CheXNet 是由斯坦福大学研究团队开发的一种深度学习模型，专门用于从胸部 X 光片中检测和诊断疾病。它基于卷积神经网络（CNN），最初是在 2017 年由 Pranav Rajpurkar、Jeremy Irvin 等研究人员在论文《CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning》中提出的。
CheXNet 的背景与目标
医学影像分析一直是人工智能在医疗领域的重要应用方向。胸部 X 光片是诊断多种胸部疾病（如肺炎、肺结节、心脏扩大等）的常见工具，但传统的诊断依赖放射科医生的人工判读，效率和准确性可能因医生的经验而异。CheXNet 旨在通过自动化分析达到甚至超过人类放射科医生的诊断水平，尤其是针对肺炎的检测。
技术原理
CheXNet 是基于 DenseNet-121（一种深度卷积神经网络架构）进行改进的模型。研究团队利用了 NIH（美国国立卫生研究院）发布的 ChestX-ray14 数据集，该数据集包含超过 10 万张胸部 X 光图像，标注了 14 种常见胸部疾病。CheXNet 在这个数据集上进行训练，能够同时预测这些疾病的存在与否。
具体来说：
输入：单张胸部 X 光图像。
输出：14 种疾病的概率分布（例如肺炎、肺气肿、胸腔积液等）。
创新点：通过微调 DenseNet-121 的最后一层，CheXNet 不仅能检测单一疾病，还能处理多标签分类任务（即一张图像可能同时存在多种疾病）。
在测试中，CheXNet 的表现尤其在肺炎检测上达到了放射科医生的水平，其 ROC 曲线下面积（AUC）超过了 0.76，显示出较高的敏感性和特异性。
应用与影响
CheXNet 的开发展示了 AI 在医学影像诊断中的潜力，尤其是在资源匮乏地区，自动化的工具可以辅助医生快速筛选和诊断。它也推动了后续研究，比如结合注意力机制、可解释性分析（如热力图，显示模型关注图像的哪些区域）以及与其他数据集的迁移学习。
局限性
尽管 CheXNet 表现优异，但它仍有局限性：
数据依赖性：模型的效果依赖于训练数据的质量和多样性，可能在不同人群或设备生成的 X 光片上表现不一致。
可解释性：作为深度学习模型，它的决策过程对人类来说仍是“黑箱”，需要进一步改进以获得医生的信任。
临床验证：虽然在研究中表现良好，但在真实临床环境中的广泛应用还需要更多验证。
后续发展
CheXNet 开辟了医学影像 AI 研究的新方向。斯坦福团队和其他研究者在此基础上开发了更先进的模型（如 CheXNeXt），并探索了与自然语言处理结合的系统，用于生成放射学报告。xAI 等公司也在类似领域推进研究，试图将 AI 更深入地融入医疗实践。
1 个月前
这项研究由科布伦茨应用科学大学和波恩大学医院的医学研究人员团队完成，他们开发了一种名为 OptAB 的 AI 模型，用于个体化和优化地选择治疗败血症的抗生素。该模型完全基于 AI 数据驱动，并特别注重在考虑副作用的情况下，为败血症患者选择最合适的抗生素。其目标是最大化治疗成功率，同时显著降低治疗过程中的副作用。 此外，这一研究得到了莱法州卫生部门的资助，并被认为是首个能够为败血症患者提供个性化抗生素优化选择的在线模型。由于败血症治疗开始时病原体通常未知，医生常常依赖广谱抗生素，而 OptAB 模型可以通过分析患者的临床数据、病原体信息及药物敏感性，帮助医生快速制定更精准的治疗方案。相关成果已发表在医学期刊《npj·digital medicine》上。 据开发人员称，该 AI 模型是使用历史败血症病例的数据创建的，是世界上第一个此类 AI 模型。找到正确的药物组合来治疗败血症可以大大增加康复的机会，并消除对可能导致严重副作用的广谱药物治疗的需求。 （资讯来源：德国联邦外贸与投资署）
