在任何行业中，扩展人工智能 （AI） 都很难。由于高度复杂的应用程序、分散的利益相关者网络、严格的许可和法规、数据隐私和安全以及该行业的生死攸关的性质，医疗保健是最艰难的。
“如果你因为人工智能不起作用而错误地预测了库存水平，那不是很好，但你会恢复的，”Nuance Communications的执行副总裁兼首席战略官Peter Durlach说，Nuance Communications是一家专门从事医疗保健的对话式人工智能公司。“如果你的临床人工智能犯了一个错误，比如在X射线上错过了一个癌性结节，这可能会产生更严重的后果。
即使目前许多组织愿意资助人工智能计划，但许多医疗保健组织缺乏熟练的员工、技术知识和带宽来部署和扩展人工智能到临床工作流程中。事实上，它远低于所有行业约54%的平均水平。
尽管困难重重，但机器学习（ML）和其他形式的人工智能已经影响了医院、研发中心、实验室和诊断中心的广泛临床领域和用例。特别是，深度学习和计算机视觉有助于提高准确性，加速解释并减少放射科医生进行X射线，CT，MR，3D超声和其他成像的重复。随着全球放射科医生和医生的短缺迫在眉睫，人工智能援助可能会成为“游戏规则改变者”。
在几乎落后于每个行业的缓慢增长之后，许多分析师预测医疗保健人工智能将在 2023 年及以后蓬勃发展。预计到187年，全球市场将超过2030亿美元，反映了快速增长的需求。
为了利用投资，企业和行业供应商必须克服采用临床人工智能的几个技术障碍。其中最主要的是：缺乏标准化的、特定于医疗保健的平台以及集成的开发和运行时环境（IDE 和 RTE）。
此外，当前的基础架构通常缺乏轻松创建、验证、部署、监控和扩展（向上、向下和向外）的功能、工作流和治理。例如，这使得在早上的诊所扩大规模，然后在需求较低的晚上缩小规模变得困难。或者轻松扩展跨组织的 AI 系统和模型的部署。
然而，尽管（也许是因为）这些挑战，当今将人工智能投入生产的一些最具创新性和最有效的方法来自医疗保健。
以下是VB分别与两位全球领导者就领先的基于云的方法进行的对话，这些方法可能会为其他努力扩展自动化的行业提供蓝图。
1. 细微差别：“从长凳到床边”，为影响力而部署
通过安全的云网络服务加速大规模创建和部署经过训练的模型 — 与 Nuance 执行副总裁兼首席战略官 Peter Durlach 的对话。
好消息：基础和大型语言方法的日益普及使得创建AI模型变得更加容易，Durlach说。但是，将AI模型和应用程序部署和扩展到医疗保健工作流程模型的难度仍然是一个巨大的挑战。
“大约95%的内部或商业供应商构建的所有模型从未被部署，因为将它们纳入临床工作流程是不可能的，”Durlach说。“如果我是一个客户，只为自己构建一个模型，那么在我自己的公司中部署它是一组挑战。但是，如果我是一家试图跨多个设置进行部署的商业供应商，那么从外部集成将是一场噩梦。
让医院、人工智能开发人员和其他人更容易克服这些障碍是Nuance、英伟达和微软之间新合作伙伴关系的目标。其目的是通过结合全国范围内的 Nuance Precision Imaging Network（AI 驱动的 Azure 云平台）和 MONAI（由 Nvidia 共同创立和加速的开源和领域专用医学成像 AI 框架），简化并加速将训练有素的 AI 成像模型大规模转换为可部署的临床应用程序。
最新的解决方案建立在总部位于马萨诸塞州伯灵顿的Nuance二十年来大规模部署AI应用程序的工作之上。“我们是一家商业人工智能公司，”Durlach解释说。“如果它不扩展，它就没有价值。在这些采访亮点中，他解释了人工智能开发和部署服务的价值，并建议在人工智能交付网络和云基础设施提供商中寻找什么。
低估复杂性
“人们低估了缩小从开发到部署到人们实际使用人工智能应用程序的差距的复杂性。他们认为，我建立了一个网站，我有我的模型，我有一个移动应用程序。 没那么多。实施人工智能所涉及的活动从研发到部署再到售后监控和维护。在生命科学领域，他们谈论将临床发明从工作台带到床边。这是一个类似的问题。
开发和使用 AI 进行医学成像的关键步骤
