"Durante más de 30 años, he examinado más de un millón de tórax-chips. Los tórax-chips son los más básicos y comunes de todo el video-testing, pero también el que más prueba el poder de los médicos: desde el punto del pulmón hasta el ángulo del cuerno, y desde el lévago hasta la pleural, cada detalle puede contener pistas de enfermedad. Y el diagnóstico de tórax de Ai está siendo redefinido por una gran calidad
Guía de expertos: tórax - El "Árbol de la primavera" de Imágenes Médicas
Como radiólogo, mi carrera comienza con una tórax. Después de más de 30 años, se ha desarrollado la tecnología avanzada de vídeo, como la TC, la RMN, el TC-PET, pero la tórax sigue siendo el medio más utilizado de proyección de imágenes en términos clínicos. Ninguna verificación de imágenes puede ser tan barata y fácil como una tórax, y puede ser analizada y seguida, casi para todas las personas.
Se estima que el número de radiografías torácicas en el país supera los 3.000 millones anuales, es decir, más del 40% de las proyecciones de vídeo. Desde la detección médica hasta la primera atención de emergencia, desde la rutina de hospitalización hasta el seguimiento postoperatorio, el pecho está en todas partes. Es la primera línea de defensa para el diagnóstico de enfermedades como enfermedades respiratorias, enfermedades cardiovasculares, tumores de mama, etc., y es una herramienta importante en los servicios públicos de salud.
Sin embargo, la calidad de una tableta torácica es mixta. Una tabla torácica contiene cantidades muy grandes de información: campo pulmonar, puerta pulmonar, interspersión, mitectomía cardíaca, pectrometer, músculo, costillas, tórax... Cualquier anomalía en cualquier parte del pecho puede ser una señal de enfermedad. Una lectura completa y precisa de una tableta torácica requiere un médico con anatomía sólida, patología y conocimiento clínico, así como una exposición extensa.
En realidad, el largo ciclo de formación y la baja tasa de éxito de los radiólogos y la alta demanda de pechos han llevado a un grave desequilibrio en la oferta y la demanda. En particular, en el nivel primario, la capacidad de diagnosticar los pechos es generalmente débil – muchos de los niveles primarios son leídos por los médicos generales o de baja edad, con una alta tasa de error en el diagnóstico.
Hoy, 2026, la inteligencia artificial está revolucionando el diagnóstico del pecho. De la detección de una monomodificación a los diagnósticos multipatológicos, de la clasificación de imágenes a la generación de informes, de imágenes 2D a aprendizaje multimodular, el desarrollo de la cápsula torácica está cambiando.
Hoy, me gustaría explorar con usted, desde la perspectiva de un radiólogo, el borde de la IA de rayos X de tórax y el valor de la industria y la importancia estratégica de 2 millones de datos de rayos X de tórax X R-CHEST de Chang Long-Hang-Hong-Hong-Hong-Hong-Hong-Hyun Information Technology.
II. Dolor de comercio: el "Quadretex" del diagnóstico de la tableta torácica
Dificultad: una enorme carga de trabajo, una pesada carga para los médicos
El departamento de radiología de un Hospital Santuario puede estar manejando miles de informes de tórax cada día. Los radiólogos se sientan en la sala de lectura todos los días, mirando una pantalla con una sola página de lectura, con ojos secos y ácido escafórico.
Más importante aún, la placa torácica, aunque "común" pero no "silencioso".La estructura anatómica torácica es compleja, con una amplia variedad de variaciones y manifestaciones variables. También es una sombra pulmonar, que puede ser neumonía, que puede ser tuberculosis, que puede ser tumores, que pueden ser anticuados. Para hacer un diagnóstico preciso, requiere una combinación de factores como la región, forma, densidad, borde clínico.
Es difícil para los médicos dedicar tiempo y esfuerzo suficiente a cada pieza de pecho bajo la presión de una carga pesada. Según estudios extranjeros, los radiólogos pasan menos de 30 segundos en promedio en una tableta de pecho.
Un estudio muestra que después de ocho horas de trabajo, los radiólogos reducen la tasa de precisión del diagnóstico en un 10-15%. En nuestro país, muchos radiólogos trabajan mucho más de ocho horas, y el problema de la calidad del diagnóstico se complica por la fatiga.
Distress II: Capacidad débil a nivel comunitario y mala calidad de diagnóstico
Si el problema con el gran hospital es "no ocupado", entonces el problema con el hospital básico es "no tener suficiente capacidad".
Los departamentos de radiología de nuestras instituciones primarias de atención de la salud en general se enfrentan a una escasez de personal, equipo y capacidad. Muchos hospitales de condado tienen sólo uno o dos radiólogos, y la mayoría de ellos no han sido entrenados sistemáticamente.
Según la Encuesta de Estado de los Servicios de Imagen Médica a Nivel Básico (2025), el diagnóstico de los tóraxes en las instituciones de atención primaria de la salud es sólo 65-75% exacto, y la tasa de fuga es de 15-25%. En particular, el diagnóstico precoz del cáncer de pulmón, con la tasa de fracaso a nivel comunitario superior al 30%, significa que muchos pacientes han tomado una película de pecho a nivel básico, pero no se han detectado a tiempo, y es el hospital medio y el hospital
La falta de capacidad para el diagnóstico de los pechos primarios no sólo afecta a la salud de los pacientes, sino que también limita el avance del nivel de tratamiento - los pacientes no confían en los resultados del diagnóstico a nivel comunitario, con enfermedades importantes que se dirigen a los principales hospitales, lo que hace que el hacinamiento y los hospitales básicos sean más accesibles.