1 个月前
delphi GmbH 是一家成立于 2001 年的德国创新型企业，总部位于德国，专注于健康促进和预防领域。自创立以来，公司从最初的药物滥用预防和咨询服务起步，逐步发展为一家将科学研究、数字化技术与实践应用相结合的行业先锋。近年来，delphi GmbH 在人工智能（AI）领域的投入尤为突出，其标志性项目之一——SuchtGPT，充分展示了公司在健康服务中应用AI的雄心与能力。 公司概况与核心业务 delphi GmbH 的使命是通过科学方法和创新手段提升人们的健康与福祉。公司业务涵盖在线咨询与干预项目、项目评估与研究、健康信息传播以及创新项目开发。其团队由心理学、公共健康、社会工作等领域的专家组成，强调将理论知识转化为实际解决方案。服务的客户包括公共机构和私营企业，业务范围覆盖德国及相关合作网络。 delphi 的核心价值体现在四个方面：科学性（以实证研究为基础）、实用性（贴近实际需求）、数字化（利用现代技术接触广泛人群）以及合作性（与客户共同制定策略）。这些理念不仅贯穿其传统健康服务，也为其AI相关业务奠定了基础。 AI业务：SuchtGPT 项目 在人工智能领域，delphi GmbH 的代表性项目是 SuchtGPT（“Gestaltung, Programmierung und Testung eines KI-basierten Chatbots für Suchtfragen” 的缩写，意为“设计、编程和测试用于毒瘾问题的AI聊天机器人”）。该项目由德国联邦卫生部（Bundesministerium für Gesundheit, BMG）资助，旨在开发一个基于AI的聊天机器人，为用户提供毒瘾相关问题的低门槛、匿名支持。 SuchtGPT 的目标是通过一个符合欧盟数据保护标准（DSGVO-konform）的数字化工具，帮助用户获取信息或引导他们进入专业戒毒体系。项目利用大型语言模型（Large Language Model, LLM），结合毒瘾领域的专业知识和沟通技巧，使聊天机器人能够独立、准确地回答用户提问。开发过程采用参与式方法，广泛吸纳毒瘾救助领域的利益相关者（如专业协会、戒毒机构和政策制定者）的意见，确保工具的实用性。 项目实施分为多个阶段：前期技术框架搭建与背景研究、原型开发与测试、以及基于数据分析的持续优化。截至 2025 年 3 月，SuchtGPT 仍处于开发阶段。2025 年 1 月 15 日，项目团队举办了一场数字化信息活动，向超过 250 名参与者展示了项目规划和生成式AI的应用成果。更多进展可通过其官网跟踪。 AI与健康服务的融合 SuchtGPT 项目不仅体现了 delphi 在AI技术上的投入，也延续了其在数字化健康服务领域的专长。公司通过在线咨询平台、健康教育工具等积累了丰富的经验，而 AI 的引入进一步扩展了服务的广度和深度。例如，SuchtGPT 的聊天机器人旨在以更高效、智能的方式触达需要帮助的人群，同时保持服务的科学性和可靠性。这种将AI与健康促进相结合的模式，凸显了 delphi 在行业中的前瞻性。 团队与合作伙伴 delphi 的 AI 项目由一支跨学科团队推动，成员包括心理学专家、技术开发人员和数据分析师。在 SuchtGPT 项目中，公司与 nexus Institut 等合作伙伴协作，负责参与流程的执行，同时依托 IT 与 AI 专家确保技术实现的高标准。这种合作模式也反映了 delphi 一贯强调的“协作性”理念。 总结 delphi GmbH 是一家在健康促进领域深耕多年的德国企业，以科学性与实用性著称。近年来，公司通过 SuchtGPT 等项目，积极探索人工智能在健康服务中的应用，致力于为毒瘾等问题提供创新、数字化的解决方案。凭借其专业团队和与时俱进的技术战略，delphi 在德国乃至全球的健康科技领域占据了重要地位。 这家企业不仅是健康促进的践行者，更是 AI 技术在公共福祉领域应用的先锋。未来，随着项目的推进，delphi 的影响力有望进一步扩大。 （信息来源：dephi官网）
