3.6 میلیارد این مربوط به تعداد آزمایش های تصویربرداری پزشکی است که سالانه در سراسر جهان برای تشخیص، نظارت و درمان شرایط مختلف انجام می شود.

سرعت بخشیدن به پردازش و ارزیابی همه این اشعه ایکس، سی تی اسکن، ام آر آی و سونوگرافی برای کمک به پزشکان برای مدیریت بار کاری و بهبود نتایج سلامت ضروری است.

به همین دلیل NVIDIA MONAI را معرفی کرد که به عنوان یک پلتفرم تحقیق و توسعه منبع باز برای برنامه های کاربردی هوش مصنوعی مورد استفاده در تصویربرداری پزشکی و فراتر از آن عمل می کند. MONAI پزشکان را با دانشمندان داده متحد می کند تا قدرت داده های پزشکی را برای ایجاد مدل های یادگیری عمیق و برنامه های کاربردی قابل استقرار برای گردش های کاری هوش مصنوعی پزشکی آزاد کند.

NVIDIA این هفته در نشست سالانه RSNA، انجمن رادیولوژی آمریکای شمالی، اعلام کرد که Siemens Healthineers گواهی MONAI Deploy را صادر کرده است، واحدی در MONAI که فاصله بین تحقیقات تا تولید بالینی را پر می کند تا سرعت و کارایی یکپارچه سازی تصویربرداری پزشکی را افزایش دهد. جریان کار هوش مصنوعی در عملیات استقرار بالینی.

با بیش از 15000 نصب دستگاه پزشکی در سراسر جهان، پلتفرم‌های تصویربرداری سازمانی Symens Healthineers Syngo Carbon و syngo.via به پزشکان کمک می‌کنند تا بهتر بخوانند و بینش‌هایی را از تصاویر پزشکی از منابع مختلف استخراج کنند.

توسعه دهندگان معمولاً هنگام ایجاد برنامه های کاربردی هوش مصنوعی از چارچوب های مختلفی استفاده می کنند. این امر استقرار برنامه های کاربردی آنها را در تنظیمات بالینی دشوار می کند.

MONAI Deploy تنها با استفاده از چند خط کد، برنامه‌های هوش مصنوعی می‌سازد که می‌توانند در هر مکانی اجرا شوند. این ابزاری برای توسعه، بسته بندی، آزمایش، استقرار و اجرای برنامه های کاربردی هوش مصنوعی پزشکی در تولید بالینی است. استفاده از آن فرآیند توسعه و ادغام برنامه های کاربردی هوش مصنوعی برای تصویربرداری پزشکی را در جریان کار بالینی ساده می کند.

استقرار MONAI در پلتفرم زیمنس Healthineers به ​​طور قابل توجهی روند یکپارچه سازی هوش مصنوعی را تسریع کرده است و به کاربران امکان می دهد مدل های هوش مصنوعی آموزش دیده را تنها با چند کلیک در مقایسه با آنچه قبلاً چندین ماه طول می کشید، به تنظیمات بالینی دنیای واقعی منتقل کنند. این به محققان، کارآفرینان و استارتاپ‌ها کمک می‌کند تا برنامه‌های کاربردی خود را سریع‌تر به دست رادیولوژیست‌ها برسانند.

اکسل هتلند، رئیس بخش فناوری‌های دیجیتال و تحقیقات در زیمنس هلند، گفت: «با تسریع در استقرار مدل‌های هوش مصنوعی، ما به سازمان‌های مراقبت‌های بهداشتی این امکان را می‌دهیم که از آخرین پیشرفت‌ها در تصویربرداری پزشکی مبتنی بر هوش مصنوعی سریع‌تر از همیشه استفاده کنند. با MONAI Deploy، محققان می‌توانند مدل‌های هوش مصنوعی را طراحی کنند و نوآوری‌ها را به سرعت از آزمایشگاه به عمل بالینی منتقل کنند و به هزاران محقق بالینی در سراسر جهان دسترسی مستقیم به پیشرفت‌های مبتنی بر هوش مصنوعی در پلت‌فرم‌های تصویربرداری Syngo.via و Syngo Carbon خود را فراهم کنند.

این پلتفرم‌ها که توسط برنامه‌های توسعه‌یافته توسط MONAI بهبود یافته‌اند، می‌توانند ادغام هوش مصنوعی را تا حد زیادی ساده‌تر کنند. این برنامه‌ها را می‌توان به راحتی در بازار دیجیتال زیمنس Healthineers در دسترس قرار داد و از آنها استفاده کرد، جایی که کاربران می‌توانند آن‌ها را مرور، انتخاب کرده و به طور یکپارچه در جریان کار بالینی خود ادغام کنند.

اکوسیستم MONAI نوآوری و پذیرش را تقویت می کند

اکنون که پنجمین سالگرد خود را جشن می گیرد، MONAI بیش از 3.5 میلیون بارگیری، 220 مشارکت کننده از سراسر جهان، شناسایی در بیش از 3000 نشریه، 17 برنده چالش MICCAI، و استفاده در محصولات بالینی متعدد دیده است.

آخرین نسخه MONAI – نسخه 1.4 – شامل به‌روزرسانی‌هایی است که به محققان و پزشکان فرصت‌های بیشتری برای استفاده از نوآوری‌های MONAI و کمک به Siemens Healthineers Syngo Carbon، syngo.via و Siemens Healthineers Digital Marketplace می‌دهد.

