«Depuis plus de 30 ans, j'ai examiné plus d'un million de puces thoraciques. Les puces thoraciques sont les plus basiques et les plus courantes de tous les tests vidéo, mais aussi celles qui testent le pouvoir des médecins: du point du poumon à l'angle de la corne, et du décollement à la pleurale, chaque détail peut contenir des indices de maladie. Et le diagnostic de puce thoracique Ai-era est redéfini par un ensemble de données de grande qualité.»
Guide d'experts: Poches - L'arbre de printemps des images médicales
En tant que radiologue, ma carrière commence avec une puce thoracique. Après plus de 30 ans, la technologie vidéo avancée a évolué, comme le CT, l'IRM, le PET-CT, mais la puce thoracique est toujours le moyen le plus utilisé pour la projection d'images en termes cliniques.
Le nombre de radiographies pulmonaires dans le pays est estimé à plus de 3 milliards par an, soit plus de 40 % de toutes les projections vidéo. Du dépistage médical aux premiers soins d'urgence, de la routine d'hospitalisation au suivi postopératoire, la poitrine est partout. C'est la première ligne de défense pour le diagnostic de maladies telles que les maladies respiratoires, les maladies cardiovasculaires, les tumeurs mammaires, etc., et est un outil important dans les services de santé publique.
Une table thoracique contient de très grandes quantités d'informations - champ pulmonaire, porte pulmonaire, interspersion, mitectomie cardiaque, pectromètre, muscle musculaire, côtes, thorax... Toute anomalie dans n'importe quelle partie de la poitrine peut être un signe de maladie. Une lecture complète et précise d'une tablette thoracique nécessite un médecin avec une anatomie solide, une pathologie et des connaissances cliniques, ainsi qu'une exposition étendue au film.
En réalité, le cycle de formation long et le faible taux de succès des radiologistes et la forte demande de poitrines ont entraîné un déséquilibre grave de l'offre et de la demande. En particulier, au niveau primaire, la capacité de diagnostiquer les poitrines est généralement faible – beaucoup de niveaux primaires sont lus par les médecins généralistes ou les médecins de faible âge, avec un taux élevé d'erreur dans le diagnostic.
Aujourd'hui, en 2026, l'intelligence artificielle révolutionne le diagnostic de la poitrine. De la détection à une seule modération à un diagnostic multipathologique, de la classification des images à la génération de rapports, des images 2D à l'apprentissage multimodulaire, le développement de la casquette thoracique est en train de changer.
Aujourd'hui, je voudrais explorer avec vous, du point de vue d'un radiologue, la pointe de l'IA à rayons X thoraciques et la valeur et l'importance stratégique de 2 millions de séries de données XR-CHEST à rayons X thoraciques de Chang Long-Hang-Hong-Hong-Hong-Hong-Hong-Hyun.
II. Douleurs commerciales: Le "Quadretex" du diagnostic de la poitrine comprimé
Difficulté un : une charge de travail énorme, un lourd fardeau pour les médecins
Le service de radiologie d'un hôpital du Sanctuaire peut traiter des milliers de rapports de la poitrine chaque jour. Les radiologistes s'assoient dans la salle de lecture tous les jours, regardant un écran avec une seule page de lecture, avec des yeux secs et de l'acide scaprique.
Plus important encore, la plaque thoracique, bien que « commune » mais pas « simple. » La structure anatomique thoracique est complexe, avec une grande variété de variations et de manifestations variables. C'est aussi une ombre pulmonaire, qui peut être la pneumonie, qui peut être la tuberculose, qui peut être des tumeurs, qui peut être démodée. Pour faire un diagnostic précis, il faut une combinaison de facteurs tels que la région, la forme, la densité, le bord et le changement tissulaire, et des informations cliniques sur le patient.
Il est difficile pour les médecins de consacrer suffisamment de temps et d'efforts à chaque thorax sous la pression d'une lourde charge de travail. Selon des études étrangères, les radiologues passent en moyenne moins de 30 secondes sur une tablette thoracique.
Une étude montre qu'après huit heures de travail, les radiologues réduisent le taux de précision du diagnostic de 10-15%. Dans notre pays, beaucoup de radiologues travaillent beaucoup plus de huit heures, et le problème de la qualité du diagnostic est aggravé par la fatigue.
Détresse II: Faible capacité au niveau local et mauvaise qualité du diagnostic
Si le problème avec le grand hôpital n'est pas « occupé », alors le problème avec l'hôpital de base est « n'a pas assez de capacité ».
Les services de radiologie de nos établissements de soins primaires sont généralement confrontés à une pénurie de personnel, d'équipement et de capacités.
Selon l'Enquête sur l'état des services d'image médicale au niveau de base (2025), le diagnostic des poitrines dans les établissements de soins de santé primaires n'est que de 65 à 75 % précis et le taux de fuite est aussi élevé que 15 à 25 %. En particulier, le diagnostic précoce du cancer du poumon, avec le taux d'échec au niveau de base supérieur à 30 %, signifie que de nombreux patients ont pris un film thoracique au niveau de base, mais n'ont pas été détectés à temps, et c'est le stade moyen et tardif du diagnostic lorsque l'hôpital supérieur est dans la partie supérieure.