2 个月前
DELFI（DNA Evaluation of Fragments for Early Interception，DNA片段早期拦截评估）是由约翰霍普金斯大学（Johns Hopkins University）的西德尼·基梅尔癌症中心（Sidney Kimmel Cancer Center）的研究人员开发的一种基于人工智能的血液检测技术。它旨在通过分析血液中的游离DNA（cell-free DNA, cfDNA）片段模式，检测癌症的早期信号。这一技术最初由Victor E. Velculescu（肿瘤学教授兼癌症遗传学和表观遗传学项目联合主任）和Robert B. Scharpf（肿瘤学副教授）等人提出，并在2019年发表在《自然》（Nature）杂志上。 DELFI的工作原理 DELFI利用了癌细胞和健康细胞在DNA片段化（fragmentation）模式上的差异。当细胞死亡时，会释放DNA片段到血液中，而癌细胞释放的cfDNA在大小、分布和基因组区域的特征上与正常细胞有所不同。DELFI通过以下步骤实现癌症检测： 血液样本分析：从血浆中提取cfDNA。 片段模式识别：使用低覆盖率测序技术分析数百万个DNA片段，观察其异常模式（如片段大小和数量）。 AI算法处理：通过机器学习模型识别与癌症相关的特定片段化特征，生成“DELFI分数”，用于判断癌症是否存在以及可能的来源。 这种方法成本效益高，因为它不需要高深度测序，仅需低覆盖率测序即可实现筛查目的。 DELFI的应用 DELFI最初被开发用于肺癌检测。在2021年的一项研究中，它在796名来自丹麦、荷兰和美国的受试者中检测出超过90%的肺癌病例，结合临床风险因素和影像学检查后，敏感性高达94%。随后，研究扩展到其他癌症类型： 肝癌：2022年，DELFI在一项涉及724人的研究中检测出超过80%的肝细胞癌（HCC），即使在早期阶段也能发现异常。 多癌种检测：DELFI已被探索用于检测多种癌症，包括肺癌、肝癌等，并显示出跨种族和风险人群的普适性。 DELFI的优势 早期检测：能在癌症早期发现信号，提高治疗成功率。 非侵入性：只需抽血，无需活检或侵入性检查。 高灵敏度和特异性：例如肝癌检测中敏感性88%、特异性98%。 可扩展性：技术成本较低，适合大规模筛查，尤其在高风险人群中。 发展与商业化 2019年，Velculescu等人创立了DELFI Diagnostics公司，将这项技术推向商业化。迄今为止，公司已获得数轮融资，包括2021年的1亿美元A轮融资和2022年的2.25亿美元B轮融资。2023年，DELFI Diagnostics推出了首款商业化产品“FirstLook Lung”，用于肺癌筛查。 局限性与未来 尽管DELFI前景广阔，但仍需更大规模的临床试验来验证其在真实世界中的表现。此外，如何将结果与现有诊断流程（如影像学）无缝整合，以及提高对罕见癌症类型的检测能力，是未来的研究方向。 DELFI代表了AI在癌症早期检测领域的重大突破，体现了约翰霍普金斯大学在医学AI研究中的领先地位。
2 个月前