El tercer problema: la enfermedad es tan numerosa, la IA es "guerra de salida".
La variedad de enfermedades del tórax son cientos de ellas. Las imágenes de diferentes enfermedades varían, y los criterios de diagnóstico varían. Esto conduce al desarrollo de una situación de "battle-to-action" para las tórax-caps AI, con empresas que hacen pruebas de neumonía, algunas fosas nasales, algunas pruebas de tuberculosis y otras mamas aeróbicas.
Este modelo de desarrollo de AI "enfermedad única" tiene varios problemas: primero, valor clínico limitado — los médicos necesitan un diagnóstico completo en lugar de resultados aislados; segundo, costos de implementación elevados — los hospitales necesitan múltiples sistemas de IA para integrarlos y mantenerlos; y tercero, utilización de datos bajos — cada IA utiliza sólo una etiqueta parcial de datos, que causa el desperdicio de recursos de datos.
En los últimos años, aunque ha habido varios productos de IA multipatriz de torta-top-button, el rendimiento ha sido generalmente insatisfactoria. La razón subyacente es la información: la formación de un sistema AI para el diagnóstico de combinación multipatológica requiere un conjunto de datos a gran escala que simultáneamente etiqueta múltiples patologías, que son escasas.
Frustración IV: desviación de calidad, "Número estándar" no.
La formación de la IA torácica requiere un amplio etiquetado de datos. Sin embargo, la calidad de la etiqueta es desigual y es un problema generalizado en la industria.
La dificultad de las tabletas torácicas es, primero, que los límites de la enfermedad están borrosos - la de muchas patologías pulmonares (como inflamación, inmersión, fibrosis, etc.) no son claros y que los perfiles de diferentes médicos pueden variar considerablemente; segundo, que las diferencias en el juicio subjetivo - la de diferentes médicos son inconsistentes en el juicio de ciertos signos (como el "aumento de textura pulmonar" el tercer laboratorio combinado) etc.
Por estas razones, el estándar de oro, que está marcado en el pecho, no suele ser "oro". Muchos conjuntos de datos están marcados por un médico, y la calidad es difícil de garantizar sin revisión y control de calidad.El modelo AI que se entrena con estos datos es un techo de rendimiento que es comprensible.
La IA torácica ha ido más allá de la fase "no" y se está moviendo hacia la fase "sí".La siguiente etapa de la competición es el núcleo de la competencia para datos -- que tiene los conjuntos de datos de mayor calidad, de mayor calidad y de mayor enfermedad -- que pueden tomar el extremo superior de la edad modelo básica. Longwaytech tiene 2 millones de casos de conjuntos de datos XR-CHEST, el "bloque de construcción de datos" de la edad.
Tres, 2026 de primera línea de avance: "Five ondas tecnológicas" de imagen de pecho AI.
En 2025-2026, el sector de la IA de rayos X torácicos vio una nueva ola de tecnología. El modelo básico, diagnóstico articular multipatológico, generación de informes, aprendizaje cruzado, etc., se mueven en paralelo, empujando la IA de la compostura en el pecho a una nueva fase de desarrollo.
Romper uno: el modelo básico de la formación previa en masa - el nacimiento de Universal Chest-Ai.
Desde 2025, el modelo de la Fundación se ha convertido en la dirección más caliente del vídeo médico AI. En el área de las tórax-chips, el modelo básico de preparación de masas está cambiando el modelo de desarrollo de "uno-uno-uno" y generando "uno-en-uno" "AI de la grieta general".
En marzo de 2025, Google DeepMind publicó un modelo Med-PaLM M en Nature, que era un modelo genérico de medicina de polimodo, que realizó impresionantemente en la misión de captura de pecho – con la prueba de patología de pecho de 14 tipos, el promedio AUD de Med-PaLM alcanzó 0.93, superando la mayoría de los modelos anteriores dedicados a la formación de tórax.
Pero lo que es más llamativo es su "capacidad común" - el mismo modelo, que no requiere formación individual para cada enfermedad para identificar múltiples patologías de mama. Esto es gracias a la "capacidad creciente" que viene de la formación previa en masa - cuando el tamaño del modelo y los datos de entrenamiento alcanzan cierto nivel, los modelos adquieren de repente las capacidades que muchos modelos pequeños no tienen.
En octubre de 2025, las buenas noticias procedían del país. El primer modelo básico de tórax, ChestFM, fue liberado por UNI, en colaboración con el Hospital Sol de la Universidad de Jordania, basado en 800.000 datos de tórax, fue autosupervisado y luego perfeccionado en varias misiones de ida y vuelta. En 14 misiones de detección de enfermedades, ChestFM promediaba 0,92 AUC, comparable a niveles avanzados internacionales.
En 2026, el modelo base de captura torácica se movió en una dirección más amplia, más fuerte. Como lo entiendo, Longwaytech está trabajando con el equipo de IA del país para formar un modelo base de imagen torácica más grande, ChestFM-200M, basado en sus 2 millones de conjuntos de datos de captura de pecho. Los resultados iniciales muestran que ChestFM-200M realizó significativamente más en la primera generación de modelos básicos que en muchas misiones de caminos poco frecuentes.