Le manque de capacité de diagnostic des poitrines primaires affecte non seulement la santé des patients, mais limite également l'avancement du niveau de traitement - les patients ne font pas confiance aux résultats du diagnostic au niveau local, les principales maladies se rendant dans les grands hôpitaux, ce qui entraîne la surpopulation et les hôpitaux de base de devenir plus accessibles.
Le troisième problème : la maladie est si nombreuse, l'IA est la « guerre de départ ».
La variété des maladies thoraciques est des centaines d'entre elles. Les images de différentes maladies varient, et les critères de diagnostic varient. Cela conduit à l'élaboration d'une situation de «bataille à action» pour l'IA de cas de poitrine, avec des entreprises effectuant des tests de pneumonie, certaines narines, certains tests de tuberculose et d'autres seins aérobies.
Ce modèle de développement de l'IA « maladie unique » pose plusieurs problèmes : premièrement, une valeur clinique limitée — les médecins ont besoin d'un diagnostic complet plutôt que de résultats isolés; deuxièmement, des coûts de déploiement élevés — les hôpitaux ont besoin de plusieurs systèmes d'IA pour les intégrer et les maintenir; et troisièmement, une faible utilisation des données — chaque IA n'utilise qu'une étiquette partielle de données, ce qui entraîne un gaspillage de ressources de données.
Ces dernières années, bien qu'il y ait eu plusieurs produits d'IA multipathiques à bouton thoracique, les performances ont généralement été insatisfaisantes. La raison sous-jacente est les données — la formation d'un système d'IA pour le diagnostic de combinaisons multipathologiques nécessite un ensemble de données à grande échelle qui labelle simultanément plusieurs pathologies, qui sont rares.
Frustration IV: écart de qualité, "Norme d'or" non.
La formation de l'IA à sommet thoracique nécessite un étiquetage exhaustif des données. Cependant, la qualité de l'étiquette est inégale et constitue un problème généralisé dans l'industrie.
La difficulté des comprimés thoraciques est, premièrement, que les limites de la maladie sont floues - celle de nombreuses pathologies pulmonaires (comme l'inflammation, l'immersion, la fibrose, etc.) sont peu claires et que les profils des différents médecins peuvent varier considérablement; deuxièmement, que les différences de jugement subjectif - celui des différents médecins sont incohérents dans le jugement de certains signes (comme « augmentation de la texture pulmonaire » de « augmentation pleurale », etc.); et troisièmement, que le diagnostic doit être combiné avec clinique - que la signification clinique de certaines images doit être combinée avec les antécédents, les symptômes, l'examen de laboratoire du patient, etc., et qu'il est difficile de déterminer simplement à voir des images.
Pour ces raisons, l'étalon d'or, qui est marqué sur la poitrine, n'est pas souvent «or». De nombreux ensembles de données sont marqués par un médecin, et la qualité est difficile à garantir sans examen et contrôle de la qualité.
La prochaine étape de la compétition est le cœur de la compétition pour les données - qui ont les plus grandes, les plus grandes qualité, les plus grandes maladies, les plus grandes séries de données sur les films - qui peuvent prendre la partie supérieure de l'âge du modèle de base. Longwaytech a 2 millions de cas de ensembles de données XR-CHEST, le « bloc de construction de données » de l'âge.
Trois, 2026 percée de la ligne de front: "Cinq ondes technologiques" de l'image de poitrine AI.
En 2025-2026, le secteur de l'IA à rayons X a connu une nouvelle vague de technologie. Le modèle de base, le diagnostic articulaire multipathologique, la génération de rapports, l'apprentissage trans-modèle, etc., se déplacent en parallèle, poussant l'IA à la poitrine-film dans une nouvelle phase de développement.
Une rupture : le modèle de base de la préformation de masse -- la naissance de l'universel Chest-Ai.
Depuis 2025, le modèle de la Fondation est devenu la direction la plus chaude pour la vidéo médicale AI. Dans le domaine des puces thoraciques, le modèle de base de la pré-formation de masse est de changer le modèle de développement de « un sur un » et de générer « un sur un » « une puce générale AI ».
En mars 2025, Google DeepMind a publié un modèle Med-PaLM M dans Nature, un modèle générique de médecine polymode, qui a effectué une performance impressionnante sur la mission de la poitrine-capsure – avec le test de pathologie thoracique de 14 types, l'AUD moyen de Med-PaLM a atteint 0,93, dépassant la plupart des modèles précédents dédiés à l'entraînement de la poitrine-chips.
Mais ce qui est plus frappant, c'est sa « capacité commune » - le même modèle, qui ne nécessite pas une formation individuelle pour chaque maladie pour identifier de multiples pathologies mammaires. C'est grâce à la « capacité de création » qui vient de la préformation de masse - lorsque la taille du modèle et les données de formation atteignent un certain niveau, les modèles acquièrent soudainement les capacités que beaucoup de petits modèles ne font pas.
En octobre 2025, de bonnes nouvelles sont venues du pays. Le premier modèle de base de la puce thoracique, le ChestFM, a été publié par l'UNI, en collaboration avec l'hôpital Sun de l'Université de Jordanie, basé sur 800 000 données de la puce thoracique, a été auto-surveillable et a ensuite affiné plusieurs missions en aval.