CheXNet 是由斯坦福大学研究团队开发的一种深度学习模型，专门用于从胸部 X 光片中检测和诊断疾病。它基于卷积神经网络（CNN），最初是在 2017 年由 Pranav Rajpurkar、Jeremy Irvin 等研究人员在论文《CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning》中提出的。 CheXNet 的背景与目标 医学影像分析一直是人工智能在医疗领域的重要应用方向。胸部 X 光片是诊断多种胸部疾病（如肺炎、肺结节、心脏扩大等）的常见工具，但传统的诊断依赖放射科医生的人工判读，效率和准确性可能因医生的经验而异。CheXNet 旨在通过自动化分析达到甚至超过人类放射科医生的诊断水平，尤其是针对肺炎的检测。 技术原理 CheXNet 是基于 DenseNet-121（一种深度卷积神经网络架构）进行改进的模型。研究团队利用了 NIH（美国国立卫生研究院）发布的 ChestX-ray14 数据集，该数据集包含超过 10 万张胸部 X 光图像，标注了 14 种常见胸部疾病。CheXNet 在这个数据集上进行训练，能够同时预测这些疾病的存在与否。 具体来说： 输入：单张胸部 X 光图像。 输出：14 种疾病的概率分布（例如肺炎、肺气肿、胸腔积液等）。 创新点：通过微调 DenseNet-121 的最后一层，CheXNet 不仅能检测单一疾病，还能处理多标签分类任务（即一张图像可能同时存在多种疾病）。 在测试中，CheXNet 的表现尤其在肺炎检测上达到了放射科医生的水平，其 ROC 曲线下面积（AUC）超过了 0.76，显示出较高的敏感性和特异性。 应用与影响 CheXNet 的开发展示了 AI 在医学影像诊断中的潜力，尤其是在资源匮乏地区，自动化的工具可以辅助医生快速筛选和诊断。它也推动了后续研究，比如结合注意力机制、可解释性分析（如热力图，显示模型关注图像的哪些区域）以及与其他数据集的迁移学习。 局限性 尽管 CheXNet 表现优异，但它仍有局限性： 数据依赖性：模型的效果依赖于训练数据的质量和多样性，可能在不同人群或设备生成的 X 光片上表现不一致。 可解释性：作为深度学习模型，它的决策过程对人类来说仍是“黑箱”，需要进一步改进以获得医生的信任。 临床验证：虽然在研究中表现良好，但在真实临床环境中的广泛应用还需要更多验证。 后续发展 CheXNet 开辟了医学影像 AI 研究的新方向。斯坦福团队和其他研究者在此基础上开发了更先进的模型（如 CheXNeXt），并探索了与自然语言处理结合的系统，用于生成放射学报告。xAI 等公司也在类似领域推进研究，试图将 AI 更深入地融入医疗实践。
2 个月前
2025年2月18日，“2025医疗人工智能与精准诊疗发展论坛”在瑞金医院召开。此次盛会汇聚了众多行业专家、学者及华为代表，共同见证瑞智病理大模型RuiPath的发布。 近年来，AI技术在全球范围内蓬勃发展，为各行业带来了深刻变革，医疗领域也不例外。为有效提升病理切片检查的效率和诊断准确率，瑞金医院携手华为公司推进数字化智慧病理科建设并获得成果。此次活动线上、线下同步播出，由瑞金医院-上海市数字医学创新中心朱立峰主持。 致辞嘉宾： 宁光 中国工程院院士/瑞金医院院长 上海市医院协会副会长 看着台下爆满的会场，我深切感受到：这场技术浪潮已然到来。我也曾学习安装豆包、摸索Kimi、尝试DeepSeek——这些过程让我逐步思考：当AI重构社会的速度远超想象时，医院正面临更多机遇和挑战。 我们像活在玻璃瓶里的人，瓶外的铁锤随时可能落下。三年前讨论的“未来技术”，如今已成为基础工具。瑞金医院选择主动打碎瓶子，找到临床应用中的“刚需”，助力病理科图像分析，今天我们将一起见证瑞智病理大模型RuiPath的发布。