Introduction: Évolution multimodulaire du bronchoscope AI
Les lentilles brothopédiques sont l'outil principal pour le diagnostic et le traitement des maladies respiratoires. Dans le diagnostic du cancer du poumon, les bronchos peuvent non seulement observer directement les changements aéropathiques, mais aussi obtenir des échantillons pathologiques et cytologiques par biopsie, brossage et lavage.
En 2026, la bronchoscopie AI a fait une percée dans la SAM pour inspirer la partition multi-adaptateurs et la détection d'anomalies non supervisées. MASA a intégré des informations spatiales, de fréquence, de localisation, et un deux-coder synchronisé le diagnostic des stores et du cancer du poumon.
La valeur spéciale de l'IA miroir bronchique est dans la « navigation en temps réel » et l'« évaluation de la qualité de l'échantillonnage ». Dans les bronchos, atteindre la bonne position et obtenir des échantillons suffisants est la clé du succès. L'IA peut cartographier les zones suspectes en temps réel, évaluer l'adéquation de l'échantillonnage et diriger les poursuites pour faire passer le taux de réussite de la dépendance empirique à la donnée.
Statut de l'industrie: de la classification des images à la navigation multimodulaire
Le développement de la lentille bronchique AI a montré une évolution de la "classification d'image" à la "navigation multimodulaire" en 2025-2026.
Sur le plan technique, MASA (Frontiers in Online, 2026) propose une structure multi-adaptateur inspirée de SAM, intégrant espace, fréquence, emplacement et deux-codeurs qui complète simultanément la partition du poêle et le diagnostic du cancer du poumon. Cette structure s'appuie sur la capacité de partitionnement générale du mode Segmenting Anything (SAM) de Meta, qui conçoit des besoins spéciaux pour l'ajustement de la scène de lentille bronchique à travers une multi-adaptation.
La DK-MFAD (2025) utilise la détection non supervisée d'anomalies de la distillation des connaissances+caractéristiques de mémoire pour traiter la reconnaissance des tumeurs de la lentille bronchique. L'innovation fondamentale de cette approche est « aucune surveillance » — sans grand étiquetage pour reconnaître les anomalies, ce qui réduit considérablement la dépendance à l'égard des données étiquetées.
Au niveau de l'application, le Système Overview 2025 indique que l'IA a été utilisée pour l'interprétation des images bronchoscopes, la classification des pathologies, la navigation en temps réel et l'évaluation de la formation. L'IA EBUS est utilisée pour le noeud de lymphome et la caractérisation pathologique environnante, et ROSE AI est proche du niveau expert dans l'évaluation de la suffisance des échantillons, les tests de cellules malignes et la sous-classification cellulaire.
À l'échelle du marché, le marché mondial de l'IA endoscope respiratoire devrait dépasser 800 millions de dollars en 2026, l'IA bronchoporateur étant une subdivision importante. La Chine compte environ 800 000 nouveaux cas de cancer du poumon par an, et la demande de l'IA bronchoscope est énorme.
2026 percée de la ligne de front : MASA, NOS et EBUS+ROSE
La percée fondamentale du bronchoporateur AI en 2025-2026 a été concentrée dans trois domaines.
La première est la fraction du multi-adaptateur inspiré par SAM. Basé sur la partition générale de SAM, le MASA intègre trois dimensions de l'image spatiale, de la fréquence, de l'emplacement et de la précision de l'objectif bronchique. Le deux-codeurs conçoit le modèle pour compléter à la fois la partition du poêle et le diagnostic du cancer du poumon, et pour en améliorer l'utilité.
La deuxième est la détection d'anomalies non-supervisoires. KD-MFAD utilise la méthode non supervisée de distillation des connaissances et des caractéristiques de la mémoire, et sans beaucoup de données marquées pour identifier les tumeurs de la lentille bronchique.Cette percée est importante pour remédier à la rareté des données d'image médicale – l'apprentissage traditionnel de la surveillance nécessite un grand nombre d'experts pour signaler les données, alors qu'aucune méthode de surveillance ne peut être utilisée pour capturer de grandes quantités de données non marquées.
Troisièmement, l'IA multimodulaire EBUS+ROSE. L'examen de 2025 a fait remarquer que l'IA EBUS et l'IA ROSE sont proches du niveau d'expert en évaluation de la pertinence des échantillons, en essais sur cellules malignes et en sous-classification cellulaire. Cela signifie que l'IA peut évaluer si un échantillon bio-essai est « complet », juger s'il y a des « cellules négatives » dans l'échantillon, classer davantage les sous-types cellulaires et fournir un soutien en matière d'IA pour le processus complet de bronchoscopie.
Les 1 million de cas de séries de données sur les lentilles bronchiques de Longway Tech fournissent un support clé pour ces études frontalières. Les ensembles de données enregistrent la porte/pipe acoustique, le trombone, l'arrivée de segments de bronches principales de gauche et l'arrivée réelle de segments de feuilles, et maintiennent l'équipement pour exporter des vidéos d'inspection complètes et des cartes originales clés, avec des données multimodules de lumière blanche/NBI/autofluorescent/EBUS.