En 2026, le modèle de base de capture thoracique a évolué vers une plus grande direction vers une plus grande et plus forte. Selon moi, Longwaytech travaille avec la meilleure équipe d'IA du pays pour former un modèle de base d'image thoracique plus grand, le ChestFM-200M, basé sur ses 2 millions d'ensembles de données de capture thoracique.
Deuxième rupture : diagnostic articulaire multi-maladie -- du « test en un seul point » à l'évaluation complète
Les cliniciens lisent les comprimés de poitrine, qui sont un processus complet et systématique – du point au fond des poumons, du clivage à la pléthore, de l'os au tissu mou, pour être vus et jugés d'une seule manière.
En juin 2025, une étude publiée par la Stanford University School of Medicine in Radiology a produit un modèle de ChestX-Dense qui permet de diagnostiquer 37 maladies mammaires simultanément, atteignant une moyenne de 0,90 pour l'ASC. Les modèles de multi-maladies sont non seulement plus complets que les modèles de simple maladie, mais ils ont également une plus grande précision diagnostique pour certaines maladies en raison du partage des caractéristiques entre les différentes maladies.
En 2026, de nouvelles percées ont été réalisées dans le diagnostic conjoint de plusieurs maladies. L'équipe de radiologie de Pékin, basée sur 150 000 cas de comprimés thoraciques de la technologie Longhui, a développé le système multi-missions multi-pathiques poitrine-dans-une-branche ChestMultiNet.
Plus que tout, l'équipe a introduit le « modèle de lien de maladie » dans le modèle, qui utilise des relations de complication et de diagnostic entre différentes maladies pour améliorer la performance diagnostique globale. Par exemple, le modèle « sait » que la cavité thoracique est souvent associée à la pneumonie ou des tumeurs, que la tuberculose est meilleure que l'extrémité supérieure du poumon. Ces études a priori sont introduites, ce qui rend le diagnostic de l'IA plus comme la pensée d'un médecin humain.
Breaking Three: AI reports generation -- de « voir le film » à « écrire le rapport ».
Le métier de radiologue n'est pas seulement de « voir un film », mais surtout de « rédiger un rapport » – de décrire les images dans un langage professionnel et normalisé et de donner des diagnostics et des recommandations.
Depuis 2025, alors que la technologie du modèle de langue majeure (LLM) évolue rapidement, l'IA produit automatiquement des rapports vidéo comme point d'accès à la recherche. En mai 2025, Microsoft Institute, en collaboration avec l'Université John Hopkins, a publié un système de production de rapports de poitrine basé sur le GPT-4 en médecine naturelle. Le système combine la caractérisation de l'image avec des modèles de langue grande, qui génèrent automatiquement des rapports de poitrine structurés.
Le système de caption thoracique en langue chinoise ChessReportGPT, basé sur un ensemble de données à grande échelle de l'hôpital Longsier de Shanghai, a été développé. En utilisant le "Code Victor" plus le modèle mégalinguistique médical chinois, le système produit automatiquement un rapport sur la poitrine qui respecte les normes de radiologie chinoise.
Les tests cliniques préliminaires montrent que les rapports générés par ChessReportGPT ont atteint 88% de l'exactitude des résultats clés, 92% de l'exhaustivité des rapports et fortement notés par les radiologistes. Plus important, le système a amélioré significativement l'efficacité en réduisant le temps que les médecins rédigent leurs rapports de plus de 60%.
Bien sûr, la génération de rapports AI est encore en phase de soutien – la première ébauche de l'IA est en cours de production, et les médecins la revoient. Mais je crois que, à mesure que la technologie continue d'améliorer, la qualité du rapport AI va s'accroître et deviendra finalement un assistant indispensable à l'écriture pour les radiologues.
Quatre percées : apprentissage transmodulaire - Radiographie + migration des connaissances CT
La poitrine est une projection 2D, avec des informations limitées. Le CT est une image de faille 3D qui fournit des informations anatomiques plus riches et sophistiquées. Si la connaissance que CT a apprise est déplacée vers la poitrine, il améliorera grandement la performance de l'IA bouton poitrine. C'est l'idée d'apprentissage multimodèle.
En 2025, cela a permis une percée majeure. L'équipe de recherche du MIT General Hospital a présenté le modèle XCT-Net, un cadre d'apprentissage multimodulaire qui utilise une grande quantité de données CT pour compléter la formation de la table thoracique.
Les résultats expérimentaux montrent que la performance des modèles de comprimés thoraciques pré-entraînements CT, aux fins de détection de la dysslexie pulmonaire, de reconnaissance de la pneumonie, etc., est significativement meilleure que celle de l'entraînement uniquement avec des données de comprimés thoraciques (ASC augmentées de 5,2 et 4,8 points de pourcentage, respectivement).
En 2026, l'apprentissage intermodulaire a progressé. L'équipe de l'Université industrielle de Munich a proposé un modèle de production intermodulaire – en utilisant les données CT pour « améliorer » les données sur les tablettes thoraciques, ce qui générerait des poitrines synthétiques de différentes perspectives et de différents degrés de variabilité pour l'expansion des ensembles de données de formation.
Longway Technologies est également active dans la cartographie de l'apprentissage intermodulaire. Il est entendu qu'ils construisent des ensembles de données d'appariement « X-ray plus CT » pour fournir un support de données pour la recherche intermodulaire sur l'IA. Cette direction, si cassée, ouvrira de nouveaux espaces pour la performance des rayons-thorax.
