AI Entwicklung trends im Gesundheitswesen – Ein Gespräch mit Xiangfei Chai, CEO und Gründer, Huiyihuiying

In einer Zeitspanne von über drei Jahren, Huiyihuiying (HY) hat sich zu einem führenden Unternehmen in der Entwicklung und Umsetzung von AI im medizinischen Sektor in China. Das Unternehmen, welches sich auf die AI für die medizinische Bildgebung, die seit kurzem ein neues Produkt an der Radiologischen Gesellschaft von Nordamerika-Jahresversammlung (RSNA 2018), die intelligent-Bildschirm für Tuberkulose und zu quantifizieren, die Lage und Form der Tuberkulose textur durch die Kombination von Röntgen-und CT-Analyse.

In einer E-Mail-interview mit der Healthcare-IT-News Region Asien-Pazifik, Xiangfei Chai, CEO und Gründer von HY, teilte auf seiner Reise hinter sich ab die Unternehmen, einige Beobachtungen bei der wichtige trends in der Entwicklung von KI-Technologien im Gesundheitswesen, in China und im Ausland, sowie einige der Hindernisse, die die Entwicklungen von AI im Gesundheitswesen.

Sie war ein medical-imaging-Forscher und-Entwickler für fast ein Jahrzehnt, arbeitet in der Abteilung für Strahlentherapie/Radiologie, die bekannten akademischen Krankenhäuser. Wie kam die Idee zu Beginn der Huiyihuiying (HY) in 2015 kommen?

Seit meiner Zeit als student, habe ich mit dem Krankenhaus und auch die Arbeit mit medizinischen Bild-Industrie für mehr als zehn Jahre. Ich war beteiligt an der Entwicklung von imaging-Anwendungen, die beinhaltet geführte Strahlentherapie-Systemen, Bild-cloud-Plattform, Strahlentherapie cloud-Plattform, etc. in den Niederlanden Cancer Research Center und der Stanford University School of Krebs-Strahlentherapie Zentrum.

Ich kann weiterhin meine post-Doktoranden-und Forschungs-arbeiten in der medical imaging-Bereich, wenn ich didn ‚ T start the business. Wenn dem so ist, so sehe ich mein Leben so sein wird, wie Jahrzehnte später.

Das Labor ist die Wiege der KI. Stanford University ist die Wiege der KI, die Unternehmer und die wichtigsten Schlachtfeld des globalen künstlichen Intelligenz. Für eine lange Zeit, die Stanford University hat ein sehr gutes Umfeld, das fördert die innovation und Unternehmergeist fördert Fett-ventures, mit Freiheit zu erkunden, die Atmosphäre und Multikulturalismus, die Fehler toleriert. Lehrer zum Beispiel können verwalten, einen Tag in der Woche frei, die nicht erfordert Sie engagieren sich in Schule Lehre und Forschung. Sie dürfen die Arbeit als Berater oder Unabhängiger Direktor.

Wie aus wissenschaftlichen Forschungsergebnissen in die Verwendung der Ergebnisse ist, was ich will, um zu überprüfen, aus dem postgraduate-ära. Obwohl es nicht leicht ist, productise und Bewirtschaftung der Theorie, es lohnt sich, dies zu tun.

Anfang 2015, ich verließ die Stanford University Medical College Affiliated Hospital und endete meine 12-jährige medizinische Bildgebung Akademische Karriere. Ich gründete Huiyihuiying (HY) und wollte weiter zu erforschen.

HY vor kurzem Ihre neue AI-Full Cycle Gesundheit-Management-Cloud-Plattform, die aus zwei separaten Plattformen für unterschiedliche gesundheitliche Bedenken: die Brustkrebs-AI Full Cycle Gesundheit Management-Plattform und die AORTIST 2.0 Aorta AI-Cloud-Plattform. Beide Plattformen basieren auf dem KI-2.0-Technologie. Könnten Sie uns sagen, was AI-2.0-tech ist in Kürze und die wichtigsten Vorteile gegenüber ‚konventionellen‘ AI?

