医疗成像领域引进人工智能: AI 帮助医生进行成像分析

简介:
    AIdoc Medical 是一家以色列的初创公司,这家公司刚刚获得了由 VC TLV Partners 领投的 700 万美元的融资。AIdoc Medical 主要通过计算机视觉技术,从医疗成像领域切入,用 AI 辅助医生进行成像分析,从而提高诊疗水平和诊疗效率。
1ee8dab1e8ff6b630aafa92040acb3b0bc35ad07

    用人工智能完全取代医生并不现实,不过这种新技术的应用的确可以来提高医疗行业的效率,36 氪曾经介绍过的 Babylon Health 就已经被英国 NHS 引入,作为非重症急病患者在 111 求助热线之外的医疗咨询工具来弥补公共 医疗系统人手不足的问题。除了咨询服务外,医疗成像也是 AI 能够切入的领域。

    AIdoc 创始人 Elad Walach 透露,之所以将 AI 运用于影像分析主要源于现代医学诊疗中 CT 和 MRI 重要性和需求的不断提升,而老龄人口的增加加速了需求增长,显然,专业医疗影像人才的培养速度也远低于需求的增加。工作量和人员配备不成正比也在无形中降低了诊疗效率。此外,目前对于医疗影像结果的分析是纯人工进行的,专业人士透露,目前国内完成一份影像报告分析的时间为 4~6 小时。

    通过大量的 深度学习,AIdoc 的 AI 系统除了能在短时间内完成分析外,精确度也会得到进一步加强,对于放射科的医师们来说,AIdoc 的 AI 系统也是对放射科医师们工作流程的一次优化,即区别于以往的先有影像结果再分析的工作流程,在 AI 系统的帮助下,在进行 CT 或 MRI 等扫描过程中,系统在第一时间就是发现异常状况,并对出现异常的部位进行再检查。

    在将 AI 运用于医疗影像来帮助医生进行分析方面,Aldoc 并不是第一个吃螃蟹的人。事实上,在今年年初,FDA 已经批准 Arterys 作为 AI 辅助诊断工具投入使用。据了解,Arterys 切入的是心血管疾病的诊断,在结果分析上,用时为 15 秒。

目录
相关文章
|
4天前
|
存储 人工智能 Java
AI 超级智能体全栈项目阶段二:Prompt 优化技巧与学术分析 AI 应用开发实现上下文联系多轮对话
本文讲解 Prompt 基本概念与 10 个优化技巧,结合学术分析 AI 应用的需求分析、设计方案,介绍 Spring AI 中 ChatClient 及 Advisors 的使用。
291 128
AI 超级智能体全栈项目阶段二:Prompt 优化技巧与学术分析 AI 应用开发实现上下文联系多轮对话
|
3月前
|
机器学习/深度学习 人工智能 运维
AI望远镜:人工智能是如何发现“藏在宇宙角落的新星系”的?
AI望远镜:人工智能是如何发现“藏在宇宙角落的新星系”的?
178 64
|
2月前
|
数据采集 人工智能 分布式计算
ODPS在AI时代的发展战略与技术演进分析报告
ODPS(现MaxCompute)历经十五年发展,从分布式计算平台演进为AI时代的数据基础设施,以超大规模处理、多模态融合与Data+AI协同为核心竞争力,支撑大模型训练与实时分析等前沿场景,助力企业实现数据驱动与智能化转型。
259 4
|
3月前
|
人工智能 安全 程序员
AI Gateway 分析:OpenRouter vs Higress
本文对比了两种AI网关——OpenRouter与Higress的定位、功能及演进历程。OpenRouter以简化AI模型调用体验为核心,服务于开发者群体;Higress则基于云原生架构,为企业级AI应用提供全面的流量治理与安全管控能力。两者分别代表了AI网关在不同场景下的发展方向。
|
3月前
|
存储 人工智能 文字识别
医疗病历结构化处理系统技术白皮书——基于多模态AI的医联体数据治理方案
本系统基于双端协同架构,集成移动端OCR识别与云端数据分析,实现医疗文档高效结构化处理。采用PaddleOCR轻量引擎与隐私计算技术,支持离线识别与敏感信息脱敏。后端构建分布式数据仓库与多租户机制,满足PB级存储与数据安全合规要求。实测OCR准确率达96.2%(印刷体)与88.7%(手写体),字段抽取F1值92.4%,显著提升病历处理效率与质量。
334 3
|
23天前
|
人工智能 关系型数据库 数据库
公募REITs专属AI多智能体查询分析项目
公募REITs专属AI多智能体查询分析项目。本项目是基于 OpenAI Agent 框架的多智能体项目,提供二级市场数据查询分析、招募说明书内容检索、公告信息检索、政策检索等多板块查询服务。支持图标绘制、文件生成。
公募REITs专属AI多智能体查询分析项目
|
1月前
|
人工智能
AI推理方法演进:Chain-of-Thought、Tree-of-Thought与Graph-of-Thought技术对比分析
大语言模型推理能力不断提升,从早期的规模扩展转向方法创新。2022年Google提出Chain-of-Thought(CoT),通过展示推理过程显著提升模型表现。随后,Tree-of-Thought(ToT)和Graph-of-Thought(GoT)相继出现,推理结构由线性链条演进为树状分支,最终发展为支持多节点连接的图网络。CoT成本低但易错传,ToT支持多路径探索与回溯,GoT则实现非线性、多维推理,适合复杂任务。三者在计算成本与推理能力上形成递进关系,推动AI推理向更接近人类思维的方向发展。
132 4
|
1月前
|
数据采集 传感器 人工智能
没有大数据,哪来人工智能?——聊聊“大数据喂养下的AI进化史”
没有大数据,哪来人工智能?——聊聊“大数据喂养下的AI进化史”
81 6

热门文章

最新文章