Dos: diagnóstico conjunto de multi-diseasa: de "prueba de un punto" a "evaluación completa"
Los clínicos leen las tabletas torácicas, que son un proceso integral y sistemático, desde el punto hasta el fondo de los pulmones, desde el escote hasta la plétora, desde el hueso hasta el tejido blando, para ser vistos y juzgados de una sola manera.
En 2025-2026, el diagnóstico conjunto multi-diseas se convirtió en un desarrollo importante para la tableta de pecho AI. En junio de 2025, un estudio publicado por la Escuela de Medicina de la Universidad de Stanford en Radiología produjo un modelo ChestX-Dense que puede diagnosticar 37 enfermedades de mama simultáneamente, alcanzando un promedio de 0,90 para la AUC. Los modelos conjuntos multi-diseas no son sólo más completos que los modelos de una sola enfermedad, sino también tienen una mayor precisión diagnética.
En 2026, se realizaron nuevos avances en el diagnóstico conjunto de múltiples enfermedades. El equipo de radiología de Beijing, basado en 150.000 casos de tabletas de pecho de la tecnología Longhui, desarrolló el sistema multipatético de tórax en ambranch ChestMultiNet.
Más que nada, el equipo introdujo el modelo de "enlace de enfermedad" en el modelo, que utiliza las relaciones de complicación y diagnóstico entre diferentes enfermedades para mejorar el rendimiento diagnóstico general. Por ejemplo, el modelo "conoce" que la cavidad torácica se asocia a menudo con neumonía o tumores, que la tuberculosis es mejor que el extremo superior del pulmón. Estos estudios de priori se introducen, haciendo más el diagnóstico de AI como el pensamiento de un médico humano.
Tres: la generación de informes de AI, de "ver la película" a "escribir el informe".
El trabajo de un radiólogo no es sólo "ver una película", sino, más importante, "escribir un informe" – para describir las imágenes en un lenguaje profesional y estandarizado y dar diagnósticos y recomendaciones.
Desde 2025, como la tecnología del modelo de lenguaje grande (LLM) ha evolucionado a un ritmo rápido, AI genera automáticamente informes de vídeo como punto de referencia para la investigación. En mayo de 2025, Microsoft Institute, en colaboración con John Hopkins University, publicó un sistema de generación de reportes de pecho basado en GPT-4 en Nature Medicine. El sistema combina la caracterización de imágenes con modelos de lenguaje grandes, que generan automáticamente informes de tórax por cento de revisión, que se valora más de la IA.
El sistema de captación de pechos en chino ChestReportGPT, basado en datos a gran escala establecidos por el Hospital Longsier en Shanghai, ha sido desarrollado. Utilizando el "Código de Víctor" más el modelo megálinguístico chino, el sistema produce automáticamente un informe en el pecho que cumple con las normas de radiología china.
Los exámenes clínicos preliminares muestran que los informes generados por ChestReportGPT han alcanzado el 88% de la exactitud de los hallazgos clave, el 92% de la integridad de los informes y altamente calificados por los radiólogos. Más importante aún, el sistema ha mejorado significativamente la eficiencia reduciendo el tiempo que los médicos escriben sus informes en más del 60%.
Por supuesto, la generación de informes de AI sigue en una etapa de apoyo, el primer borrador de AI está siendo producido, y los médicos lo revisan. Pero creo que, a medida que la tecnología siga mejorando, la calidad del informe de la AI se volverá cada vez más creciente y eventualmente se convertirá en un indispensable “asistencial de escritura” para los radiólogos.
4o avance: Aprendizaje multimodular - Rayos X + Investigación sobre la migración
El pecho es una proyección 2D, con información limitada. La TC es una imagen de falla 3D que proporciona información anatómica más rica y sofisticada. Si el conocimiento que la TC ha aprendido se mueve al pecho, mejorará enormemente el rendimiento de la IA torácica. Esta es la idea de aprendizaje cruzado.
En 2025, esto dio lugar a un gran avance. El equipo de investigación del Hospital General del MIT presentó el modelo XCT-Net, un marco de aprendizaje multimodular que utiliza una gran cantidad de datos de TC para complementar la formación de la tabla de pecho.
Los resultados experimentales muestran que el rendimiento de los modelos de tabletas de torácica pre-entrenadas por TC, con el propósito de detección de dislexia pulmonar, reconocimiento de neumonía, etc., es significativamente mejor que el de la formación sólo con datos de tabletas de tórax (AUC aumentó en 5,2 y 4,8 puntos porcentuales, respectivamente). Esto demuestra la eficacia de la transferencia de conocimiento transmodular - la información más informativa de la TC puede identificar mejor la patología en el modelo de la patología en el modelo de la tableta de la tableta de la Iglesia.
En 2026, el aprendizaje multimodular se movió más. El equipo de la Universidad Industrial de Munich propuso un modelo de producción multimodular, utilizando datos de TC para obtener datos de tabletas de pecho "reforzadas", que generarían pechos sintéticos de diferentes perspectivas y diferentes grados de variabilidad para la expansión de conjuntos de datos de entrenamiento.
