《2019年影像域CDR的进展分享.pdf》由会员分享,可在线阅读,更多相关《2019年影像域CDR的进展分享.pdf(17页珍藏版)》请在三个皮匠报告上搜索。
1、#1推想科技影像域CDR进展分享Ver 0.16CHIMA 2019#2影像域CDR补充和完善大数据平台AI如何赋能影像域CDR(技术原理)推想影像大数据分析平台的亮点影像大数据分析平台的收益议程CHIMA 2019#3医疗大数据平台本质上是基于大数据技术构建,完成数采集、清洗、建模、归一、标准化等数据处理,形成可为医教研管业务提供支撑的应用和分析平台(1)数据来源:医疗机构大数据平台建设指南(征求意见稿)CHIMA 2019#4以Spark和Hadoop为代表的技术堆栈,非常适合处理和加工文本数据,但是对非结构化的影像数据无能为力医疗大数据平台本质上是基于大数据技术构建,完成数采集、清洗、建
2、模、归一、标准化等数据处理,形成可为医教研管业务提供支撑的应用和分析平台(2)CHIMA 2019#5影像域CDR建设上的挑战医院临床大数据中心(CDR)的建设实践中,已经出现非影像域、影像域等两个分支;前者进展迅速,后者面临一些挑战海量数据存储成本影像数据30-40%年增长率缺乏分析工具如何挖掘科研价值CHIMA 2019#6深度神经网络(DNN)提供了有效的医学影像分析工具:基于DNN的机器学习作为新一代人工智能的代表,可以处理所有类型的医学影像数据深度神经网络:模仿人类大脑构造设计的数学模型 多个层级构成,每一层都是对原始信息的不同知识表达 通过层与层之间的信息交互,通过感知系统解释输入
3、数据 层层抽象,最终实现对不同模态数据:图像、声音、文本等的聚类与分类正是深度神经网络将机器认知推向历史巅峰!李飞飞教授发起ImageNet大赛开启计算机在视觉知觉领域向人类的挑战2012年基于深度卷积神经网络(CNN)的计算机视觉系统就在ImageNet 1000挑战中首次超越人类的图像识别分类能力2015年AlphaGo基于深度神经网络首次在围棋领域战胜人类世界冠军2016年谷歌发布基于深度神经网络的自然语言处理技术Duplex,完成与人类自然对话2018年CHIMA 2019#7深度神经网络(DNN)的主要应用场景Classification分类问题Detection检出问题Segmen
4、tation分割问题鉴别诊断:占位是恶性or良性?发现病灶:图像上哪里显示有问题?量化测量:病灶体积?平均密度?成分分析CHIMA 2019#8AI医学影像领域的巨大科研机遇(1)高分SCI论文的一大特点是巨大的数据集检测颅内出血、颅骨骨折、中线移位、块状效应检测颅内出血、颅骨骨折、中线移位、块状效应2018,Lancet(SCI factor 53)31万例头部CT扫描313,318皮肤癌二分法分类皮肤癌二分法分类2017,Nature(SCI factor 41.5)13万例各类影像129,450卷积神经网络(卷积神经网络(CNN)用于乳腺肿块良恶性鉴别)用于乳腺肿块良恶性鉴别2017,M
5、edical Image Analysis(SCI factor 5.35)850儿童手部图像测骨龄儿童手部图像测骨龄2017,Radiology(SCI factor 7.29)1.4万14,036CHIMA 2019#9AI医学影像领域的巨大科研机遇(2)医学影像深度神经网络研究文献覆盖范围广而且全近几年来深度神经网络在不同影像设备和不同器官/系统内的研究文献数量1.Litjens,G.,Kooi,T.,Bejnordi,B.E.,Setio,A.A.A.,Ciompi,F.,Ghafoorian,M.,.&Snchez,C.I.(2017).A survey on deep learni
6、ng in medical image analysis.Medical image analysis,42,60-88.覆盖各种影像设备Modality覆盖不同器官和系统CHIMA 2019#10AI医学影像领域的巨大科研机遇(3)论文数量多,而且CNN是主要的研究方法Ravi et al.(左)与 Litjens et al.(右)整理的几年来有关应用深度神经网络的医学研究基于深度神经网络的医学(影像)研究数量在过去几年中呈指数增长1.Rav,D.,Wong,C.,Deligianni,F.,Berthelot,M.,Andreu-Perez,J.,Lo,B.,&Yang,G.Z.(201
7、7).Deep learning for health informatics.IEEE journal of biomedical and health informatics,21(1),4-21.2.Litjens,G.,Kooi,T.,Bejnordi,B.E.,Setio,A.A.A.,Ciompi,F.,Ghafoorian,M.,.&Snchez,C.I.(2017).A survey on deep learning in medical image analysis.Medical image analysis,42,60-88.影像研究的数量指数级增长卷积神经网络(CNN)