Für AI1.0, wir verwenden Convolutional Neural Networks (CNN), Schnelle Region-basierte CNN (RCNN), Restliche Netze (ResNet) und andere Technologien zu identifizieren Verletzungen, unterstützen imaging und screening-Diagnose, verbessern die Effizienz der Bilder für ärzte und Fehldiagnosen reduzieren, ist die Lösung für die Haupt-AI-Produkte. Ein Beispiel wäre AI-lung Knoten-screening-Anwendungen.

AI2.0 ist, basierend auf Bilddaten, die in klinischer Daten, pathologische Daten, etc., kombiniert mit follow-up-Informationen, die wir verwenden, Natürliche semantische Erkennung-Technologie, verwenden Sie AI zu befähigen, den gesamten Prozess der medizinischen Behandlung von pre-Diagnose zur Teilnahme an der Behandlung Entscheidungsfindung, Prognose, Vorhersage und follow-up-überwachung zu erreichen Evidenz-basierten Medizin. Derzeit, einige der Operationen, die in vielen Krankenhäusern sind prothetische diejenigen mit einem hohen Anteil an postoperativen Rezidiv.

Prognose Prognose und follow-up ist eine Herausforderung für diese Art von komplexen Krankheit. Wir sind bestrebt, zur Gestaltung einer patientenorientierten Produkt, deckt den Patienten das gesamte medizinische Zyklus. Neben der Verbesserung der Chirurg die chirurgische Genauigkeit, die AORTIST system integriert die radcloud-Plattform entwickelt, die von HY und bettet eine prognostische Vorhersage-Modell für die Vorhersage nach der Operation des Typs B-Dissektion.

Was sind einige der wichtigsten trends, die Sie beobachten die Entwicklungen und Anwendungen der KI in der Gesundheitspflege in China und der ganzen Welt-weit?

Patienten-zentrierte Anwendungen sind vielversprechend. Seit 2010, der Verbesserung der Patienten-Erfahrung hat sich der mainstream der US-amerikanischen medizinischen Gemeinschaft. Wir glauben, dass das ultimative Ziel von ärzten und Patienten ist die gleiche, die zur Heilung der Erkrankung. So passten wir den gesamten Produkt-design-Logik, um Patienten-zentriert vor sechs Monaten verbessern, die geduldige Erfahrung.

Die ära der Daten-getriebene Präzisions-Medizin: Von 1898 an, die wir erlebt haben, das Zeitalter des körperlichen angetrieben, vertreten durch Röntgen -, Ultraschall -, kernmagnetischem, etc., und Anwendung getrieben vertreten durch image-Beratung und Behandlung Pläne. Nach 2010 haben wir eingegeben die ära der Daten-getriebene Präzisions-Medizin. Seine typische Eigenschaft ist, von mir effektive Informationen in riesige Datenmengen und Optimierung der Diagnose-und Behandlungsmethoden.

Die künstliche Intelligenz nimmt in der medizinischen cycle-management: In vielen komplizierten Krankheiten, Prognose, Vorhersage und follow-up sind große Herausforderungen. AI integriert werden kann, multi-dimensionale Daten, wie imaging, Genetik, Pathologie und klinische, individuelle medizinische Lösungen für Patienten, empfehlen die op-Pläne für den Kliniker und bieten Medikamente Leitlinien.

AI spielen können, einen höheren Wert in der medizinischen Zyklus, indem Patienten mit zumutbaren Untersuchung, Behandlung, Nachsorge und rehabilitation Programme bieten umfassende überwachung und Verwaltung der gesamten Krankheit, die Optimierung der Diagnose und Behandlung Prozesses und zur Senkung der medizinischen Kosten insgesamt.

Was fühlen Sie, sind Hindernisse oder Hürden für die KI-Entwicklung in der Gesundheitsversorgung?