基于云的专业交付和开发的价值
“如果我是一家医疗保健组织，我想使用人工智能来推动非常具体的结果。我不想建造任何东西。我只想部署一个解决特定业务问题的应用程序。Nuance 带来了端到端开发，从低级基础设施和 AI 工具一直到特定的可部署应用程序，因此您不必将组件拼接在一起或在上面构建任何东西。
“Nuance Precision Imaging Network 在 Azure 上运行，可在全国 12，000 多个连接设施中访问。医疗系统或商业供应商只需单击一下即可从开发到运行时进行部署，并且已经与美国医院系统中 80% 的基础设施集成。
与 Nvidia 的新合作伙伴关系首次将用于医学成像的专用 ML 开发框架引入临床翻译工作流程，从而真正加速创新和临床影响。Mass General Brigham是首批使用新产品的主要医疗中心之一。他们正在定义一个独特的工作流程，将医学成像模型开发、应用程序打包、部署和临床反馈联系起来，以实现模型改进。
选择云基础架构供应商
“当 Nuance 在医疗保健领域寻找云和人工智能时，我们问的第一件事是公司在数据安全和隐私方面的立场是什么？ 他们将如何处理数据？大型云公司都很棒。但是，如果您仔细观察，就会发现关于数据会发生什么有很多问题。一个人的核心业务是以各种方式将数据货币化。另一个经常使用数据来提升堆栈并与他们的合作伙伴和客户竞争。
“在技术方面，每个云公司都有自己的优势和劣势。如果你看一下基础设施的广度，微软基本上是一家开发人员平台公司，它向第三方提供工具和资源，以在其上构建解决方案。他们不是一家搜索公司。他们不是一家纯粹的基础设施公司或零售公司。对我们来说，他们有一整套工具——Azure、Azure ML、一堆治理模型——以及围绕 .NET、Visual Studio 的所有开发环境，以及所有这些使构建和部署 AI 产品变得更容易而不是微不足道的东西。运行后，您需要仔细查看可扩展性、可靠性和全球足迹。
“在数据安全、隐私和商业模式的舒适度方面，微软为我们脱颖而出。这些是主要区别。
“Nuance大约在10个月前被微软收购。但由于所有这些原因，我们很久以前就是客户。我们继续在本地和Azure中在Microsoft之上运行和构建，并使用各种Nvidia GPU基础架构进行优化训练和模型构建。
专注于价值，而不是技术
“人工智能技术的好坏取决于它创造的价值。它创造的价值只与它带来的影响有关。仅当它被用户部署和采用时，才会产生影响。优秀的技术人员会关注端到端的工作流程和指标。
“不要迷失在技术杂草中。不要只纠结于查看一个工具集或一个注释工具或一个推理事物。相反，问 W帽子是用例吗？用例试图绕过成本、收入的指标是什么？实际部署模型需要什么？对此变得非常严格，不要低估并爱上构建模型。如果它最终没有出现在工作流程中并产生影响，它几乎没有任何价值。
底线：利用已建立的商业交付网络和云生态系统，您可以专注于开发和优化 AI 模型和应用程序，以提供明确的价值并帮助推动关键组织目标。在选择网络和云提供商时，请仔细查看三个关键领域：他们的业务模型如何影响数据隐私、人工智能开发和交付环境的完整性，以及他们根据需要轻松扩展的能力。
2. 医科达：合作“梦想更大”，加速产品和人工智能创新
在云中扩展全球研发基础设施有助于使下一代人工智能驱动的放射治疗更易于访问和个性化 - 与Elekta新技术评估总监Rui Lopes的对话。
2017年，Rui Lopes参观了一个重要的放射学会议，并注意到了一个很大的变化。与通常占据大部分建筑空间的“大铁和大软件”不同，现在几乎一半的贸易展都致力于人工智能。对洛佩斯来说，人工智能在癌症诊断和癌症治疗方面的潜在价值无疑是显而易见的。
“对于临床医生来说，人工智能提供了一个机会，可以花更多的时间与患者在一起，更加以护理为中心，而不仅仅是在暗室里看着X光片并试图弄清楚是否存在疾病，”Elekta新技术评估总监Lopes说，Elekta是精密放射治疗设备的全球创新者。“但是当你认识到计算机最终可以在像素尺度上做得更好时，医生开始质疑，我在这次手术中的真正价值是什么？”
