加州大学旧金山分校(UCSF)、辛辛那提儿童医院和初创企业 Qure.ai等医学影像领域的领先企业和机构借助 MONAI Deploy,将研究突破应用于临床。

为大规模地提供 AI 加速的医疗服务,医疗机构需要让成千上万的神经网络一同工作,以应对人体生理学、所有疾病,甚至医院运营等方方面面的相关工作,而这在如今的智能医院环境中是一项重大的挑战。
MONAI 是一个采用 NVIDIA 技术加速的开源医学影像 AI 框架,其下载量目前已超 65 万次。借助 MONAI 应用包(MAP),MONAI 就能更轻松地将模型集成到临床工作流中。
MAP通过 MONAI Deploy 提供,其作为一种 AI 模型的打包方式,能够更轻松地在现有医疗生态系统中进行部署。
辛辛那提儿童医院的 Ryan Moore 博士表示:“如果想要在影像部门部署几个 AI 模型来帮助专家识别十几种不同的病症或实现医学影像报告的半自动化创建,需要耗费大量时间和资源来为每个模型寻求合适的硬件和软件基础设施。这在过去虽然‘可能’,但并不 ‘可行’。”
MAP 能够简化这一流程。如果开发者使用 MONAI Deploy 应用软件开发工具包来打包一个应用,医院就可以轻松地在本地或云端运行这一应用。MAP 规格还整合了医疗 IT 标准,比如医学影像互操作性标准 DICOM 等。
伦敦医学影像与 AI 中心 Value-Based Healthcare 项目首席技术官 Jorge Cardoso 表示:“目前,大多数 AI 模型一直处于研发阶段,很少能够真正用于患者护理。MONAI Deploy 将有助于推动研发成果落地,实现更具影响力的临床 AI。”
MONAI Deploy 得到医院和医疗初创企业的采用
世界各地的医疗机构、学术医疗中心和 AI 软件开发商正在采用 MONAI Deploy,包括:
将医学影像 AI 部署到 MAP
MAP规格由 MONAI Deploy 工作组制定。该工作组由来自十几家医学影像机构的专家组成,目标是支持 AI 应用开发者以及运行 AI 应用的临床和基础设施平台。
对于开发者来说,MAP 可以帮助研究者在临床环境中轻松打包和测试模型,从而加速 AI 模型的演进。这使他们能够采集真实世界的反馈,进而对 AI 进行完善和改进。
对于云服务商来说,对(使用云原生技术设计的) MAP 的支持能够助力采用 MONAI Deploy 的研究者和企业通过容器或原生应用集成,在自己的平台上运行 AI 应用。整合 MONAI Deploy 和 MAP 的云平台包括:
着手使用MONAI。关注本周的RSNA大会,了解NVIDIA如何助力构建AI医学影像生态系统。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。