Mass General Brigham 是首批在 Nuance 精准成像网络上加速端到端 AI模型开发和临床工作流部署的机构之一
Nuance Communications 与 NVIDIA 近日宣布展开合作,首次使放射科医生和其他临床医生能够大规模地直接使用 AI 诊断工具,以更低的成本为患者提供更完善的护理。
此次合作将国家级规模的Nuance 精准成像网络(将诊断影像中的患者洞察传递到临床和管理工作流中的 AI 云平台)和 MONAI(由 NVIDIA 联合创立并加速的开源、专业医学影像 AI 框架)相结合,对医学影像 AI 模型进行安全、有效的验证、部署与评估。
Mass General Brigham 是首批使用 MONAI 和 Nuance 精准成像网络来制定一套独特工作流的大型医疗中心之一。该医疗中心将医学影像模型的开发、应用打包、部署和临床反馈相连通,进而能够完善模型。Mass General Brigham 有超过 8 万名员工,每年为 150 万名患者提供护理,每年研究支出达 23 亿美元。
该医疗中心通过 MONAI 和 Nuance 精准成像网络的结合,部署了一个乳腺密度 AI 模型,将等待结果的时间从数天缩短到仅 15 分钟。女性患者现在可以在离院之前和临床医生讨论扫描结果和下一步措施,避免了等待结果过程中的压力和焦虑。
Mass General Brigham 首席数据科学官 Keith J. Dreyer 博士表示: “通过结合 NVIDIA 和 Nuance 的技术,我们的 AI 研究者可以专注于模型的训练和开发,无需再进行繁琐的基础工作。这让我们能够更加轻松地向临床医生提供 AI 驱动的洞察,从而助力其提供最完善的护理、缩短治疗时间并改善患者的结果。”
诊所与研究之间的连续反馈回路将模型适应时间从数年减少到几周。原本长达几个月的数据领域转移,现在只需要几周,而原本需要几小时的问题检测和修复,现在也只需要几分钟。这也让 Mass General Brigham 减少了医学影像 AI 应用的开发和维护成本。
NVIDIA 医疗业务发展总监 David Niewolny 表示: “由于临床工作流的复杂性以及缺乏标准、应用和部署平台,放射学 AI 的规模化应用一直都受到限制。此次合作清除了这些障碍,使护理点能够以前所未有的速度获得 AI 的非凡功能。”
Nuance Communications 执行副总裁兼首席战略官 Peter Durlach 表示: “Nuance和 NVIDIA 的这次战略合作让所有人都能更加轻松将训练好的影像诊断 AI 模型大规模地部署到当前的临床应用中。我们正在通过合作,有效地解决将医疗洞察从科研实验室带到临床的难题。AI 成像技术开发者现在能够更快地部署其解决方案,以助力改变成像工作流,提高患者的疗效和卫生系统的财务业绩。”
基于微软 Azure 的 Nuance 精准成像网络使超过 12000 家医疗机构以及 80% 使用 Nuance PowerScribe 放射学报告和 PowerShare 影像共享解决方案的美国放射科医生能够访问临床工作流中的整套 AI 工具生态系统并获得洞察。
医学影像界构建的 MONAI 的初衷是将开创性的研究和 AI 应用转化成临床成果。MONAI 中的加速处理流程 MONAI Deploy 提供一个 MONAI 应用包(MAP)。这个应用包可通过 DICOM 等互操作性标准,轻松集成到不同数据中心和云环境中的医疗系统中。
好文章,需要你的鼓励
ServiceNow宣布将以超过10亿美元收购身份安全平台Veza,这是该公司2025年一系列AI和数据重点收购的最新举措。此次收购正值企业加速部署AI代理之际,而如何管理这些非人类身份的访问权限和输出已成为普遍难题。该交易将为ServiceNow的AI控制塔提供关键的身份治理能力,帮助企业建立统一的控制平面来定义上下文相关的权限、监控代理行为并大规模执行最小权限访问策略。
达尔豪斯大学研究团队系统性批判了当前AI多智能体模拟的静态框架局限,提出以"动态场景演化、智能体-环境共同演化、生成式智能体架构"为核心的开放式模拟范式。该研究突破传统任务导向模式,强调AI智能体应具备自主探索、社会学习和环境重塑能力,为政策制定、教育创新和社会治理提供前所未有的模拟工具。
在生成式AI热潮中,只有英伟达和台积电真正赚到钱,其他AI产业链公司要么亏损要么利润被稀释。博通虽然在数据中心网络领域有不错的利润率,但为了不被AI浪潮抛弃,也选择进入AI业务。博通拥有730亿美元的AI积压订单,但被迫成为AI系统集成商,进一步稀释利润。第四季度博通收入180亿美元,同比增长28.2%,AI芯片收入达65亿美元。
HSE大学研究团队开发出革命性的AI图像生成加速技术——广义对抗求解器(GAS),能将传统需要几十个计算步骤的图像生成过程压缩至4-6步,速度提升十倍而质量几乎不变。该技术通过重新设计求解器架构和引入对抗性训练,在多个数据集上验证了显著的性能提升,为AI图像生成技术的普及应用奠定了重要基础。