Zunächst, im Vergleich mit US-europäischen Ländern, gibt es eine große Anzahl von interdisziplinären Talente vor allem in der medizinischen Bildgebung AI-Branche ist eine interdisziplinäre Branche. Deshalb braucht es vielfältige und interdisziplinäre portfolio sowohl technische und marketing-teams. Mit, dass, Menschen mit unterschiedlichen Kenntnissen und Erfahrungen-Hintergründe sammeln können, Weisheit in den verschiedenen Bereichen und schließlich einen geschlossenen loop bilden, der die Produktivität, die Pause über die Grenzen einer einzigen Disziplin. Die Realität ist, dass die ärzte haben einen relativen Mangel an Verständnis der Technologie und es ist schwer, technische Talente zu haben, ein tiefes Verständnis des medizinischen Bereich.

Zweite, Daten ist der Schlüssel. Medizinische big data ist etwas ganz besonderes, dass es nicht die großen Volumen, sogar Bild-Daten ist sehr begrenzt, vor allem in eine einzelne Krankheit. Normalerweise ist jeder von uns tun, auch nicht nehmen, einen film-scan-pro Jahr, wie für die interstitielle Pneumonie oder Frakturen. Es gibt nur einige tausenden Patienten in dem Land jedes Jahr, und Sie sind verstreut in verschiedenen Krankenhäusern. Die Datenerfassung ist sehr schwierig. Darüber hinaus werden die Daten-Sammlung von standards zwischen Kliniken sind nicht einheitlich und es gibt eine große Menge von unstrukturierten Daten.

Dritte, die Entwicklung und der Einsatz von KI-Anwendungen, es gibt verschiedene Marken und Modelle von Anlagen, die in verschiedenen Krankenhäusern, was Unterschiede im Bild Schichtdicke, Ebene, Abstand, etc., es ist eine Notwendigkeit, um das Bild zu optimieren und normalisieren die Verarbeitung zur Gewährleistung der Validität der Daten. Es ist auch notwendig, um die Schnittstelle mit den vorhandenen Daten-Systeme des Krankenhauses nach den spezifischen Bedingungen des Krankenhauses gewährleisten die Stabilität und Sicherheit des Betriebs.

Vierte, das ist eine chinesische Eigenschaft – die Nachfrage und das Angebot von medizinischen Ressourcen in China ist seit langem eine unausgewogene „unpassenden“ situation. Im Kontext der chinesischen Regierung die Implementierung des grading-Diagnose und-Behandlung, künstliche Intelligenz-Anwendungen eingegeben haben, die medizinische Versorgung, insbesondere der Breitensport stehen auch einige grundsätzliche Probleme und medizinische informationisation hat sich zu einem Riss im Bereich der künstlichen Intelligenz.

Obwohl es viele chinesische medizinische Informationen, die Firmen, die standards sind nicht einheitlich, einschließlich aller Schnittstellen, spezifische Implementierung der jede Klinik und jedes Krankenhaus hat sich viel getan bei der personalisierten Lokalisierung Verbesserungen, die dazu führt, die großen Fortschritte in der medizinischen informationisation. Die Richtung ist strukturierter, standardisierter und mehr vereinheitlicht. Informatisierung löst nicht nur die Effizienz problem, sondern macht auch den gesamten Informationsfluss besser bilden die Grundlage und Datenquelle der künstlichen Intelligenz.

HY ist die Zusammenarbeit mit mehr als 800 medizinischen Einrichtungen in China in klinische Anwendungen und wissenschaftliche Forschung-Projekte, einschließlich der chinesischen PLA General Hospital, Peking Union Medical College Hospital, Beijing Friendship Hospital und verschiedene medizinische Verbände. Zudem plant das Unternehmen die Geschäftstätigkeit zu erweitern, die in anderen teilen der Welt – was sind HY Pläne für den Asien-Pazifik-Markt?