除此以外，我们还将感受更震撼的多模态融合。 可以想见，如果华为的ICT基础设施、联通的传输能力这些技术若注入医疗场景，那将是怎样的盛宴。但比技术更重要的，是守住生命至上的底线——我们只用经得起验证的技术。在此向全国同仁发出邀请：瑞金医院愿意做医疗AI的“创新实验室”。我们深知机器必然替代部分人力，但人文关怀永远不可替代，让我们共同构建“技术-人文”双螺旋，为你的梦想插上一双“理性的翅膀”。 冯骏 上海市卫生健康委员会（信息化管理处）副主任 当前AI技术推动医疗向智能化、精准化迈进，国家积极推进卫生健康行业“人工智能+”应用创新发展，上海致力于打造医学人工智能高地，已发布相关方案，将推进医疗健康数据新型基础设施建设等工作。本次论坛聚焦病理诊断中AI应用创新，该技术有望缓解病理医生资源短缺，提升检查效率和诊断准确率。此次瑞金医院与华为合作，发布的大模型是重要一步，期待此次大会医生、专家共同探讨未来方向，为健康中国建设贡献力量。 王育 上海申康医院发展中心副主任 国家妇产疾病临床医学研究中心上海分中心负责人 近年来，AI技术在全球蓬勃发展，在医疗领域带来变革，国家重视并出台文件推进医疗AI创新应用。上海作为前沿阵地积极响应，申康医院发展中心推动市级医院医学AI部署应用。病理AI发展有着重要意义，期待此次论坛为医疗AI发展注入动力，助力公立医院高质量发展。同时，也希望通过此次论坛能够进一步加强产学研用的深度融合，促进人工智能技术在医疗领域的转化与落地。 胡建平 国家卫生健康委统计信息中心原副主任 中国卫生信息与健康医疗大数据学会副会长 当前健康中国与数字中国战略深度融合，我们正推动经验医学向精准医学的历史性跨越。在此进程中，病理诊断作为临床金标准，其革新意义尤为重大。AI不仅提升病理诊断效率和准确性，更能将专家经验转化为普惠资源。瑞金医院与华为的合作具有示范价值——通过百万级病理数据与先进数据存力的融合，实现了从数字化病理到智能化诊疗的突破。 瑞智病理大模型RuiPath发布 王朝夫 上海交通大学医学院病理学系主任 瑞金医院病理科主任 自2021年底启动以来，瑞金医院病理科在院领导支持下，与合作伙伴紧密协作，实现了从信息化到数字化再到智能化的跨越。2023年3月，端到端数字化智慧病理系统上线，标志着我们迈入新时代。我们坚持“以场景驱动技术，以技术赋能场景”的理念，汇聚多方力量，攻克难题。今天，瑞智病理大模型RuiPath的发布，标志着瑞金病理科在智能化领域迈出了更加坚实的一步，也为我国病理诊断的均质化、高效化发展注入了新的潜能。 笪倩 瑞金医院病理科主任助理 当前，病理面临数字化程度低、数据质量参差不齐等挑战。瑞金医院病理科依托医院大模型布局，基于百万级数字切片库，打造了瑞智病理大模型RuiPath。RuiPath实现4大创新，包括场景与应用创新、模型与算法创新、存算协同创新和AI工具链创新。RuiPath覆盖了中国每年90%癌症发病人群罹患的癌种，并且亚专科知识问答深度达到专家级知识水平，改变传统病理医生的工作模式，提升了诊断效率与质量。未来，我们将继续技术创新，推动标准建立，打造“无人病理科”，复制瑞金模式，服务更多患者。 周跃峰 华为公司副总裁、数据存储产品线总裁 AI正在重构千行万业，造就数据的黄金时代，然而AI进入各行业仍面临着三大挑战。首先，从通用大模型到行业场景大模型，需要进行针对性训练；其次，行业场景模型训练和应用落地难，项目开发难度大，人员技术要求高，开发周期不可控；最后，AI集群可用度往往不足50%，需要不断提升全系统调度效率。基于以上挑战，华为提供DCS AI解决方案，构筑行业大模型根基。 （信息来源：华夏病理网）
