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
前沿AI研究机构Decart发布最新世界模型Oasis 3,旨在弥合虚拟仿真与物理AI之间的鸿沟。该模型将超写实交互图形能力与强大物理引擎相结合,可生成动作驱动的视频流,支持多视角环境模拟,延迟低于200毫秒。开发者能够借助自然语言提示,快速构建多样化极端场景,有效解决机器人和自动驾驶领域长期存在的"仿真到现实"差距问题,大幅降低物理AI训练成本。
OpenSkill是一套让AI代理无需人工监督即可自主成长的框架,通过从互联网获取知识、自建虚拟考题反复练习,实现真正的开放世界自我演化。
Visual Components正式发布5.1版本工厂仿真软件,重点引入高精度物理仿真与可扩展机器人协同调度能力,支持在同一环境中同时模拟数百台自主移动机器人、自动导引车及人员的运行状态。新版本还将仿真性能提升至前代的10倍,新增Allen-Bradley PLC支持及Nachi、Epson机器人虚拟调试插件,并将脚本环境升级至Python 3。该软件旨在帮助制造商在实际部署前完成系统验证,降低调试风险,缩短投产周期。
论文研究了AI评委同时优化多个评判维度时的两大失败原因:梯度稀释与指令干扰,为多目标提示词优化提供了系统性诊断框架。