Longway Technologies también está elaborando activamente el aprendizaje multimodular. Se entiende que están construyendo conjuntos de datos de emparejamiento "X-ray plus CT" para proporcionar soporte de datos para la investigación de IA de rayos tórax cruzados. Esta dirección, si se rompe, abrirá nuevos espacios para el rendimiento de las radiografías tórax.
Quinto: Certificación estándar de oro patológico - desde el "diagnóstico de la imagen" al "control de patología".
Durante mucho tiempo, la formación y validación de la IA torácica se ha basado en el diagnóstico de los médicos de vídeo como estándar de oro. Pero el diagnóstico de vídeo es en última instancia indirecto, y hay una brecha entre el diagnóstico patológico y el diagnóstico patológico.
Desde 2025, cada vez más investigaciones se han centrado en el "contrato-patológico de la imagen": la validación y optimización del modelo de la tapa-tapato mediante resultados de diagnóstico patológico. En septiembre de 2025, el Centro de Cáncer de Sloan-Käitlin (MSKCC) publicó un estudio en Lancet Digital Health, donde entrenaron y validaron el modelo de la tapa-ta-ta-ta-ta-ta-ta-ta-ta-ta-cot-ta-ta-ta-ta-ta-ta-ta-ta-ta-ta-ta-ta-ta-ta-ta-ta-ta-ta-ta-ta-ta-cama de casos de detección falsamente confirmados de cáncer.
El punto de este estudio es que apunta a una nueva dirección para el desarrollo de la IA torácica – pasando del "nivel médico de la imagen" al "estándar de oro patológico". Mientras que las imágenes nunca pueden ser exactamente equivalentes a la patología, el objetivo de la IA torácica es avanzar lo más cerca posible hacia el estándar de patología.
En 2026, los datos de Longway también hicieron un gran avance en este sentido. Collaron decenas de miles de datos de cardiogramas de contraste patológico que abarcan una amplia gama de enfermedades, incluyendo cáncer de pulmón, tuberculosis y neumonía. Estos datos de oro patológico pueden utilizarse no sólo para verificar el rendimiento del modelo AI, sino también para entrenar modelos de IA más precisos, de modo que IA no aprendió cómo diagnosticar una enfermedad, sino que
IV. Interpretación de profundidad del conjunto de datos de Longway: 2 millones de casos de repositorio de datos de la pizarra de Enciclopedia
Y cuando llegues a la frontera tecnológica, miramos la base de datos que sustenta estas tecnologías. El conjunto de datos de rayos X de rayos X de pecho XR-CHEST de Chang Longway Information Technologies es uno de los conjuntos de datos de pecho más grandes, mejor marcados y de mayor calidad del país.
Ventajas: 2 millones de tamaños - modelo base basado en datos
El conjunto de datos Rang Hui XR-CHEST contiene 2 millones de imágenes de rayos X torácicos, un tamaño que es el conjunto de datos más importante para el pecho del país. ¿Cuál es el concepto de 2 millones de casos? Corresponde al número total de exámenes de la carga torácica en 10-15 años en un hospital Santuario grande, o el número total de exámenes de la mama en una ciudad mediana durante un año.
¿Por qué es tan grande? Porque estamos entrando en la "edad básica de modelo". La lógica básica del modelo subyacente es que "pre-entrenamiento a gran escala más ajuste de corriente abajo" y el efecto de la pre-entrenamiento está relacionado positivamente con el tamaño de los datos - cuanto más datos aprende el modelo, más características comunes, mejor el rendimiento de las misiones de abajo.
Dos millones de casos de datos proporcionan suficiente "fuel" para entrenar modelos de base de imagen torácica de alta calidad. Puedo decir responsablemente que, en el plano interno, hay pocos conjuntos de datos que apoyan el entrenamiento en un modelo de pecho verdaderamente básico, y que el XR-CHEST de Longway es el mejor de ellos.
Aparte del tamaño de la población, la distribución de los conjuntos de datos Luang Hui es muy razonable, abarca a personas de diferentes edades, sexo y regiones, y abarca casos de normalidad al sistema espectral de enfermedades. Esta distribución equilibrada garantiza que los modelos no se bianquen y se puedan aplicar a una amplia gama de personas.
Ventajas dos: 14 signos patológicos comunes - cobertura completa de las necesidades clínicas
El sistema de etiquetado de Luang Hui está diseñado en torno a las necesidades clínicas básicas y cubre los 14 tipos más comunes de enfermedad de pecho, incluyendo:
- Patología pulmonar (7 grupos):Neumonía / edema, neumonía, tuberculosis, enfisema/resistencia lenta, fibrosis pulmonar, extensión bronquial, insuficiencia pulmonar
- Cambio de estructura (2 clases):Un montón de plétoras, gases.
- Intersecta con corazón (clase 2):Soy un poco más de lo que soy.
- Otras categorías:Estufas calcificadas, aumento pleural/adhesivo, anomalía ósea
Estos 14 tipos de patologías cubren más del 90% de las detecciones positivas en exámenes tórax y básicamente cubren las enfermedades más comunes en el trabajo clínico diario.El sistema AI, basado en este conjunto de datos, permite una evaluación exhaustiva y sistemática de las tabletas de pecho, en lugar de centrarse en una enfermedad.