2 个月前
德国心血管研究中心（DZHK）的跨学科团队在一项长期人口研究中发现，人工智能（AI）能够根据心电图数据确定心脏的生物年龄。与此同时，人工智能可以对心血管风险的增加提供早期预警。 利用大量长期数据进行人工智能分析 研究人员使用了德国一项长达 20 多年的人口研究的长期数据。该 AI 模型首先使用来自巴西的心电图数据进行训练，然后应用于欧洲队列。 结果显示，预测的心脏生物年龄与受试者的实际健康状况高度一致。尤其令人兴奋的是，这种方法是非侵入性的，仅通过分析心电图数据即可进行。 心电图年龄与疾病风险的关系 研究发现，心电图年龄超过实际年龄8岁以上的人，发生心律失常、心力衰竭和死亡率的风险显著增加。此外，通过考虑几次连续的心电图测量，可以做出更精确的风险评估。 死亡风险的增加尤为显著：当不仅使用单次心电图测量值而是使用一系列测量值进行分析时，死亡风险从 1.43 上升到 1.65。这强调了长期持续监测心脏健康的重要性。 通过人工智能诊断实现个性化预防 研究结果表明，人工智能支持的诊断系统可以帮助在早期识别心血管风险增加的人。早期发现可以在严重疾病发生之前采取有针对性的预防措施。从长远来看，这项技术可以融入常规健康检查中，帮助医疗专业人员识别有风险的患者。 “我们的研究表明，人工智能能够检测到心电图上表明心脏老化加速的细微变化。这可能为个性化医疗开辟新的可能性，并有助于在早期预防心血管疾病，”这项研究的主要作者、哥廷根大学医学中心医学信息学研究所的 Philip Hempel 先生解释道。 人工智能模型的透明度和可解释性 这项研究的一个重要方面是人工智能系统的透明度。 “通过将经典的心电图参数整合到我们的分析中，我们将人工智能技术与经过验证的循证医学结合起来。这不仅为医生提供了宝贵的附加信息，也为他们的诊断提供了透明的基础，”Hempel先生 解释道。这种方法增加了对人工智能技术的信任，并使患者护理变得更加明智和易于理解。 该研究由哥廷根大学医学中心指导并与 DZHK 合作进行。来自德国、瑞典和巴西的研究人员共同进行了此项分析。基础数据来自 SHIP （波美拉尼亚健康研究）所，这是一项针对德国北部人口的全面长期研究活动。 （文章来源：德国工程师网站）
4 个月前
DrAid™ 专门支持诊断放射学，有效地充当医生的助手。
4 个月前
以下是一些医疗健康方面的 AI 工具： 讯飞晓医-AI 健康助手：基于讯飞星火医疗大模型技术和讯飞医疗多年行业知识积累，可提供医学健康知识查询与问答、症状自查、检查检验单解读、中医辨证、健康档案管理、医疗信息快速查询等辅助建议功能。包括“看病前问晓医，了解就医攻略；用药时问晓医，了解药物禁忌；检查后问晓医，了解健康状况”等全新就医体验，还有“症状自查”“药物查询”“中医辨证”“检查检验单解读”“找医院”“找科室”“饮食建议”七大功能。可在豌豆荚下载安卓最新版，版本为 1.9.0，大小 90.67MB，开发商是讯飞医疗科技股份有限公司。需注意它不能替代医疗专业人士的诊断和治疗。 智览医疗大模型微调平台的健康助手：以小程序形式推出，未来可能会有 App 应用。可帮助患者进行健康咨询，通过智能自诊、用药查询、报告解读等服务满足个人健康咨询及管理的需求。由北京智览医疗科技有限公司研发，其医疗大模型微调平台具有自主知识产权，可覆盖智慧医疗全生态，利用特定领域数据训练提高在医疗领域的处理能力，构建医生深度参与的微调生态，协力打造适应多科室、多病种需求的专病大模型。已与多家知名三甲医院专家团队深入合作构建智慧医疗数据集。 AI 看诊助手：是一款小程序，可在应用宝官网下载应用宝电脑版，在电脑上运行 Android13 系统来全面体验其丰富功能。