Huiyihuiying aktiv die Entwicklung von Märkten in übersee und hat Niederlassungen in den Vereinigten Staaten. Momentan sind wir dabei abdecken, Japan, Frankreich, Kasachstan, den USA, Indien, Israel, etc. Zum Beispiel, wir haben einen Vertrag mit Kasachstan ist der größte private Krankenhaus-Ketten-Gruppe, die Zusammenarbeit mit Japans größtem cloud-PACS Unternehmen auf radcloud-Plattform, hat zusammen mit Frankreich die größte Onkologie-Unternehmen und entwickelte US-Markt mit US-amerikanischen medizinischen AI-Unternehmen, etc.

In der Zukunft, neben der Stärkung der Zusammenarbeit mit den Ländern entlang der „Gürtel-und-Weg“ – initiative, HY in Zusammenarbeit mit mehreren Partnern auf der ganzen Welt und bemühen uns, medizinische AI ein weiteres schönes Visitenkarte in China.

In einem relativ kurzen Zeitraum von etwa 3 Jahren, HY entstanden, zu einem der führenden Unternehmen in der Entwicklung und Implementierung von KI in der Medizin. Was denken Sie, sind einige der wichtigsten Faktoren für HY Erfolg und was erhoffen Sie sich für die HY zu erreichen, in der eine langfristige?

Zuerst von allen, ist es sehr wichtig, zu verdichten eine große Anzahl von herausragenden interdisziplinären Talente. HY ist die ständige Verbesserung der Einführung und training Mechanismus der herausragenden Talente.

Zweitens, die medizinische Behandlung ist eine sehr komplizierte Angelegenheit, vor allem medizinische AI. Es ist nicht durch einen einzelnen Durchbruch. HY ist der Aufbau einer team-Kultur, wo jeder ist ein Produkt-manager. Jeder ist einen team-manager customer-Manager, in der Lage, um Produkte, Technologie -, Vertriebs-sind immer synchron und symmetrisch.

Dritte, HY hat eine full-cycle-data-intelligence-Plattform zu bauen, ein full-cycle, high-value-Datenbank mit großen Krankenhäusern durch NLP intelligente Extraktion, strukturiertes reporting und intelligente follow-up. Hohe Qualität der Daten ist auf der Grundlage der Etikettierung einer großen Anzahl von professionellen ärzten. HY verwendet drei-blind-Kennzeichnung statt Doppel-blind-Kennzeichnung. Jeder Fall ist gekennzeichnet durch mindestens 3 professional imaging ärzte. Wir erhalten Millionen von Fällen.

Viertens, wir verabschiedeten Migrations-learning im letzten Jahr. Wir kombinierten Bild-Daten mit den klinischen Daten, Testdaten und genetischen Daten über einen selbst gebauten full-scale-data-Plattform zu bauen, KI-Modelle in multi-dimensionalen Daten zu erreichen, kleine Datenmengen. Die genaue Modellierung der auf die Oberfläche und überwindet viele Probleme der Krankheit Zerstreuung und weniger vollständige Daten, sorgen für eine gute Modell-Ausbildung Ergebnisse.

Schließlich, in Bezug auf die Rechenleistung, wir nehmen die Führung mit Intel EXON skalierbare Prozessor zu ermöglichen, seine neueste skalierbare Rechenressourcen zu konvergieren, in der medizinische Bild, der weit über die Speicher-Beschränkung von GPU und es durchführen können, unüberwachtes lernen auf drei-dimensionale CT-und MRT-Daten-und U-Netz-Segmentierung ohne manuelle Kennzeichnung von Daten, die direkt von PACS-und RIS-Daten Partitur, die stark verbessert die Effizienz der Modellierung.

In der Zukunft, wir hoffen, dass wir durchbrechen die Schranken von Daten, kombinieren, Genomik, Proteomik, molecularomics, Metabolomik und imaging-omics, etc. zum Aufbau einer full-scale data-Center-und dann model, mir ist der größere Wert hinter den Daten, unterstützen die klinische Entscheidungsfindung und fördern die persönliche Diagnose und Behandlung. Dies ist die größte vision-meine zehn Jahre und einer unserer größten Träume.