Aún más difícil, las etiquetas no son categorías simples de "no", sino que contienen una gran cantidad de detalles. Por ejemplo, los nudos pulmonares indican la ubicación, tamaño, densidad (realidad/ vidrio de cepillo/mix), características marginales, etc., neumonía indica rango (pala grande / silencio / intersistencia), gravedad, etc., y nódulos indican tipo (pelo original / transmisión / transmisión de sangre), actividad, etc.
Fuerza tres: Multi-Equipamiento de centro múltiple - Diversidad de datos y ampliación
La amplia capacidad del modelo de IA depende en gran medida de la diversidad de datos de capacitación. Otra ventaja importante del conjunto de datos Longfei es su fuente multicéntrico y multiequipment.
El equipo de imágenes cubre 100 modelos de marcas principales, incluyendo las principales marcas del país y el extranjero, como el GE, Siemens, Philips, Ui-tung, Wandong y East Soft.
Esta amplia fuente de datos garantiza la "heterogenicidad" del conjunto de datos - diferente calidad de imagen, diferentes condiciones de proyección, diferentes parámetros de equipo, diferentes características de población ... El modelo AI está entrenado en un conjunto de datos para aprender características verdaderas y finas en lugar de datos sobrecompatibles para un hospital, un dispositivo.
He visto demasiados productos de IA, haciendo un excelente trabajo con sus propios datos, y "controversial" en otros hospitales, la razón subyacente es que los datos de entrenamiento son demasiado simples y falta de diversidad. Y los datos multicéntricos de Long Hui resuelven este problema de la fuente. Por eso el modelo AI basado en el entrenamiento de datos de Long Hui, que tiende a ser más estable en validación de centro cruzado.
Fuerza cuatro: estándar de Patógeno — validación de datos de nivel más alto
Una de las ventajas más diferenciales de los conjuntos de datos de Long Cai es que contiene decenas de miles de casos de tabletas torácicas con un valor patológico. Estos casos tienen un diagnóstico patológico claro, que abarca una amplia gama de enfermedades, incluyendo cáncer de pulmón, tuberculosis, paraplasia neumocócica y mesoteliosis.
¿Por qué es tan importante el estándar patológico de oro? Porque el diagnóstico de vídeo es "pregnante", y el diagnóstico patológico es "confirmado". Usando el diagnóstico de los médicos de vídeo como etiqueta de entrenamiento, AI aprendió sólo "cómo lo ven los médicos", y usando el diagnóstico patológico como etiqueta, AI aprendió "qué enfermedad es realmente".
Por supuesto, los datos patológicos estándar de oro son muy difíciles de obtener – no todos los pacientes tienen pruebas patológicas, pero hay una brecha de tiempo y espacio entre patología e imágenes. Long Hui puede recoger decenas de miles de datos de tórax-cardiograma contrastados patológicamente, que no es fácil.
Estos son datos patológicos estándar de oro, que se utilizan para evaluar el verdadero rendimiento de la IA como un modelo de validación "criterio final" y para entrenar como una "marca de alta precisión" para mejorar la precisión diagnóstica de modelos para enfermedades clave como tumores. Se puede decir que los datos patológicos estándar de oro son las "balas medias en la corona" de la serie de datos de Longway.
Fuerza 5: Sistema de control de calidad de nivel tres - la fosa de la calidad de los datos
La calidad de los datos es la línea de vida de AI. Long Hui ha establecido un sistema de control de calidad bien establecido de tres niveles para el control de calidad de los datos, que ha creado una sólida fosa para la calidad de los datos.
Control de calidad de nivel 1: control de calidad de imagen.Todas las tarjetas de pecho que se introducen están sujetas a una rigurosa detección de calidad, incluyendo claridad de imagen, cumplimiento del cuerpo (ya sean o no tabletas positivas estándar), pruebas de dosis de exposición, etc. Las imágenes no calificadas se excluyen automáticamente para asegurar que cada imagen ingresada cumpla con los requisitos de calidad de diagnóstico.
Control de calidad secundario: revisión de doble marca + experto.Si hay desacuerdo, el tercer médico superior será remitido al arbitraje.
Control de calidad nivel 3: muestreo regular y monitoreo dinámico.Long Hui ha establecido un mecanismo de control de calidad bien establecido para analizar regularmente los datos marcados y evaluar la estabilidad de la calidad de la etiqueta. Si se considera que un médico es de una calidad reducida, reentrenado de manera oportuna.
Este estricto sistema de control de calidad es una garantía importante de la calidad de los datos de Long Wai. Mi centro de investigación, que comparó los datos de Long Hui con nuestros propios expertos, ha sido más del 92% consistente. Este es un nivel muy alto de concentración de datos comerciales.
Ventajas seis: Información estructurada e información clínica - valor de los datos multidimensionales
Los conjuntos de datos Long Cai contienen no sólo imágenes y etiquetas, sino también una gran cantidad de información clínica y datos de reporte estructurados.Esta información multidimensional aumenta enormemente el valor de los conjuntos de datos.
Específicamente, el conjunto de datos contiene información clínica sobre pacientes ' información básica (edad, sexo, geografía), diagnóstico clínico, resultados de laboratorio (protocolo de sangre, bioquímicos, etc.), otros exámenes de vídeo (TC, RM, etc.), diagnóstico patológico, programas de tratamiento, información de seguimiento, etc.
