Google samarbetar med Bayer om en AI-produkt som kan flagga avvikelser i bilder för radiologer

Google Gemini

Google och Bayer har samarbetat för att utveckla AI-drivna vårdapplikationer som syftar till att stödja radiologer. Detta samarbete utnyttjar Google Clouds generativa AI-verktyg (gen AI) för att förbättra effektiviteten och noggrannheten i medicinsk bildanalys. Plattformen är designad för att flagga anomalier i bilder, vilket är avgörande för att radiologer ska kunna identifiera potentiella problem snabbare. Dessutom kan den sammanfatta en patients sjukdomshistoria och ge radiologer nödvändig kontext och information, vilket sparar tid som annars skulle gå åt till att söka igenom patientjournaler.

Bayer är ett globalt företag med kärnkompetenser inom livsvetenskapliga områden som hälsovård och jordbruk. Företaget är engagerat i att möta behoven av hälsa och näring för alla, och det arbetar för att framhäva hälsa för alla och hunger för ingen. Bayer är baserat i Leverkusen, Tyskland, och har en lång historia av innovation och tillväxt inom sina områden. Företaget är känt för att utveckla och tillverka en rad produkter och lösningar inom jordbruk, hälsovård och konsumenthälsovård, vilket gör det till en viktig aktör i dessa sektorer

Samarbetet syftar till att möta utmaningarna med att bygga skalbara och kompatibla AI-drivna mjukvaruprodukter för medicinsk bildbehandling. Den använder ledande datasäkerhetsfunktioner för att säkerställa datakvalitet, precision och konsistens, med Google Clouds infrastruktur och datalagring som stöder HIPAA och GDPR-efterlevnad. Detta partnerskap förväntas avsevärt påverka hälso- och sjukvårdens ekosystem genom att förbättra patientresultaten, minska kostnaderna och påskynda innovation inom området medicinsk bildbehandling.

Plattformen, byggd på Google Cloud, innehåller verktyg som Vertex AI, BigQuery, Healthcare API och Chronicle. Den är utformad för att underlätta utveckling, driftsättning och kontinuerlig förbättring av AI-medicinska lösningar. Bayers djupa expertis inom radiologi, vårdreglerande och klinisk datahantering är ihopkopplad med Googles tekniska ledarskap inom gen AI och andra områden för att lansera innovativa medicinska bildbehandlingsverktyg snabbare och mer kostnadseffektivt.

Den första versionen av plattformen för utökad testning är planerad att göras tillgänglig senare i år i EU och USA, vilket markerar ett betydande steg framåt i att utnyttja AI för att stödja vårdpersonal och i slutändan gynna patienter

AI-driven vårdapplikation flagga avvikelser i bilder

Hur flaggar den AI-drivna sjukvårdsapplikationen avvikelser i bilder?

AI-drivna sjukvårdsapplikationer flaggar anomalier i bilder genom att utnyttja avancerade djupinlärningsalgoritmer och tekniker såsom konvolutionella neurala nätverk (CNN), generativa motstridiga nätverk (GAN) och bildsegmentering och detekteringsmetoder. Dessa teknologier är tränade på stora datamängder av medicinska bilder, vilket gör det möjligt för dem att känna igen komplexa mönster, egenskaper och anomalier som kanske inte är lätt att urskilja för det mänskliga ögat.

Processen innefattar flera viktiga steg:

  • Bildsegmentering och detektion: AI-system kan separera eller isolera olika regioner eller objekt i bilder, upptäcka anomalier genom formigenkänning eller genom att tilldela etiketter eller masker till pixlar eller voxlar. Detta hjälper till att förbättra diagnostisk noggrannhet och möjliggör snabb upptäckt av sjukdomsenheter som tumörer, knölar eller missfärgningar.
  • Bildklassificering och igenkänning: Efter segmentering och upptäckt kan AI tilldela etiketter, kategorier och klassificeringar till bilder och objekten som finns i dem. Dessa data kan extrapoleras från större databaser, vilket gör att systemet kan nå snabba diagnoser och bidra till databaser för framtida diagnostik. Exempel inkluderar system som kan klassificera lungröntgen till vanliga fynd eller känna igen diabetisk retinopati från ögonbottenbilder.
  • Bildförbättring och återuppbyggnad: AI-stödd bildbehandlingsprogramvara kan automatiskt korrigera bilder, förbättra deras kvalitet och minska effekterna av patientrörelser. Vissa AI-program kan konstruera kompletta bilder från ofullständiga data, vilket förbättrar bildkvaliteten och kvantifieringen. Detta är särskilt användbart för att förbättra kvaliteten på bilder från grundläggande CT-skanningar eller lågdos-PET-skanningar.
  • Algoritmer för djupinlärning: Modeller för djupinlärning, tränade på stora mängder data, kan känna igen komplexa mönster och funktioner i medicinska bilder. Dessa algoritmer kan ge ett nytt perspektiv på vilka bildegenskaper som bör värderas för att stödja beslut, vilket förbättrar noggrannheten och effektiviteten i sjukdomsdiagnostik.

Källor:

Leave a Reply

Din e-postadress kommer inte publiceras. Obligatoriska fält är märkta *