原标题：人工智能改变医疗器械开发

　　凭借超过 350 种 FDA 批准的使用 AI 的医疗设备，该技术正在实现便携式 MRI 机器、万无一失的超声波等。

　　人工智能硬件和软件的最新发展正在彻底改变医疗设备的开发，该技术现在被广泛用于实时处理、预测和可视化医疗数据。人工智能被用于超过 350 种 FDA 批准的医疗设备，以及无数更多在医疗保健环境中提供运营节省的设备。

　　金佰利鲍威尔(来源：英伟达)

　　Nvidia 医疗保健副总裁 Kimberly Powell 告诉 EE Times：“我们现在可以将人工智能放入仪器中，这意味着魔法开始发生。 ”

　　例如，Caption Health 开发了一种超声系统，该系统使用 AI 为操作员提供超声图像的指导和解释权。额外的指导意味着范围广泛的医护人员可以进行超声检查，而不仅仅是专业的超声医师。在选择要执行的扫描类型后，系统会引导操作员获得高质量的图片，包括用箭头显示探头的移动方向。

　　“你不断地对传入的探测数据进行计算机视觉，因此你可以指导他们去哪里，”鲍威尔说。“我们的解剖结构非常相似，你可以让它们进入该区域，然后当它检测到它们试图测量的任何东西时，它可以停止并自动进行测量。”

　　Caption Health 的引导超声系统指导可能不是专家的超声医师将探头移动到何处以拍摄最佳照片(来源：Caption Health)

　　Caption Health 的引导超声系统基于人工智能——特别是一个 750 万参数的卷积神经网络(点击放大)(来源：Caption Health)

　　这是第一个获得 FDA 批准的同类系统。至关重要的是，它是一个物理上很小的系统，可以根据需要在医院周围移动，或者结合减轻对训练有素的专业人员的要求，可以更容易地在现场或世界上训练有素的超声医师较少的地区使用。

　　“我们现在拥有可以进入该设备内部并在该设备中执行 大量 AI 的计算架构，以提供用户体验和可以从数据中捕获的信息洞察力的保真度，”鲍威尔说。

　　人工智能还有助于使 MRI 和 CT 扫描仪小型化。今天的 MRI 机器通常需要填满整个房间的基础设施。Hyperfine 制造了一台支持人工智能的便携式 MRI 机器——它可以在医院周围移动到病人的床边或手术室。该系统名为 Swoop，已获得 FDA 批准，并已用于为加拿大偏远地区和更远地区的患者提供服务。

　　Hyperfine Swoop 便携式 MRI 扫描仪在患者床边运行(来源：Hyperfine)

　　在这种情况下，人工智能通过校正噪声图像，使便携式 MRI 扫描仪获得令人满意的结果。这意味着可以使用较低的场强和较低质量的传感器，而人工智能弥补了图像保真度的差异。Powell 将这项技术与智能手机过滤器进行了比较，智能手机过滤器可以在自拍上伪造光滑的皮肤——因为我们知道最终结果应该是什么样子，这使得校正噪音更容易，她说。

　　鲍威尔还表示，人工智能正在彻底改变外科手术，特别是对于现代微创手术技术，外科医生只能通过摄像头观察身体。

　　“你可以在那个摄像头视图上添加很多非常强大的信息——不要切割这个血管，这里的解剖结构是什么——你真的可以帮助医生确定方向，”她说。“[外科医生]现在可以在这些模拟环境中进行训练，以准确了解他们将要执行的程序以及他们将要采取的轨迹。”

　　患者隐私

　　是否担心人工智能增强的嘈杂图像会开始看到实际上并不存在的东西?

　　鲍威尔说，虽然可能出现误报，但新型人工智能设备与任何其他医疗设备(包括临床试验)都经历了同样严格的监管程序。

　　“从质量保证和监管的角度来看，他们进行了同样的尽职调查，他们必须经历临床试验阶段，他们必须提供证据。FDA 和监管机构对你如何定义它是否按照它应该执行的方式执行同样非常严格的裁决。”

　　有超过 350 种 FDA 批准的医疗设备具有基于 AI 的功能。Powell 指出，还有更多应用程序不在监管路径上，包括有助于提高运营效率的 AI 应用程序，其中数千个应用程序目前正在使用中。

　　“人类从头到尾获取医学图像的工作量很大，潜在的错误也很多，时间也很多，所以有很多 [潜在的提高]那里的运营效率，”她说。“您仍在向将接受或拒绝建议的医生提供信息。”

　　与现有的计算机视觉技术一样，无论在何处捕获患者的图像，都需要解决隐私问题。在设备本身中实时执行人工智能，而无需将图像传输到云端进行处理，这会有所帮助。

　　“事实上，我们已经将患者数据数字化了 20 年。这只是[一个问题]数据是如何流动的，谁可以访问它?” 鲍威尔说。“必须制定适当的法规，并且必须非常仔细地照顾业务数据协议和所有这些，无论是对于数据的提供者还是接收数据的任何人。这只是事实。”