Break cinq: Certification standard en or pathologique -- du « diagnostic d'image » au « contrôle de la pathologie ».
Depuis longtemps, la formation et la validation de l'IA au sommet de la poitrine sont basées sur le diagnostic des médecins vidéo comme standard d'or. Mais le diagnostic vidéo est finalement indirect, et il y a un écart entre le diagnostic pathologique et le diagnostic pathologique.
Depuis 2025, de plus en plus de recherches ont porté sur le « contraste image-pathologique » - validation et optimisation du modèle de haut de poitrine à l'aide de résultats diagnostiques pathologiques. En septembre 2025, le Centre de cancer de Sloan-Käitlin (MSKCC) a publié une étude dans Lancet Digital Health, où il a formé et validé le modèle de haut de poitrine à l'aide de cas de cancer du poumon confirmés par des données pathologiques, qui a montré une augmentation de 12 % des caractéristiques de la détection du cancer du poumon et une diminution significative du taux positif de faux cancer.
Le point de cette étude est qu'elle indique une nouvelle direction pour le développement de l'IA thorax – passant du « niveau du médecin d'image » à « l'étalon d'or pathologique ». Bien que les images ne puissent jamais être exactement équivalentes à la pathologie, l'objectif de l'IA thorax est de se rapprocher le plus possible de l'étalon de pathologie.
En 2026, l'ensemble de données de Longway a également fait une percée majeure à cet égard, et a rassemblé des dizaines de milliers de données pathologiques contrastées sur les cardiogrammes thorax couvrant une large gamme de maladies, y compris le cancer du poumon, la tuberculose et la pneumonie. Ces données pathologiques peuvent être utilisées non seulement pour vérifier les performances du modèle d'IA, mais aussi pour former des modèles d'IA plus précis, de sorte que l'IA a appris non pas à diagnostiquer un médecin, mais ce qu'est réellement une maladie.
IV. Interprétation de la profondeur de l ' ensemble de données de Longway : 2 millions de cas de dépôt de données de thorax de l ' Encyclopédie
Et quand vous arrivez à la frontière technologique, nous regardons la base de données qui sous-tend ces technologies. L'ensemble de données XR-CHEST de Chang Longway Information Technologies est l'un des plus grands, les mieux marqués et les plus de qualité des jeux de données de puces mammaires dans le pays.
Avantage 1 : 2 millions de tailles — modèle de base de données de grande envergure
L'ensemble de données Rang Hui XR-CHEST contient 2 millions d'images radiographiques thoraciques, une taille qui est le premier ensemble de données pour le coffre du pays. Quel est le concept de 2 millions de cas? Il correspond au nombre total d'examens de film thoracique en 10-15 ans dans un grand hôpital du Sanctuaire, ou le nombre total d'examens de film mammaire dans une ville de taille moyenne pendant un an.
Pourquoi est-ce si grand ? Parce que nous entrons dans l'âge du modèle de base. La logique fondamentale du modèle sous-jacent est que « la préformation à grande échelle et la mise au point en aval » et l'effet de la préformation sont positivement liés à la taille des données -- plus le modèle apprend de données, plus les caractéristiques sont communes, plus les missions en aval sont performantes.
Deux millions de cas de données fournissent suffisamment de « carburant » pour former des modèles de base d'images thoraciques de haute qualité. Je peux dire de façon responsable que, au pays, il y a peu de séries de données qui soutiennent la formation dans un modèle de base de la poitrine, et que le XR-CHEST de Longway est le meilleur d'entre eux.
Outre la taille de la population, la distribution des ensembles de données de Luang Hui est très raisonnable. Elle couvre des personnes de différents âges, sexe et régions, et couvre des cas de maladies normales au système spectral. Cette distribution équilibrée garantit que les modèles ne sont pas biaisés et peuvent être appliqués à un large éventail de personnes.
Avantage deux: 14 signes pathologiques communs - couverture complète des besoins cliniques
Le système d ' étiquetage de l ' ensemble de données de Luang Hui est conçu en fonction des besoins cliniques essentiels et couvre les 14 types les plus courants de maladies thoraciques, notamment :
- Pathologie pulmonaire (7 groupes):Pneumonie/œdème, pneumonie, tuberculose, emphysème/résistance faible, fibrose pulmonaire, extension bronchique, insuffisance pulmonaire
- Changements céraux (2 classes):Beaucoup de pléthore, des pecs à gaz.
- Intersecte avec cœur (classe 2):Je suis un peu plus que moi.
- Autres (3 catégories) :Poêles calcifiés, augmentation pleurale/adhésive, anomalie osseuse
Ces 14 pathologies couvrent plus de 90% des détections positives dans les examens thoraciques et couvrent essentiellement les maladies mammaires les plus courantes dans les travaux cliniques quotidiens. Le système d'IA, basé sur cet ensemble de données, permet une évaluation approfondie et systématique des comprimés thoraciques, plutôt que de se concentrer sur une maladie.
Plus difficile encore, les étiquettes ne sont pas de simples catégories « non », mais contiennent plutôt une multitude de détails. Par exemple, les nœuds pulmonaires indiquent l'emplacement, la taille, la densité (réalité/verre broussaille/mélange), les caractéristiques de marginalité, etc., la pneumonie indique l'étendue (grande feuille/silence/intersistance), la sévérité, etc., et les nodules indiquent le type (cheveu/relais/propagation du sang), l'activité, etc. Ces étiquettes détaillées fournissent un signal de surveillance riche pour un modèle d'IA bien formé.