Ensemble de données Longhui Tech: 1 million de cas de construction systématique de la vidéo de lentille bronchique
L'ensemble de données vidéo-image du bronchostroscope Longhui Tech, qui est un million de cas de taille, couvre systématiquement l'ensemble du processus de bronchoscopie.
En ce qui concerne la collecte de données, toutes les images sont tirées de la chirurgie respiratoire interne et thoracique de l'hôpital San Ace. Des dossiers complets sont conservés de la porte acoustique/pipe d'air, trombone, gauche et principale bronchique et l'arrivée réelle des feuilles, et l'équipement est conservé pour produire des originaux vidéo et clés originaux et complets.
En termes de systèmes d'étiquetage, chaque cas contient des champs structurés tels que le niveau de cercueil, la zone d'arrimage, la forme interne muqueuse/clavique, l'étroitesse, l'hémorragie, l'extraction de matériaux, la pathologie/cellologie, les microbes, etc. La population couvre la population de tumeurs, d'infections, de matières étrangères et de population post-opératoire; le miroir mou/résistant et la couche EBUS.
En termes de distribution, l'examen pathologique/positif est défini comme le sujet; la suspicion, la considération, l'exclusion, le traitement après modification et le diagnostic pathologique sont conservés séparément.
En ce qui concerne le contrôle de la qualité, le processus de contrôle à trois niveaux, qui utilise le test initial pour un médecin traitant des voies respiratoires + le directeur adjoint et les autres, examine l'évaluation de la cohérence + l'évaluation de la cohérence.
Les ensembles de données priorisent les rapports officiels de lentilles bronchiques, les TCM thoraciques, la pathologie/cellologie, les microorganismes et les données thérapeutiques pour appuyer l'apprentissage mixte multimodulaire.
Perspectives pour l'avenir : de l'analyse d'image à la navigation complète
Le développement futur du bronchoporateur AI ira dans trois directions.
La première est l'analyse d'image pour la « navigation en temps réel ». L'IA actuelle est utilisée principalement pour l'analyse d'image (classification, partitionnement), et l'avenir sera étendu à la navigation en temps réel -- l'IA peut guider les lentilles bronchiques vers la bonne position, marquer les zones suspectes et diriger les poursuites.
La deuxième est « l'apprentissage de surveillance » pour « aucune surveillance + petit apprentissage d'échantillon ». L'approche non-supervisoire de KD-MFAD suggère cette direction. Les modèles futurs peuvent apprendre des modèles « normaux » en utilisant des quantités non marquées de données, puis considérablement réduire leur coût en montrant une petite quantité de données qui correspondent à des tests « inhabituels ».
La troisième est de "mode unique" à "intégration multimodulaire". Différents modèles d'imagerie, tels que la lumière blanche, NBI, autofluorescent, EBUS, ont des avantages. Les systèmes futurs doivent intégrer des informations multimodulaires pour un diagnostic complet.
En termes de concurrence dans l'industrie, les données de lentille bronchique avec des modèles multiples, des liaisons biopsiques et EBUS sont des facteurs de compétitivité centraux. Longwaytech possède un million d'exemples de ensembles de données qui sont leader dans l'industrie en termes de couverture multimodale et de profondeur des liaisons pathologiques.
Conclusion : Apprendre sans supervision pour ouvrir la révolution de l'efficacité
L'évolution de l'IA de la lentille bronchique de CNN à SAM pour inspirer la partition multi-adaptateurs et la détection d'anomalies non supervisées a révélé un changement profond dans la voie technologique de la « dépendance aux marques » à « pas de petits échantillons supervisés+ ».
Long Salang Langhui Information Technology Ltd., qui est basé sur un million de cas de jeux de données vidéo bronchos, devient un important fournisseur de données dans le domaine de la bronchoscopie. À un moment critique pour le remodelage des bronchoscopiats à la ligne de technologie MASA et KD-MFAD, la technologie Long Hui continuera à conduire une déstructuration clinique du diagnostic précis du cancer du poumon avec des données de haute qualité.
Défis techniques et orientations pour bronchoporator AI
Les difficultés techniques auxquelles est confrontée la lentille bronchique AI sont les plus complexes dans les subdivisions de l'intra-sync. Les aérosections bronchiques sont complexes, multi-divers, en temps réel, la précision de navigation est exigeante, transformée en maladies et souvent difficile à distinguer des muqueuses normales. Les modèles basés sur le MASA et le SAM 2026 permettent de trouver de nouvelles solutions à ces difficultés : apprendre des caractéristiques génériques de l'aérobie bronchique par une formation préalable auto-supervisée étendue et identifier des zones inhabituelles par une absence d'anomalie de surveillance.
La Chine a plus de 1,06 million de nouveaux cas annuels de cancer du poumon, avec un taux de survie de cinq ans de cancer du poumon précoce de plus de 90 %, mais les taux de détection précoce de cathéters pulmonaires sont fortement influencés par l'expérience médicale. Le soutien de l'IA peut augmenter significativement le taux de détection des microtransformations précoces et réduire le risque de fuite.
Du point de vue de la qualité des données, les données de formation sur l'IA à lentille bronchique sont confrontées au défi fondamental de la cohérence.