به‌روزرسانی‌های MONAI نسخه 1.4 و محصولات NVIDIA مربوطه شامل مدل‌های پایه تصویربرداری پزشکی جدید است که می‌توانند در MONAI سفارشی‌سازی شوند و به‌عنوان میکروسرویس NVIDIA NIM استفاده شوند. مدل های زیر به طور کلی به عنوان میکروسرویس NIM در دسترس هستند:

• میسی (Medical Artificial Imaging AI) یک پلتفرم هوش مصنوعی مولد انتشار پنهان است که می تواند تصاویر سی تی اسکن سه بعدی با وضوح بالا و با فرمت کامل و تقسیم بندی آناتومیک آنها را شبیه سازی کند.
• Vista-3D این یک مدل پایه برای تقسیم بندی تصویر CT است که عملکرد دقیق خارج از جعبه را با پوشش بیش از 120 کلاس ارگان اصلی ارائه می دهد. همچنین سازگاری کارآمد و قابلیت های شات صفر را برای یادگیری تقسیم بندی ساختارهای جدید فراهم می کند.

در کنار ویژگی‌های کلیدی MONAI 1.4، مدل جدید MONAI Multi-Modal یا M3 اکنون از طریق مخزن VLM GitHub MONAI قابل دسترسی است. M3 چارچوبی است که هر LLM چندوجهی را با کارشناسان هوش مصنوعی پزشکی مانند مدل‌های هوش مصنوعی آموزش دیده از باغ وحش مدل در MONAI گسترش می‌دهد. قدرت این چارچوب جدید با مدل پایه VILA-M3 که اکنون در Hugging Face موجود است، نشان داده شده است که عملکرد کمک خلبان پیشرفته ای را در تصاویر رادیوگرافی ارائه می دهد.

MONAI بیمارستان ها، استارت آپ های مراقبت های بهداشتی و موسسات تحقیقاتی را پل می کند

موسسات پیشرو مراقبت های بهداشتی، مراکز پزشکی دانشگاهی، استارت آپ ها و ارائه دهندگان نرم افزار در سراسر جهان در حال پذیرش و توسعه MONAI هستند، از جمله:

• مرکز تحقیقات سرطان آلمان او رهبری کارگروه استانداردها و معیارهای MONAI را بر عهده دارد که معیارهایی را برای اندازه گیری عملکرد هوش مصنوعی و راهنمایی در مورد چگونگی و زمان استفاده از این معیارها ارائه می دهد.
• آزمایشگاه ندیم از مرکز سرطان Memorial Sloan Kettering (MSK) او پیشگام استقرار خطوط لوله حاشیه نویسی چندگانه و ماژول های استنتاج مبتنی بر هوش مصنوعی برای داده های آسیب شناسی با MONAI بود.
• دانشکده پزشکی دانشگاه کلرادو دانشکده ابزارهای چشم پزشکی مبتنی بر MONAI را برای تشخیص بیماری های شبکیه با استفاده از روش های مختلف تصویربرداری توسعه داده اند. این دانشگاه همچنین برخی از پیشرفت‌های اصلی یادگیری فدرال و نمایش‌های بالینی را با MONAI رهبری می‌کند.
• ریاضیات تگ MONAI را با جعبه ابزار تصویربرداری پزشکی خود ادغام کرده است و قابلیت های حاشیه نویسی با کمک هوش مصنوعی را برای تصویربرداری پزشکی برای هزاران کاربر متلب که در برنامه های پزشکی و زیست پزشکی در سراسر دانشگاه و صنعت درگیر هستند، ارائه کرده است.
• گلاکسو اسمیت کلاین این مدل‌های MONAI مانند VISTA-3D و VISTA-2D را برای تقسیم‌بندی تصویر بررسی می‌کند.
• چرخ طیار این پلتفرم شامل MONAI برای ساده‌سازی مدیریت داده‌های تصویربرداری، خودکارسازی گردش‌های تحقیقاتی، و فعال کردن توسعه و تجزیه و تحلیل هوش مصنوعی، متناسب با نیازهای مؤسسات تحقیقاتی و سازمان‌های علوم زیستی را ارائه می‌دهد.
• عکاسی از آلارا او کار خود را در مورد ادغام مدل های بنیاد MONAI مانند VISTA-3D با LLM هایی مانند Llama 3 در کنفرانس 2024 Society for Imaging Informatics in Medicine منتشر کرد.
• RadImageNet MONAI در حال بررسی با استفاده از چارچوب M3 MONAI برای توسعه مدل‌های زبان بینایی پیشرفته است که از مدل‌های تخصصی هوش مصنوعی تصویری MONAI برای تولید گزارش‌های رادیولوژی با کیفیت بالا استفاده می‌کند.
• ابزار خدمات توسعه نرم‌افزار حرفه‌ای را پیرامون MONAI ارائه می‌کند و به ادغام MONAI در گردش‌های کاری سفارشی سازندگان دستگاه و همچنین محصولات تأیید شده توسط مقررات کمک می‌کند.

محققان و شرکت ها همچنین از MONAI در ارائه دهندگان ابری برای اجرا و استقرار برنامه های هوش مصنوعی مقیاس پذیر استفاده می کنند. پلتفرم های ابری که به MONAI دسترسی دارند عبارتند از AWS HealthImaging، Google Cloud، Precision Imaging Network، بخشی از Microsoft Cloud for Healthcare و Oracle Cloud Infrastructure.

بیانیه های افشا را ببینید Syngo.via، کربن سینجو و محصولات در بازار دیجیتال.