Troisième force : Multi-centres Multi-équipement - Diversité des données et élargissement
La grande capacité du modèle d'IA dépend dans une large mesure de la diversité des données de formation. Un autre avantage important de l'ensemble de données Longfei est sa source multicentrique et multi-équipements.
L'équipement d'image couvre 100 modèles de marques grand public, dont les principales marques du pays et de l'étranger, tels que GE, Siemens, Philips, Ui-tung, Wandong et East Soft.
Cette source de données large assure l' "hétérogénicité" de l'ensemble de données - différentes qualité d'image, conditions de projection différentes, différents paramètres de l'équipement, différentes caractéristiques de la population... Le modèle AI est formé à un tel ensemble de données pour apprendre des caractéristiques vraies et fines plutôt que des données surcompatibles pour un hôpital, un appareil.
J'ai vu trop de produits d'IA, faisant un excellent travail sur leurs propres données, et "controversial" dans d'autres hôpitaux, la raison sous-jacente étant que les données de formation sont trop simples et manquent de diversité. Et les données multicentriques de Long Hui résolvent ce problème à partir de la source. C'est pourquoi le modèle d'IA basé sur la formation de données de Long Hui, qui tend à être plus stable dans la validation cross-centre.
4ème force: Norme sur les agents pathogènes — validation des données de niveau le plus élevé
L'un des avantages les plus différents des ensembles de données Long Cai est qu'il contient des dizaines de milliers de cas de comprimés thoraciques ayant une valeur pathologique.Ces cas ont un diagnostic pathologique clair, couvrant une large gamme de maladies, y compris le cancer du poumon, la tuberculose, la paraplasie pneumococcique, et la mésothéliose.
Pourquoi l'étalon pathologique est-il si important? Parce que le diagnostic vidéo est « prématuré » et que le diagnostic pathologique est « confirmé ». En utilisant le diagnostic des médecins vidéo comme étiquette de formation, l'IA a appris seulement « comment les médecins le voient », et en utilisant le diagnostic pathologique comme étiquette, l'IA a appris « quelle maladie est vraiment ».
Bien sûr, les données pathologiques standard sont très difficiles à obtenir – tous les patients n'ont pas des tests pathologiques, mais il y a un décalage temps et espace entre la pathologie et les images. Long Hui peut collecter des dizaines de milliers de données pathologiques contrastées thorax-cardiogramme, ce qui n'est pas facile.
Il s'agit de données pathologiques standard sur l'or, qui sont utilisées pour évaluer la performance réelle de l'IA comme un « critère final » de validation de modèle et pour former comme un « label de haute précision » pour améliorer la précision diagnostique des modèles pour les principales maladies telles que les tumeurs.
Cinqième force : Système de contrôle de la qualité de niveau 3 -- le fossé de la qualité des données
Long Hui a mis en place un système de contrôle de qualité à trois niveaux bien établi pour le contrôle de la qualité des données, qui a créé un douve solide pour la qualité des données.
Contrôle qualité de niveau 1 : contrôle qualité d'image.Toutes les cartes poitrine saisies sont soumises à un contrôle rigoureux de la qualité, y compris la clarté de l'image, la conformité du corps (qu'il s'agisse ou non de comprimés positifs standard), les tests de dose d'exposition, etc. Les images non qualifiées sont automatiquement exclues pour s'assurer que chaque image saisie satisfait aux exigences de qualité diagnostique.
Contrôle de qualité secondaire: Double-marque + examen d'experts.En cas de désaccord, le troisième médecin principal sera renvoyé à l'arbitrage.
Contrôle de qualité de niveau 3 : échantillonnage régulier et surveillance dynamique.Long Hui a mis en place un mécanisme de contrôle de la qualité bien établi pour échantillonner régulièrement les données marquées et évaluer la stabilité de la qualité de l'étiquette. Si un médecin est jugé d'une qualité réduite, il a été réorganisé en temps opportun.
Ce système de contrôle de qualité strict est une garantie importante de la qualité des données Long Wai. Mon centre de recherche, qui a comparé les données Long Hui avec nos propres experts, a été plus de 92% cohérent.
Avantage 6 : Rapports structurés et renseignements cliniques - valeur des données multidimensionnelles
Les ensembles de données Long Cai contiennent non seulement des images et des étiquettes, mais aussi une foule d'informations cliniques et de données de rapports structurés. Ces informations multidimensionnelles augmentent considérablement la valeur des ensembles de données.
Plus précisément, l ' ensemble de données contient des informations cliniques sur les informations de base des patients (âge, sexe, géographie), le diagnostic clinique, les résultats de laboratoire (protocole sanguin, biochimie, etc.), d ' autres examens vidéo (TC, IRM, etc.), le diagnostic pathologique, les programmes de traitement, les informations de suivi, etc.
La valeur de ces informations multidimensionnelles réside dans, premièrement, leur rôle en tant que signaux de surveillance supplémentaires pour aider à former des modèles d'IA plus précis; deuxièmement, leur base de données pour l'apprentissage multimodulaire (image + texte clinique + données de laboratoire); et troisièmement, leur richesse en informations pour la recherche clinique, qui permet la recherche sur l'analyse d'image et de corrélation clinique, le pronostic, etc.