8、占研究方法的主体CHIMA 2019#11数据源层,分开处理LIS/PACS等影像数据,交由影像域CDR来处理文本数据、数据库数据交由非影像域CDR来处理数据采集通过API,按需从影像域CDR获取数据大数据中心层面通过API,获取影像域CDR提供的数据服务应用集市层面通过微服务集成(SOA),集成影像域CDR提供的应用服务针对占比80%的医学影像数据,建议利用DNN技术,通过影像域CDR的建设,让医疗大数据平台可以对所有的数据类型进行处理和价值挖掘数据来源:医疗机构大数据平台建设指南(征求意见稿)影像域CDR影像域CDR影像域CDRCHIMA 2019#12目前平台支持的常见(影像)数据分析工
9、作推想公司的影像大数据分析平台(InferSightTM),完全解决了AI科研中的各类数据需求,同时还提供了和AI科研平台的各类接口,确保未来兼容原始数据获取数据存储影像数据初分析文本数据初分析影像组学脱敏导出支持格式:DICOMJPEG/PNGHL7 CDA数据来源:PACSRISLIS结构化报告API接口非影像CDR海量存储:1PB全FLASH或混合介质特点:NAS支持海量小文件分布式存储容量水平扩容影像数据:MODALITY地区、年龄、男女扫描协议、放射计量层厚部位重建算法影像质量文本数据:分词分句关键词提取语义分析文本生成信息检索影像脱敏:脱敏字段脱敏规则脱敏后数据数据导出格式:DIC
10、OMJPEG/PNGHL7 CDA影像组学分析:最高提取约4000种特征,如o一阶特征o形状特征o灰阶共生矩阵特征o灰度区域大小矩阵特征o灰度游程长度矩阵特征o相邻灰度差矩阵特征o灰度依赖矩阵特征等o适用于2D和3D影像CHIMA 2019#13InferSightTM平台提供基于影像CDR的应用,如专科视图、AI科研数据提取、影像数据的关联分析联合非影像CDR一起,可以完整提供“临床统一视图”和“全息诊疗信息”推想影像大数据分析平台(InferSightTM)-业务应用影像域CDR非影像域CDR患者基本信息检查报告医嘱诊断病历文书检验报告手麻信息医疗机构信息患者基本信息RIS放射数据医嘱脱敏
11、影像初分析LIS病理数据文本初分析影像组学平台服务EMPI主数据管理基于影像域CDR的应用专科视图基于非影像域CDR的应用临床统一视图全息诊疗信息专科视图科研数据分析和应用AI科研数据提取服务影像数据的关联分析服务CHIMA 2019#14推想影像大数据分析平台(InferSightTM)-收益大幅提升科研效率,助力数据驱动的科研和学科建设积累高质量、科研级的数据资产提高科研效率,缩短科研产出周期助力大数据驱动的科研和学科建设数据入组时间从数据入组时间从3-4个月,减少为个月,减少为1天天从发现临床问题,到科研成果转化为大数据应用,耗时缩短到半年从发现临床问题,到科研成果转化为大数据应用,耗时
12、缩短到半年CHIMA 2019#15AI时代,医院信息化部门的工作重点之一将是“数据运营”数据服务商和数据保管者在工作职责上的区别推想影像大数据分析平台(InferSightTM)-助力组织升级帮助医院信息化部门提供AI时代的数据动力数据服务商(未来)数据保管者(现在)部门定位面向全院的现代数据服务提供者技术保障部门,传统的服务部门核心职责向全院提供各种临床、教学、科研可用的数据集,以服务形式提供向全院提供在临床、教育和科研中产生的数据进行统一存储的能力还负责数据的提取、共享和挖掘负责数据的采集、传输、存储、销毁还负责数据整合后的结果以服务形式来提供整合各种系统、各个形式的临床和运营数据,轻松
13、访问保证数据服务的一致性、可靠性、时效性保证数据的一致性、可靠性、完整性和时效性还负责数据可视化的结果以服务形式提供建设数据可视化的处理能力考核指标数据服务的访问量、访问速度数据存储的安全性数据服务的年新增数量数据存储的容量、成本数据服务的稳定性数据访问的稳定性、时效性CHIMA 2019#16Infer影像大数据分析平台,弥补了影像领域CDR的不足InferScholar科研平台,满足了AI+医学影像上的工具需求推想临床研究院,提供了熟悉AI和科研的科学家,推想科技针对AI医学影像的科研需求,推出了数据分析平台、AI科研平台和科学家支持服务等,一揽子解决了数据、算法和科研场景的AI难题算法场景数据推想临床研究院熟悉AI和科研的科学家InferSight影像大数据分析平台InferScholar面向AI影像的科研平台CHIMA 2019#17Thank You!一楼BT31CHIMA 2019