资于联邦学习。在医院和诊所的许可下，我们在扫描地点处理数据，而不是传输原始图像或医疗记录。较小的模型在现场提取见解，只有这些见解用于训练较大的模型。原始数据保留在源处，以防止不必要的数据移动。

我们的清洁数据方法涉及三个关键步骤。首先，我们使用多年来收集的大型数据集。其次，我们在数据收集的每个阶段确保透明度和合规性，超出法规要求，因为我们处理敏感的医疗信息。第三，联邦学习使我们能够保持最新，而无需直接存储新的患者数据。相反，我们提取见解以改进模型。

即使在训练后，我们也会持续测试模型的偏见、准确性、完整性和边缘情况。它会经过严格的验证、验证和临床测试，然后再部署。鉴于高风险，我们采取一切措施避免错误。

(全文结束)