使用智能医院的操作系统大规模部署 AI 模型

有大量市场认可的医疗人工智能软件可用于改善患者护理和医院运营，但我们尚未看到这些技术在医疗保健领域产生预期的大规模变革。

对于医疗机构来说，采用尖端技术并不是一件小事。它需要在法律、临床和技术风险与改善患者预后和运营效率的承诺之间取得平衡。

传统上，采用此类技术的挑战分为三类：人员、平台和政策。鉴于深度学习技术的性质和医疗人工智能生态系统的现状，人工智能采用平台面临的挑战尤其独特。

大多数深度学习应用程序的范围都很窄。如果他们偏离了自己的领域，他们可能会表现出不可预测和非直觉的行为。这意味着要实现医学的大规模变革，我们需要数千个人工智能应用程序。

生产中的每一个人工智能模型都将与实时临床系统进行信息交流，并做出各种必须进行管理的推断。这有可能创造一个“人工智能丛林”，在一个没有大量人力投资来管理此类风险的环境中，有大量的技术债务。

大规模部署人工智能的另一个挑战是缺乏人工智能模型的互操作性。部署和数据集成无法在机构内或跨机构扩展。信息系统和语义内部以及组织之间缺乏互操作性。结果是，对于没有能力或领域知识产生影响的数据科学家和初创企业来说，进入门槛很高。

最后，鉴于医疗人工智能经济相对于 MedTech 中其他子领域的不成熟，证据生成必须是人工智能应用平台设计的核心，因为当今市场上的许多人工智能应用仍然需要对其性能进行广泛的研究和分析。不仅从监测的角度来看，而且从衡量对健康结果的影响的角度来看都是如此。

AIDE ：医疗系统中 AI 部署的企业方法

解决这些挑战的人工智能平台必须在企业层面解决这些挑战，以充分获取“人工智能良性循环”的好处，并充分缓解人工智能部署的风险。

这通过插入一个已集成到医疗设施内临床信息系统的平台，确保降低部署成本。它还通过为单个团队提供服务于整个机构的机会，以企业范围的视角管理风险和持续改进，降低了员工和支持的成本。

AIDE 由英国政府资助的 AI 价值医疗中心开发，是一种新的医院操作系统，允许医疗服务提供商安全、有效、高效地部署 AI 模型。它提供了一个协调的硬件和软件层，便于部署和使用任何人工智能应用程序。

部署大量模型涉及许多技术风险。 AIDE 通过提供一个管理视图来缓解这些问题，该视图报告每个部署模型的每个推断以及性能趋势分析，以便在性能不佳的情况下进行实时干预。

AIDE 还通过打包和部署容器化应用程序，并通过 DICOM 、 HL7 和 FHIR 等标准协议与医院其他部门通信，解决了互操作性的挑战。

临床医生还可以在将 AIDE 的 AI 推断结果发送到患者的电子健康记录（ EHR ）之前，使用 AIDE 对其进行审查。这个临床审查阶段可以收集关于失败实例的有用数据，这些数据可以反馈给开发人员并关闭反馈回路。

当考虑广泛采用人工智能时，首先考虑 X 射线的发现以及随后通过放射学的发展实现医疗保健的转变，作为一个类似的例子，这一点很重要。

1895 年，威廉·伦琴博士发现了 X 射线，并对妻子伯莎的手进行了著名的 X 射线检查，之后， X 射线技术首次应用于工业应用，如焊接检查，以及消费者应用，如鞋类装配，而非医疗应用。

今天，大多数患者的经历涉及诊断、预后、治疗监测等方面的医学成像。农村医疗中心可以在半夜采集图像，并让世界其他地区的专家在一小时内报告。

直到 x 射线发明近 100 年后，美国放射学学院和国家电气制造商协会发布了一项医学图像编码和传输标准，名为“医学中的数字成像和通信”，这种转变才得以实现

随着该标准于 20 世纪 90 年代初诞生，一场变革之旅开始了，这将改变医学艺术的可能，从而推动肿瘤学、神经学和许多其他医学专业的进步。

同样，随着深入学习，工业和消费者应用程序已经取得了长足进步，而医疗应用程序的采用率却很低，甚至没有那么大的变革影响。

这就是为什么 AIDE 作为一个企业 AI 平台的关键创新在于它建立在开源 MONAI Deploy 架构之上。

MONAI 部署旨在弥补从研究创新到验证和临床生产环境之间的差距。它为开发人员和研究人员提供了一个名为 MONAI 部署应用程序包（ MAP ）的默认标准，可以轻松集成到 DICOM 等健康 It 标准中。它还集成到各种数据中心、云和边缘环境的部署选项中，使您能够轻松采用新的医疗 AI 应用程序。

MONAI 部署工作组定义了一个开放架构和标准 API ，用于开发、打包、测试、部署和运行临床生产中的医疗 AI 应用程序。

高级体系结构包括以下组件：

MONAI 应用程序包（ MAP ） : 定义如何打包和分发应用程序。
MONAI Informatics Gateway : 通过 DICOM 、 FHIR 和 HL7 标准与临床信息系统和医疗设备（如 MRI 扫描仪）进行通信。
MONAI Workflow Manager : 协调由人工智能任务组成的临床灵感工作流。

该系统设计为允许不同推理引擎执行可插拔的任务。 MONAI 社区也将继续朝着这个方向发展。

MONAI Deploy 架构由硬件、软件、学术和医疗合作伙伴组成的国际社区共同设计，旨在实现医疗人工智能生命周期标准化的共同目标。这与三十年前 ACR 和 NEMA 对医学图像的处理方式大致相同。

建立在现有临床信息系统和医疗设备之上的新信息层将有助于开创数据驱动医学的新时代。有关 AIDE 的更多信息，请参阅 AI Centre for Value Based Healthcare Platforms 。