　　Powell 指出，对于人工智能辅助机器人手术，在体内拍摄的图像无法识别患者。Clara Holoscan 还包括去识别步骤，例如自动删除包含皮肤和头发的图像(可能用于识别患者)。无论如何，这些图像对机器人外科医生来说毫无用处。

　　人工智能可以在微创手术中帮助指导和建议外科医生(来源：英伟达)

　　“这需要患者的信任，但我认为最终我们都会越来越习惯[被摄像机拍到]，”鲍威尔说，并补充说，即使是今天的门铃也使用基于云的人工智能处理视频片段。“但对于我合作过的所有公司来说，去识别化是他们首先开发的人工智能列表的首位。”

　　开发限制

　　今天在医疗设备中使用人工智能有哪些限制?鲍威尔列出了三个关键领域。一种是功能强大的计算平台，可以实时处理复杂的人工智能，而无需将数据发送到云端，这就是英伟达开发 Clara Holoscan 的原因。

　　Clara Holoscan 是 Nvidia 的三个机器人平台之一(其他平台是 Drive，用于自动驾驶汽车，Isaac，用于在人类环境中运行的机器人)。它包括硬件(基于 Nvidia Jetson AGX Orin)和为医疗设备开发量身定制的软件。

　　“我们称它为机器人平台，因为它真的是为了创造实时智能仪器，”鲍威尔说，并补充说，虽然未来机器人可能会在没有帮助的情况下进行手术，但未来的 X 光机或医用显微镜也可能被归类为机器人，如果他们里面有一个机器人放射科医生或科学家，正在查看照片是否有异常。

　　Nvidia 的 Clara Holoscan 平台可用于设计带有任何类型传感器的人工智能医疗设备，从内窥镜到 MRI 机器(来源：Nvidia)

　　Clara Holoscan 可以连接任何类型的医疗传感器——无论是超声波、内窥镜还是 CT 机器——都可以实时完成强大的 AI 计算。其他医疗特定功能包括高速 I/O;医学物理、医学图像和医学数据的人工智能处理;和 3D 图形渲染的加速。

　　“在这种环境中，实时的本质是，你实际上是在帮助循环中的人更好地完成工作，”鲍威尔说。“Clara Holoscan 不仅如此……它还为医疗设备创造了特斯拉时刻。”

　　鲍威尔描述了过去医疗设备的保质期可能为 10 年。借助 Nvidia 的平台，可以根据需要创建和上传新的 AI 算法，以使机器更智能。这可以在空中完成。结果是医疗设备制造商将其商业模式转向软件即服务。

　　“现在他们拥有了一个计算平台，不仅具有很强的人工智能能力，可以运行这些实时应用程序，而且可以远程更新，”鲍威尔说。“这几乎就像为您的医疗设备带来云功能，以便可以部署新的应用程序，并且这些传感器每隔几周就会变得越来越好。从经济角度来看，这对他们来说非常令人兴奋。”

　　训练数据

　　在医疗设备中阻碍人工智能的另一件事是可用于训练医疗人工智能的训练数据数量有限，尤其是那些寻找罕见疾病或病症的人工智能。这里的解决方案是更多的人工智能——具体来说，使用人工智能为特定疾病创建合成训练数据。英伟达和伦敦国王学院最近宣布使用英伟达的 Cambridge-1 超级计算机创建一个包含 100,000 个大脑合成图像的数据集，这些图像可用于构建人工智能应用程序，以加速对痴呆症、帕金森氏症和其他脑部疾病的理解。

　　人工智能可以为实际数据集中可能服务不足的特定人群创建大脑图像，例如女性或年轻人，或患有特定疾病的人。同一团队希望在任何医学成像模式(MRI、PET 扫描、X 射线等)中将覆盖范围扩大到人体解剖学的任何部分。

　　最后一个限制因素是医疗人工智能算法的发展。为了解决这个问题，Nvidia 构建了一个名为 MONAI 的医疗专用 AI 框架。MONAI 包含标记数据、创建合成数据、训练模型、在现实世界中验证模型所需的所有工具，然后将它们连接到 Clara Holoscan 平台进行部署。这个开源平台针对医学成像的独特格式、分辨率和元数据进行了优化。

　　“过去只有在他们的人工智能研究实验室里非常有钱和有名的人才能做这些事情——我们试图让它变得非常可用，”鲍威尔说，并补充说，当新的医学论文发表时，它们会尽快被添加到 MONAI尽可能。

　　“我们将它直接放入这个开源科学框架中，以便世界可以快速复制它并以此为基础。这就是为什么创新的步伐如此之快——正是因为人工智能社区真正向世界灌输了这个开放的科学、开放的创新世界，这很好……我认为人工智能应该民主化，以使其保持安全和富有成效。”

　　本文最初发表于 EE Times。

　　Sally Ward-Foxton为 EETimes.com 报道 AI 技术和相关问题，并为 EE Times Europe 杂志报道欧洲行业的方方面面。Sally 在英国伦敦花费了超过 15 年的时间撰写有关电子行业的文章。她为电子设计、ECN、Electronic Specifier: Design、Components in Electronics 等撰写文章。她拥有剑桥大学电气和电子工程硕士学位。