El valor de esta información multidimensional reside en, primero, en su papel como señales de monitoreo adicionales para ayudar a formar modelos de IA más precisos; segundo, su base de datos para el aprendizaje multimodular (imagen + texto clínico + datos de laboratorio); y tercero, su riqueza de información para la investigación clínica, que permite la investigación sobre el análisis de imagen y correlación clínica, pronóstico, etc.
Además, Luang Hui proporciona datos de reportaje de radiología estructurada, que son importantes para la formación de modelos de generación de informes AI, que incluyen no sólo descripciones de hallazgos visuales, sino también observaciones y recomendaciones diagnósticas, y son el mejor material didáctico de AAI para aprender "cómo escribir un informe".
V. Escenario de aplicación clínica: cinco escenarios principales para la remodelación de la tableta de pecho AI
El sistema AI basado en el entrenamiento de conjuntos de datos XR-CHEST está desempeñando un papel importante en las muchas escenas de la terapia tórax-clínica. Presentaré las aplicaciones más representativas.
Controles de salud: lectura inteligente, detección eficiente
El control de salud es un programa obligatorio para la detección del pecho. El número de chequeos en el país es de más de 1.000 millones al año. De la manera tradicional, el examen del pecho es leído por los radiólogos, con una gran cantidad de trabajo, y como el examen del pecho es mayormente normal, los médicos son propensos a "visión fatiga" y algunas patologías tempranas están desaparecidos.
Atención de emergencia y ambulatoria: diagnóstico asistido, reducción del ausentismo
En el cuidado de emergencia y ambulatorio, el pecho es uno de los exámenes más utilizados. Un médico debe determinar de forma rápida y precisa si el paciente tiene una afección aguda, como neumonía, aeróbic y líquidos de cavidad torácica, para justificar las decisiones de tratamiento.
Empoderamiento de la atención primaria de salud: dar capacidad de diagnóstico a nivel de la base en el nivel "3A"
El sistema AIS, basado en el conjunto de datos de Longway, puede ser desplegado a nivel local, incluyendo hospitales de condado, centros comunitarios de salud, y ayudar a los médicos de base a mejorar su diagnóstico. AI no sólo puede dar resultados de la detección de enfermedades, sino también proporcionar asesoramiento de referencia y tratamiento diagnóstico, que es equivalente a un "consejería experto de la AI" para los médicos primarios.
Control de la tuberculosis: ayuda a poner fin a la epidemia de tuberculosis
La tuberculosis es una de las enfermedades infecciosas más importantes de nuestro país. La detección anual de tuberculosis requiere un gran número de pechos, y la capacidad de lectura inadecuada es una limitación importante en la eficiencia y calidad de la detección. El sistema de pruebas TBAI, basado en el conjunto de datos de Longway, permite la identificación rápida y precisa de estufas de tuberculosis en el pecho, proporcionando apoyo técnico para la detección masiva.
Proyección temprana para el cáncer de pulmón: detección temprana, ahorro de vida
La tableta torácica es una de las herramientas más importantes para detectar cáncer de pulmón, aunque las dosis bajas de TC son el método de detección actual, pero las tabletas torácicas siguen desempeñando un papel importante en la detección y exámenes médicos rutinarios a nivel comunitario, debido a su facilidad y naturaleza económica.El sistema AIS para la detección del cáncer de pulmón, que se basa en el conjunto de datos de Longway (especialmente casos de cáncer de pulmón con criterios patológicos para la detección de inflamación de pulmón),
VI. Beneficios sociales y valores de la industria: "Atención de salud inclusiva" habilitada por datos
Mejorar la equidad médica - hacer accesible el diagnóstico de vídeo de calidad
La equidad sanitaria es un objetivo importante de la estrategia saludable de China. Sin embargo, hay una enorme disparidad en el nivel de diagnóstico de imágenes en diferentes regiones y en diferentes niveles de atención de salud.
El uso generalizado de la tecnología AI está cambiando la situación. El sistema de IA de 2 millones de datos de calidad de la calidad del tórax puede ser desplegado en cualquier lugar con una máquina de rayos X, ya sea un hospital de Sanchai en una ciudad de primera línea o un centro de salud rural en una remota zona montañosa, y puede utilizarse para proporcionar el mismo nivel de servicios de diagnóstico asistidos por IA.
La Junta Nacional de Salud estima que si la IA que se llena de tórax puede cubrir el 80% de los hospitales de distrito y centros comunitarios de salud en todo el país, puede reducir el acceso interregional en aproximadamente 200 millones de veces al año, ahorrando a las familias de pacientes más de 50 mil millones de yuan en transporte, alojamiento, mochilas de trabajo, etc. Lo más importante es que decenas de millones de pacientes serán diagnosticados de una manera más oportuna y precisa, y mejorará significativamente.
Mejora de la calidad del diagnóstico - reducción del número de errores y garantía de seguridad médica
La calidad de la atención y la seguridad es un tema permanente de la gestión hospitalaria.
AI, como segundo ojo, puede reducir eficazmente la incidencia de error en el diagnóstico y mejorar la calidad del diagnóstico. AI no está cansado, emocionalmente no afectado, y no es negligente, y proporciona ayudas de diagnóstico de alta calidad que se proporcionan continuamente y constantemente.