今天，全球医疗保健专业人员越来越开放地提出这个问题，并拥抱人工智能驱动的癌症治疗机会，这在很大程度上要归功于医科达。该公司由瑞典神经外科医生于1972年创立，因其革命性的伽玛刀用于脑部疾病和癌症的非侵入性放射外科手术以及最近其开创性的Unity集成MR和直线加速器（直线加速器）设备而享誉国际。
在过去十年的大部分时间里，医科达一直在开发和商业化用于放射学和放射治疗的ML动力系统。最近，这家总部位于斯德哥尔摩的公司甚至在阿姆斯特丹创建了一个专门的放射治疗人工智能中心，称为POP-AART实验室。该公司专注于利用人工智能的力量提供更先进和个性化的放射治疗，可以快速适应癌症治疗期间患者的任何变化。
与此同时，医科达最近启动了“Access 2025”计划，旨在将全球放射治疗的可及性提高20%，包括在服务不足的地区。医科达希望通过将更多智能集成到他们的系统中，他们可以帮助克服常见的治疗瓶颈，例如临床医生时间、设备和训练有素的操作员短缺，从而减轻患者和医疗保健提供者的压力。
Lopes说，在此过程中，Elekta学到了有关AI和扩展的宝贵经验，即使公司的专业知识和实践不断发展。在这些访谈亮点中，Lopes分享了他关于迁移到按需云基础设施和服务的经验和关键学习。
需求：更智能的协作和数据共享
“我们是一家全球性组织，在4多个国家拥有700，120名员工，研发中心分布在十几个区域中心。每个中心在改进特定产品或业务线方面可能有不同的优先级。这些不同的群体都做得很好，但传统上他们每个人都在有点孤立的情况下完成。
“当我们考虑如何加快人工智能创新的速度时，我们认识到，通用的可扩展数据基础设施是加强团队之间协作的关键。这意味着要了解数据管道以及如何以安全和分布式的方式管理数据。我们还必须了解机器学习和人工智能活动的开发和运营环境，以及如何扩展它。
昂贵的本地服务器，“小数据水坑”
“作为一家公司，我们在放射治疗研究中传统上非常基于物理学。我们的数据和研究科学家都非常以本地为中心进行数据管理和计算。我们通过大量资本购买投资了大型服务器，并在这些本地机器上进行数据准备、按摩和其他工作。
“人工智能对数据有着巨大的胃口，但由于隐私问题，访问推动人工智能发展所需的大量医疗数据和医疗设备数据是一项挑战。幸运的是，我们在世界各地拥有非常好、非常珍贵的合作伙伴研究关系，我们采用不同的技术来尊重和维护严格的隐私要求。但通常情况下，这些是用来试图推动人工智能计划的小水坑数据，这不是理想的公式。
“我们早期做的一件事是建立一个更大规模的匿名医疗数据管道，我们可以用来推动其中一些活动。我们不希望在所有分布的全球研究中心复制此数据湖。这意味着人们将拥有不同的副本和不同的方法来管理、访问甚至保护这些数据，我们希望在整个组织中保持一致。更不用说我们会无缘无故地为重复的基础设施付费。因此，对我们来说，人工智能基础设施难题的很大一部分是数据的仓储和管理。
预算思维转变：关注云的新功能
“随着我们对 ML 和 AI 的研究越来越多，我们评估了从本地计算到云计算的转变。您首先进行一些粗略的计算：您在区域上处于什么位置？你现在付什么钱？您使用的是什么类型的 GPU？当你开始这段旅程时，你不太确定你要做什么。您是根据当前的内部容量以及在云中复制该容量的成本来做出决定的。几乎总是，你最终会认为云更昂贵。
“你需要退后一步，改变你对问题的看法，意识到如果我像今天使用本地容量一样使用[云]，只会更昂贵。相反，如果您考虑在云中可以执行的在现场无法执行的操作（例如同时运行并行实验和多个场景或扩展 GPU 容量），则微积分是不同的。这确实是你必须做出的思维转变。
“当你想到增长时，很明显，迁移到云基础设施是非常有利的。与任何迁移一样，您有一个学习曲线来提高效率并正确管理该基础结构。我们可能已经忘记了几次“关灯”。但你也学会了自动化大部分管理。
啊哈时刻：利用智能合作伙伴
“我提到了访问医疗数据的挑战。但挑战的另一部分是，您需要访问的数据通常是类型和标准的混合，或者由可能随时间变化的专有格式组成。您希望您构建的任何基础架构都具有灵活性和增长能力来适应这种情况。