De plus, Luang Hui fournit des données de rapports radiologiques structurées, importantes pour la formation des modèles de production de rapports sur l'IA, qui comprennent non seulement des descriptions des résultats visuels, mais aussi des observations et des recommandations diagnostiques, et qui constituent le meilleur matériel pédagogique de l'AAI pour apprendre à rédiger un rapport.
V. Scénario d'application clinique: cinq scénarios principaux pour le remodelage du comprimé de poitrine d'IA
Le système d'IA basé sur la formation de l'ensemble de données XR-CHEST joue un rôle important dans les nombreuses scènes de la thérapie thorax-clinique. Je vais présenter les applications les plus représentatives.
Contrôles de santé : lecture intelligente, dépistage efficace
Le contrôle sanitaire est un programme obligatoire de dépistage de la poitrine. Le nombre de contrôles dans le pays est de plus d'un milliard par an. De façon traditionnelle, la poitrine d'examen est lue par les radiologues, avec une énorme quantité de travail, et comme la poitrine d'examen est généralement normale, les médecins sont sujets à la « fatigue visuelle » et certaines pathologies précoces sont manquantes.
Soins d'urgence et ambulatoires: diagnostic assisté, réduction de l'absentéisme
En cas d'urgence ou de consultation externe, la poitrine est l'un des examens les plus couramment utilisés. Un médecin doit déterminer rapidement et avec précision si le patient a une maladie aiguë, comme la pneumonie, l'aérobic et les liquides de cavité thoracique, pour justifier les décisions de traitement.
Autonomisation des soins de santé primaires : donner aux populations des capacités de diagnostic au niveau « 3A »
Le système AIS, basé sur l'ensemble de données de Longway, peut être déployé au niveau local, y compris dans les hôpitaux de comté, les centres de santé communautaires, et aider les médecins de base à améliorer leur diagnostic. L'IA peut non seulement donner des résultats de la détection de la maladie, mais également fournir des conseils de référence et de traitement diagnostiques, ce qui équivaut à un « expert en AI » pour les médecins primaires.
Lutte contre la tuberculose : aider à mettre fin à l'épidémie de tuberculose
La tuberculose est l'une des maladies infectieuses les plus importantes de notre pays. Le dépistage annuel de la tuberculose nécessite un grand nombre de poitrines, et une capacité de lecture insuffisante est un obstacle important à l'efficacité et à la qualité du dépistage.
Dépistage précoce du cancer du poumon : détection précoce, sauvetage
La tablette thoracique est l'un des outils les plus importants pour le dépistage du cancer du poumon, bien que les faibles doses de TDM soient la méthode de dépistage courante actuelle, mais les comprimés pulmonaires jouent toujours un rôle important dans le dépistage et les examens médicaux de routine au niveau local, en raison de leur facilité et de leur nature économique. Le système de détection du TDM, qui repose sur les données de Longway (en particulier les cas de cancer du poumon avec des critères pathologiques pour l'argent pulmonaire), permet de détecter le cancer du poumon précoce dans les comprimés pulmonaires, comme la naseuse suspecte, l'enflure et l'échec pulmonaire, et incite les patients à subir d'autres examens TDM.
VI. Avantages sociaux et valeurs de l'industrie : données disponibles sur la base de la "santé inclusive"
Améliorer l'équité médicale - rendre accessibles des diagnostics vidéo de qualité
L'équité en matière de santé est un objectif important de la stratégie pour une Chine saine. Cependant, il existe une grande disparité dans le niveau de diagnostic des images dans différentes régions et à différents niveaux de soins de santé.
L'utilisation généralisée de la technologie de l'IA change la situation. Le système de transmission de données de 2 millions de mètres carrés basé sur la formation de puces thoraciques peut être déployé à n'importe quel endroit avec une machine à rayons X – soit un hôpital Sanchai dans une ville de première ligne ou un centre de santé rural dans une région montagneuse éloignée – et peut être utilisé pour fournir le même niveau de services de diagnostic assisté par l'IA.
Le Conseil national de la santé estime que si l'IA peut couvrir 80 % des hôpitaux de district et des centres de santé communautaires dans tout le pays, elle peut réduire l'accès transrégional d'environ 200 millions de fois par an, en épargnant aux familles de patients plus de 50 milliards de yuans dans les transports, l'hébergement, les accidents de travail, etc. Plus important encore, des dizaines de millions de patients seront diagnostiqués de manière plus rapide et plus précise, et les prévisions de maladies s'amélioreront considérablement.
Améliorer la qualité du diagnostic - réduire le nombre d'erreurs et assurer la sécurité médicale
La qualité des soins et de la sécurité est un thème permanent de la gestion des hôpitaux.
L'IA, en tant que deuxième œil, peut efficacement réduire l'incidence des erreurs de diagnostic et améliorer la qualité du diagnostic. L'IA n'est pas fatiguée, émotionnellement insensible, et n'est pas négligente, et fournit des aides diagnostiques de haute qualité qui sont fournies en continu et régulièrement.