具有人工智能舌诊功能，可管理身体健康变化过程。开发商为中山市中希信息科技有限公司。 onconaut：由马克斯·德尔布吕克分子医学中心(mdc)开发的基于 AI 的在线工具，输入简单关键词，如“kras 与肺癌”，几秒钟内可获得临床研究清单，包括最新临床指南、针对特定突变癌症的可用药物列表、相关风险及治疗结果统计数据等。 人民日报健康客户端的“AI 健康管家”：联合百度健康上线，基于百度文心、灵医两大模型，融合数字人创新模式，提供常见疾病问答服务、AI 用药说明书、AI 睡眠助手三大健康服务。 美年健康的多种 AI 诊断工具：嵌入胸部 CT、眼底相机、胶囊胃镜等多个环节，通过现代科技赋能医生，提高阅片准确率，降低阳性漏诊率，更早期、更高效地达到疾病筛查的目的。如动态血糖仪一次植入可实时监控 14 天，打开手机就能看到血糖高低，还可数据共享。 Azure AI Health Bot：微软推出的新型生成式 AI 聊天机器人，可从医疗保健机构之外的外部来源中提取信息，回答医生提出的问题，例如特定疾病的治疗指南和流程等；患者也能通过它询问有关疾病的症状和对医学术语的解释。 谷歌的 Vertex AI：允许医生从临床记录、扫描文档和电子健康记录中提取信息，以便在同一个地方访问这些信息。 夸克 APP 的健康助手：融合医学知识图谱和生成式对话能力，搜索健康信息的正确率较高。提供病症原因、用药建议、就医指南等实用易懂的健康内容，以多样化的信息呈现方式满足用户个性化需求。经过精调和知识增强，以高分通过临床执业医师资格考试，幻觉率低。与全国顶级公立三甲医院的专家共建大模型内容生态，确保内容的专业性、正确性和科学性。可实现线上线下全流程的服务推荐，如找附近医院、找优质医院、去预约挂号等。但回答速度较慢，服务功能类别相对较少，操作方式也较少。 evozyne 使用的预训练 AI 模型：由 NVIDIA 提供，用于创造在医疗和清洁能源领域具有重大潜力的蛋白质，能理解文本技术并预测如何组装出满足需求的新蛋白质，通过扩展到多个 GPU 加快训练速度，将训练时间从几个月缩短到一个星期。 invenioimaging 开发的技术：能够助力外科医生在手术室采集样本后，立即对组织活检进行评估，以往需数周的分析结果，在 AI 加速下只需短短三分钟。 鹰瞳 airdoc 眼科 AI 大模型：采用 monailabel 实现快速标注大量医疗影像数据，加速眼底影像处理和报告生成，提高复杂三维眼科 OCT 影像的疾病分析与识别速度；采用云上 NVIDIA T4 GPU 作为推理平台，相比应用 CPU 推理速度提升 40 倍；采用 NVIDIA TensorRT 推理框架做推理计算，通过简单网络模式转换进一步翻倍推理速度。 NYU Langone Health 的 NYUtron：可预测病人 30 天内再入院风险，使用纽约大学朗格尼健康中心的 10 年健康记录进行预训练，由近 40 万名病人超过 40 亿字的临床笔记组成，相比最先进机器学习模型，预测再入院准确率提高 10%以上。 vinbrain 的 draid 软件：用于自动 X 光诊断，可从 X 光胸片中检测出肺部塌陷特征，在包含 250 多万张影像的数据集上训练，已被部署在多个国家的 100 多家医院；使用 NVIDIA DGX SuperPOD 后模型训练速度大幅提高，从 CPU 转向 NVIDIA Tensor Core GPU 后，医疗影像 AI 的推理速度提高 3 倍以上，视频传输速度提高 30 倍以上。
9 个月前
2024 年《人工智能指数报告》是我们迄今为止最全面的一份，并且是在人工智能对社会的影响空前显著的重要时刻发布。