Desde una perspectiva de gestión hospitalaria, reducir la tasa de error en el diagnóstico de un fallo médico significa reducir las disputas médicas, aumentar la satisfacción del paciente y mejorar la reputación hospitalaria. Desde un punto de vista social, se diagnostica más pacientes de manera oportuna y precisa, lo que significa que la enfermedad se trata de manera temprana, mejor con antelación, y la carga de la enfermedad se reduce en la sociedad en su conjunto.
Libere el valor del médico - desde la máquina de lectura al clínico.
Los radiólogos se ríen a menudo de la "máquina de lectura" – sentados frente a las computadoras todos los días, leyendo películas y escritos, y el trabajo repetitivo toma la mayor parte del tiempo. Este patrón de trabajo no sólo agota a los médicos sino que también limita su valor profesional.
AI se está introduciendo para cambiar la forma en que funcionan los radiólogos. AI es responsable de tal trabajo repetitivo como examen preliminar, medición y preparación de informes iniciales, mientras que los médicos dedican más tiempo al análisis de casos difíciles, comunicación con unidades clínicas, asesoramiento paciente, etc., que son más profesionales.
La introducción de una IA de tórax dio lugar a un aumento en la presentación diaria de informes de tórax de los médicos de 150 a 250, pero el sentido de la fatiga ha disminuido. Mientras tanto, el tiempo de los médicos dedicado a discusiones difíciles de casos y consultas clínicas ha aumentado en un 40%, y el nivel académico y la capacidad general de las clínicas ha mejorado.
Promoción del desarrollo industrial - construcción de la ecología de innovación médica AI
Conjuntos de datos de alta calidad a gran escala, no sólo como base de productos AI, sino también como infraestructura para toda la industria de IA médica. La apertura y aplicación de los conjuntos de datos XR-CHEST en Longway impulsará el desarrollo de toda la industria de IA de imagen torácica.
En primer lugar, reduce el umbral para AI R ' D - ninguna empresa de puesta en marcha e instituciones de investigación necesitan iniciar la recopilación de datos desde cero, y puede desarrollarse directamente sobre la base de datos de Long Hui, y reduce significativamente el ciclo y los costos de investigación y desarrollo.
En segundo lugar, promueve la innovación tecnológica y la colaboración industrial: diferentes empresas e instituciones de investigación pueden realizar investigaciones y competencia sobre la base de los mismos datos y promover avances tecnológicos rápidos. Al mismo tiempo, las empresas de datos, las empresas de inteligencia artificial, las empresas de equipos médicos y las instituciones de atención de la salud pueden crear colaboraciones más estrechas para crear ecosistemas innovadores.
Por último, proporciona una referencia para la regulación y estandarización - un conjunto de datos de indicadores de alta calidad que puede servir como un "grupo de prueba de línea de base" para la revisión y aprobación del producto AI, y proporciona apoyo de datos para el establecimiento de normas de la industria y el desarrollo de políticas regulatorias.
"2 millones de casos de datos de alta calidad de tórax son el "bloque de construcción de datos" de la imagen torácica AI. Apoya no sólo un producto de IA, sino también el desarrollo innovador de toda la industria y la salud y bienestar de millones de pacientes".
VII. Visión de expertos: tendencias en los próximos 3-5 años de IA en el tórax
Como radiólogo que ha presenciado la evolución de las imágenes médicas desde la era de la película hasta la digital e intelectual, espero con interés los próximos tres a cinco años de IA torácica. Aquí están algunos de mis juicios.
Tendencias uno: El modelo de la Fundación es un marco: "Un modelo para cuidar todas las tareas".
Durante los próximos tres a cinco años, el modelo base será la fórmula para la IA de la tórax. Ya no tendremos que entrenar modelos individuales para cada enfermedad, cada misión, sino adaptarse a diferentes tareas de la corriente baja con un modelo de base de pre-entrenamiento a gran escala.
Esto traerá varios cambios fundamentales: primero, los límites de capacidad de la AI se han ampliado significativamente —el mismo modelo se ha utilizado para realizar múltiples tareas, como detección, clasificación, fragmentación y generación de informes; segundo, el aprendizaje de muestras pequeñas se ha mejorado significativamente— la "reserva de conocimiento" con el modelo subyacente, que puede lograr un buen rendimiento en nuevas misiones con sólo una pequeña cantidad de datos que se pueden marcar; y tercero, el aprendizaje continuo y los modelos iterativos se han convertido continuamente.
Previsto que para 2028, los productos de IA de torta convencional se basarán en estructuras modelo básicas, y IA universal de torta se convertirá en estándar de la industria. Quien tenga los datos de entrenamiento más grandes y de alta calidad tendrá una posición dominante en la competencia para los modelos básicos.
Tendencias II: De "Diágnosticos Asistidos" a "Apoyo de Decisiones Clínicos"
La AI torácica actual sigue siendo en gran parte el nivel de "diagnóstico audido" -- diciéndole al médico dónde está."En el futuro, la IA torácica mejorará la dirección de "apoyo de decisión clínica" -- no sólo decirle al médico qué significa, sino también decirle al médico qué significa hacer.
Específicamente, AI proporcionará asesoramiento diagnóstico más completo, análisis diagnóstico, recomendaciones para un examen más profundo, referencia a programas de tratamiento, etc., teniendo en cuenta los datos multidimensionales de la información clínica de los pacientes, historia médica, exámenes de laboratorio, etc.