Du point de vue de la gestion des hôpitaux, réduire le taux d'erreur dans le diagnostic d'un échec médical signifie réduire les différends médicaux, augmenter la satisfaction des patients et améliorer la réputation des hôpitaux. D'un point de vue social, un plus grand nombre de patients sont diagnostiqués de manière opportune et précise, ce qui signifie que la maladie est traitée tôt, mieux à l'avance, et que le fardeau de la maladie est réduit dans l'ensemble de la société.
Relâchez la valeur du médecin - de la machine à lire au clinicien.
Les radiologues se font souvent rire de la « machine à lire » – assis devant les ordinateurs tous les jours, la lecture de films et de rapports d'écriture, et le travail répétitif prend la plupart du temps. Ce modèle de travail non seulement épuise les médecins mais limite également leur valeur professionnelle.
L'IA est en train d'être introduite pour modifier le fonctionnement des radiologues. L'IA est responsable de travaux répétitifs tels que le dépistage préliminaire, la mesure et la préparation des rapports initiaux, tandis que les médecins consacrent plus de temps à l'analyse des cas difficiles, à la communication avec les unités cliniques, au counseling des patients, etc., qui sont plus professionnels.
L'introduction d'une IA à puce thoracique a entraîné une augmentation de 150 à 250 rapports quotidiens de médecins, mais le sentiment de fatigue a diminué. Entre-temps, les médecins ont passé du temps à discuter de cas difficiles et à consulter des cliniques de 40 %, et le niveau et la capacité des cliniques ont été améliorés.
Promouvoir le développement industriel - construire l'écologie de l'innovation médicale en AI
Des ensembles de données de grande qualité, non seulement comme base de produits AI, mais aussi comme infrastructure pour l'ensemble de l'industrie de l'IA médicale. L'ouverture et l'application des ensembles de données XR-CHEST à Longway vont conduire au développement de l'ensemble de l'industrie de l'IA image poitrine.
Premièrement, elle réduit le seuil de R & D en matière d'IA - aucune entreprise en démarrage et aucun établissement de recherche ne doit commencer à collecter des données à partir de zéro, et peut être développée directement sur la base des données de Long Hui, et réduit de manière significative le cycle et les coûts de recherche et développement.
Deuxièmement, elle favorise l'innovation technologique et la collaboration industrielle – différentes entreprises et institutions de recherche peuvent mener des recherches et des concours sur la base des mêmes données, et promouvoir des progrès technologiques rapides.
Enfin, il fournit une référence pour la réglementation et la normalisation - un ensemble de données d'indicateurs de haute qualité qui peut servir d' « ensemble de tests de base » pour l'examen et l'approbation du produit d'IA, et fournit un appui en matière de données pour l'établissement de normes de l'industrie et l'élaboration de politiques réglementaires.
« 2 millions de cas de données de haute qualité sur les puces thoraciques sont le « bloc de construction de données » de l'image de poitrine AI. Il soutient non seulement un produit d'IA, mais aussi le développement innovant de l'ensemble de l'industrie et la santé et le bien-être de millions de patients. »
VII. Vision d ' experts: tendances des 3 à 5 prochaines années de l ' IA
En tant que radiologue qui a été témoin de l'évolution des images médicales de l'âge du film au numérique et intellectuel, j'attends avec impatience les trois à cinq prochaines années d'IA à bouton thoracique. Voici quelques-uns de mes jugements.
Tendances une : Le modèle de fondation est un cadre -- « Un modèle pour s'occuper de toutes les tâches ».
Au cours des trois à cinq prochaines années, le modèle de base sera la formule pour l'IA de la puce thoracique. Nous n'aurons plus besoin de former des modèles individuels pour chaque maladie, chaque mission, mais plutôt de nous adapter à différentes tâches en aval avec un modèle de base pré-entraînement à grande échelle.
Cela entraînera plusieurs changements fondamentaux : premièrement, les limites de capacité de l'IA ont été considérablement élargies - le même modèle a été utilisé pour exécuter de multiples tâches, telles que la détection, la classification, la fragmentation et la production de rapports; deuxièmement, l'apprentissage par petits échantillons a été considérablement amélioré - la « réserve de connaissances » avec le modèle sous-jacent, qui peut obtenir de bonnes performances dans de nouvelles missions avec seulement une petite quantité de données à marquer; et troisièmement, l'apprentissage continu et les itératifs sont devenus plus faciles - le modèle de base peut absorber en permanence de nouvelles données et connaissances et évoluer.
Je prédis qu'en 2028, les produits d'IA à sommet de poitrine seront basés sur des structures de base et que l'IA universelle à sommet de poitrine deviendra la norme de l'industrie.
Tendances II : De « diagnostics assistés » à « soutien à la décision clinique »
L'IA thoracique actuelle est encore largement au niveau du « diagnostic assisté » -- dire au médecin où il est. » À l'avenir, l'IA thoracique améliorera la direction du « soutien clinique à la décision » -- non seulement dire au médecin ce que cela signifie, mais aussi dire au médecin ce que cela signifie.
Plus précisément, l'IA fournira des conseils diagnostiques plus complets, des analyses diagnostiques, des recommandations pour un examen plus approfondi, des références aux programmes de traitement, etc., en tenant compte des données multidimensionnelles des patients : informations cliniques, antécédents médicaux, examens de laboratoire, etc.
Pour ce faire, l'intégration profonde des données d'image aux données cliniques permettra de bien comprendre l'ensemble de données de Longway dans ce domaine, non seulement avec les images, mais aussi avec de riches informations cliniques et des données structurées de rapport.