“当我们环顾四周时，没有现成的产品，这对我们来说是令人惊讶的，也是一个重要的'啊哈时刻'。我们很快意识到这不是我们的核心竞争力 - 您确实需要与值得信赖的合作伙伴合作，构建、设计和扩展到适当的级别。
“我们很幸运能与 Microsoft 建立全球合作伙伴关系，他们确实帮助我们了解如何最好地创建基础架构并设计它以应对未来的扩展。这将使我们能够以正确的方式在内部对数据进行编目，允许我们的研究人员仔细阅读和选择开发基于人工智能的解决方案所需的数据——所有这些都符合我们预期的访问速度和延迟，以及我们全球研究团队和安全策略的分布式性质。
从智能和小型开始
“我们在2018年和2019年左右开始了有限的试点。我们没有把赌注押在一个庞大而雄心勃勃的项目上，而是从小处着手。我们继续使用本地和不可扩展系统进行当前的活动和工作方式，留出一点容量来进行有限的实验和试点。
“设置一个小型 Azure 环境还允许我们创建虚拟计算，并执行一个较小的实验的冗余运行，并询问'那是什么体验？这意味着获得更快、更频繁的小胜利，而不是冒着大项目疲劳的风险，而没有短期的切实利益。反过来，这些又为将越来越多的人工智能活动迁移到云提供了信心。
“由于 COVID 和每个人都躲在家里，分布式虚拟 Azure 环境非常实用，具有我们以前没有的设施和便利性。”
学习新方法和纪律
“我们认识到，在真正进入[基于云的AI]之前，我们需要作为一个组织进行学习。也从中学习，以便团队的某些部分接触到，了解如何在环境中操作，如何使用和正确利用虚拟计算容量。需要克服操作和知识惯性。人们说：'这是我的服务器。这就是我的数据。你必须把他们带到一种新的做事方式上。
“现在，我们处于一个不同的领域，机会要大得多。你可以梦想更大的实验规模，你可能想做的。您可能会尝试在海量数据集或更复杂的模型上运行非常大的学习。但你必须有一点纪律，在你跑之前走路。
需要帮助：开发新产品，而不是模型
“与其出去招募一船又一船的人工智能专家，把他们扔进去，希望得到最好的结果，我们认识到我们需要一群具有物理和放射治疗领域知识的人。
“我们做了一些实验，我们带来了一些真正的铁杆人工智能人员。伟大的人，但他们对开发下一个伟大的模型架构感兴趣，而我们更感兴趣的是应用可靠的架构来创建治疗患者的产品。对我们来说，应用比技术的新颖性更重要。至少就目前而言，我们认为必须有有机增长，而不是试图将一个全新的组织或一个新的研究小组投入到这个问题上。但这是一个挑战;我们仍在进行中。
IT 作为值得信赖的合作伙伴和指导
“我在研发部门，但我们与IT部门互动非常密切。我们也与销售和商业方面非常密切地互动。我们的云主管 Adam Moore 和我就分享企业计划（包括数据管理、战略和云）之间的经验教训进行了越来越多的讨论。这些是公司DNA的链条，随着我们前进，它们将交织在一起，保持同步。
“如果你幸运的话，IT是一条红线，可以帮助完成所有这些工作。但对于许多公司或整个 IT 部门来说，情况并非总是如此。组织内部需要进行能力培养，IT 内部需要成熟度。他们是这段旅程中的夏尔巴人，希望能帮助你到达山顶。合作伙伴越好，体验就越好。
走向更普遍的治疗和“适应”
“越来越多的中心和医生正在接受这样的信念，即（人工智能辅助放射学）可以产生积极影响，并使他们能够更接近最重要的事情——为患者提供最好的个性化护理，而不仅仅是千篇一律的护理，因为没有时间做任何事情。
“人工智能不仅有助于解决生产力瓶颈，还有助于我们所说的适应。即使患者在手术台上，即将接受治疗，我们也可以使用非常快速的算法做出临床决策并动态修改事物。它可以使这些长达一小时或一天的过程在几分钟内发生。它超越了个性化，而且非常令人兴奋。
底线： 尽早关注数据管道和基础结构。从小处着手，与聪明的合作伙伴以及 IT 与开发 AI 的团队之间的密切合作。不要被云和本地环境之间的“苹果到橙子”成本比较所转移。相反，扩展您的愿景以包括按需并行处理和 HPC 等新功能。并准备好耐心地克服组织惰性，建立对数据共享的新能力和态度。
椰有料原创，作者：小椰子啊，转载请注明出处：http://www.studioyz.com/2215.html
文章评论