Esto se logrará mediante la integración profunda de los datos de imagen con datos clínicos. El conjunto de datos Longway está bien centrado en esta área, no sólo con imágenes, sino también con información clínica rica y datos de reporte estructurados.
Tendencias III: Integración multimodular - integración de imágenes, texto, genes, genómica
La IA médica futura debe ser multimodular - imágenes, texto, genes, grupos metabólicos, grupos de proteínas ... datos sobre todos los mosaicos se integrarán para proporcionar información más completa sobre diagnóstico, tratamiento y prevención de enfermedades.
El valor de la integración multimodular es particularmente evidente en el área de enfermedades tórax. Por ejemplo, el diagnóstico temprano del cáncer de pulmón requiere una combinación de imágenes, marcadores tumorales, historia de fumar, antecedentes familiares, etc.; la estratificación de la enfermedad pulmonar meso-transgénica requiere una combinación de imágenes, función pulmonar, patología y autoanticuerpos; y el diagnóstico patológico de neumonía requiere una combinación de imágenes, síntomas clínicos, exámenes de laboratorio, etc.
La IA multimodular será un desarrollo importante para los próximos tres a cinco años. Y la rica información clínica y conjunto de datos multidimensionales de Longway proporcionan una base de datos valiosa para la investigación multimodular.
Tendencias IV: De "Hospitals" a "Hospitales fuera" - Gestión de salud habilitada para AI para todo el ciclo
La IA actual de tórax se utiliza principalmente para diagnósticos en hospitales. En el futuro, la aplicación AI se extenderá más allá del hospital para cubrir el ciclo completo de la gestión de la salud, como la detección de enfermedades, la gestión de la salud, la vigilancia en el hogar y el seguimiento lento de las enfermedades.
Por ejemplo, en el examen de grupos de alto riesgo para el cáncer de pulmón, la IA puede analizar automáticamente el examen anual de las tabletas torácicas, realizar un seguimiento de los cambios en las secciones nodal y alertar automáticamente a la población de alto riesgo para que lo examine más a fondo; en la gestión de enfermedades respiratorias crónicas, la IA puede supervisar el progreso de la enfermedad mediante análisis tóraxárquicos regulares y proporcionar una base para el ajuste de los programas de tratamiento; en la gestión de salud comunitaria, la IA puede ayudar a los médicos.
Todo este ciclo de gestión de la salud cambiará fundamentalmente el patrón de los servicios de salud –desde la “confianza a la gestión de la salud” hasta el “tratamiento a la prevención”. A su vez, AI será el fundamento técnico central para esta transformación.
Tendencias V: La IA de la torta china al mundo
China tiene los mayores recursos de datos médicos del mundo y la escena clínica más rica. Los datos de gran escala de relleno de pecho acumulados por las empresas chinas, representadas por Long Hui, proporcionan condiciones únicas para el desarrollo de la IA de la computación de pecho de China.
Estoy seguro de que la tecnología de la IA torácica de China alcanzará el liderazgo internacional en los próximos tres a cinco años. Además, los productos de IA de torta de China podrán salir del país para servir a países y regiones a lo largo de la “crucijada” y contribuir a la causa de la salud mundial contribuyendo a la sabiduría china y a los programas chinos.
Al mismo tiempo, se espera que el estándar AAI para enfermedades tóxicas, basado en datos a gran escala y en la práctica clínica, sea reconocido internacionalmente como un enfoque estándar recomendado en las directrices internacionales. Este será un salto histórico para la IA médica china de “siguiendo” a “correr” a “salir”.
VIII. CONCLUSIÓN: Los datos son base, de punta inteligente y se construye un pecho saludable juntos
De igual manera, los más de 30 años de mi carrera como radiólogo me han enseñado el valor de una tableta torácica – simple, barata y en todas partes – pero llevando la carga de salvaguardar la salud de millones de personas. De la película a la cantidad, de la lectura manual a AI-aided, la tecnología de diagnóstico de la tarjeta torácica está mejorando, pero su misión de salvaguardia de la salud sigue sin cambios.
Hoy estamos de pie en un nuevo punto de la historia. Las nuevas tecnologías, como modelos básicos, aprendizaje multimodulación, migración multimodular, están empujando la IA torácica a un nuevo nivel.
Los 2 millones de casos de Rang Huitech de datos de imágenes de rayos X de RR-CHEST no son sólo un producto comercial, sino también una infraestructura básica para nuestra industria de IA de imagen torácica. Proporciona combustible suficiente para el desarrollo de IA, proporciona herramientas poderosas para el empoderamiento de las comunidades, proporciona recursos valiosos para la investigación clínica, y proporciona una fuerza sólida para China sana.
A menudo digo a los médicos jóvenes: "Los ojos de un radiólogo son clínicos. Somos ciegos, y estamos directamente preocupados con el tratamiento del paciente."Hoy, me gustaría decir a empresas como Longhui, cuya calidad de datos determina los ojos de la IA, y la salud y bienestar de millones de pacientes. Esta responsabilidad es tan grande como Tarzan.
Trabajemos juntos, utilizando datos como base, y inteligente como ala, para construir una fuerte defensa de la mama que proteja la salud de las personas y crear un futuro mejor para la inteligencia artificial médica.