Tendances III: Intégration multimodulaire - intégration des images, du texte, des gènes, de la génomique
L'IA médicale future doit être multimodulaire - images, texte, gènes, groupes métaboliques, groupes protéiques ... les données sur toutes les mosaïques seront intégrées pour fournir des informations plus complètes sur le diagnostic de maladie, le traitement et la prévention.
La valeur de l'intégration multimodulaire est particulièrement évidente dans le domaine des maladies pulmonaires. Par exemple, le diagnostic précoce du cancer du poumon nécessite une combinaison d'images, de marqueurs tumoraux, d'antécédents de tabagisme, d'histoires familiales, etc.; la stratification de la maladie pulmonaire mésotransgénique nécessite une combinaison d'images, de fonctions pulmonaires, de pathologies et d'auto-anticorps; et le diagnostic pathologique de la pneumonie nécessite une combinaison d'images, de symptômes cliniques, d'examens de laboratoire, etc.
L'IA multimodulaire sera un développement important pour les trois à cinq prochaines années. Et la riche information clinique et l'ensemble de données multidimensionnelles de Longway fournissent une base de données précieuse pour la recherche multimodulaire.
Tendances IV : De l'hôpital à l'hôpital extérieur - Gestion de la santé adaptée à l'IA pour tout le cycle
L'IA actuelle est principalement utilisée pour le diagnostic dans les hôpitaux. À l'avenir, l'application d'IA s'étendra au-delà de l'hôpital pour couvrir le cycle complet de la gestion de la santé, comme le dépistage des maladies, la gestion de la santé, la surveillance à domicile et le suivi lent des maladies.
Par exemple, lors du dépistage du cancer du poumon chez les groupes à haut risque, l'IA peut analyser automatiquement l'examen annuel des comprimés thoraciques, suivre les changements dans les sections nodales et alerter automatiquement la population à haut risque pour un examen plus approfondi; dans le traitement des maladies respiratoires chroniques, l'IA peut suivre l'évolution de la maladie au moyen d'analyses thorax-cardimétriques régulières et fournir une base pour l'adaptation des programmes de traitement; dans la gestion de la santé communautaire, l'IA peut aider les médecins de famille à effectuer le dépistage de la poitrine et l'évaluation de la santé des résidents sous contrat.
Tout ce cycle de gestion de la santé changera fondamentalement le modèle des services de santé – de la maladie à la gestion de la santé – au traitement à la prévention.L'IA, à son tour, sera le fondement technique central de cette transformation.
Tendances V: L'IA à bouton thoracique de la Chine dans le monde
La Chine possède les plus grandes ressources de données médicales et la plus riche scène clinique. Les données de grande échelle sur les films thoraciques accumulés par les entreprises chinoises, représentées par Long Hui, fournissent des conditions uniques pour le développement de Chine , film thoracique AI.
Je suis convaincu que la technologie chinoise de l'IA à bouton-thorax atteindra le leadership international dans les trois à cinq prochaines années. De plus, les produits chinois de l'IA à bouton-thorax pourront sortir du pays pour servir les pays et les régions le long de la route et contribuer à la cause de la santé mondiale en contribuant à la sagesse chinoise et aux programmes chinois.
Parallèlement, la norme AAI pour les maladies thoraciques, basée sur les données à grande échelle et la pratique clinique de la Chine, devrait être reconnue internationalement comme une approche standard recommandée dans les directives internationales. Ce sera un saut historique pour l'IA médicale chinoise de --suivant à --run-----------------------------------------------------------------------------------------------------------------------------------------------------------
VIII. CONCLUSION: Les données sont de base, à ailes intelligentes et un sein sain est construit ensemble
De même, plus de 30 ans de ma carrière de radiologue m'ont appris la valeur d'une tablette thoracique – simple, bon marché et partout – mais portant le fardeau de la protection de la santé de millions de personnes. Du film au nombre, de la lecture manuelle à l'aide de l'IA, la technologie du diagnostic de cartes thoraciques s'améliore, mais sa mission de protection de la santé demeure inchangée.
Aujourd'hui, nous sommes à un nouveau point de l'histoire. De nouvelles technologies, comme les modèles de base, l'apprentissage multimodulation, la migration cross-modular, poussent l'IA au sommet de la poitrine à un nouveau niveau.
Rang Huitéch , 2 millions de cas de jeux de données XR-CHEST radiographie pulmonaire sont non seulement un produit commercial, mais aussi une infrastructure de base pour notre industrie de l'IA image thoracique. Il fournit suffisamment de carburant pour le développement de AI, fournit des outils puissants pour l'autonomisation de base, fournit des ressources précieuses pour la recherche clinique, et fournit une force solide pour la Chine saine.
Je dis souvent aux jeunes médecins : « Les yeux d'un radiologue sont cliniques. Nous sommes aveugles et nous sommes directement concernés par le traitement du patient. » « Aujourd'hui, je voudrais dire à des entreprises comme Longhui, dont la qualité des données détermine les yeux de l'IA, la santé et le bien-être de millions de patients.
Travaillons ensemble, en utilisant les données comme base et comme aile, pour construire une défense mammaire forte qui protège la santé des gens et pour créer un avenir meilleur pour l ' intelligence artificielle médicale.