0
| 本文作者： 劉海濤 | 2020-05-14 12:04 | 專題：雷鋒網公開課 | 醫療 AI 云課堂 |
近期，雷鋒網醫健AI掘金志邀請西門子醫療高級研發科學家于揚，做客雷鋒網公開課，以“大道至簡，深入解析西門子醫療智慧影像鏈”為題，對西門子醫療的全流程影像AI解決方案進行了解析。
后續將有更多課程上線，添加微信公眾號 醫健AI掘金志 報名聽課，或收看本節課程視頻回放
1990年，西門子就已經將AI應用在設備成像中。西門子醫療高級研發科學家于揚表示，雖然AI近些年在輔助診斷中取得了很好的效果，但這只是影像科工作鏈上的一個點。在AI應用上，西門子醫療提出一種全流程智慧影像鏈的解決方案，將人工智能融合到影像設備操作流程和科室工作之中，提供全科室的精準醫療服務。
以CT掃描前的患者位置選擇為例，西門子醫療研發了Alpha自動解剖結構識別技術，自動標記掃描區域，消除人為操作可能產生的誤差，準確性達到99%；
在掃描環節中，其自動管電流和電壓調節技術可以根據患者體型，輔助技師選擇最佳的掃描參數條件。
針對掃描后的醫生診斷環節，西門子醫療提出了前處理理念。以心臟掃描為例，將過去需要15分鐘時間才能完成的心臟分割，冠脈提取，處理分析等后處理工作，在西門子前處理工作站下后自動完成，當醫生打開病例時，對應的結果和分析報告就會自動呈現出來。
以下為于揚分享的全文內容，雷鋒網做了不改變原意的編輯。
構建完整的智慧診斷鏈條
掃描前，用AI解決人為區域選擇誤差
掃描中，利用AI自動推薦掃描參數
圖像重建方面，構建4種模型共同優化質量
后處理階段，提出“前處理”理念
將AI應用在心臟、神經等疾病的診斷效率提升。
我主要想談一談西門子醫療智慧影像鏈在CT檢查和診斷中的應用。在開始介紹之前，我想先跟大家分享幾個數字：截止到2019年底，全國CT裝機量已經達到5600臺，并且這個數字還在以每年16%的速度增長，
另一方面，目前在中國注冊的影像相關診斷醫生，包括技師和護士在內，總共只有15.8萬人，相當于每百萬人口中只有11個影像醫生、這個群體的增長速度只有2.2%，遠沒有CT的增長速度快，這樣的不平衡會引發很多的問題。
第1點，醫生工作量的增加。據統計，一個醫生每天要平均處理50個患者的影像數據，閱讀25000張到50000張的醫學圖像，加班已經成了醫生的家常便飯。
第2點，患者就診的感受也不是很好。曾經有報道說患者需要等上好幾天才能拿到自己的診斷報告。
第3點，工作量增加，還被證實會導致診斷水平準確性的下降。有些研究表明如果將醫生工作時的處理時間縮短一半，那么診斷的錯誤率才有可能會提高16.6%。
所有的一切都構成了醫學影像發展中的新挑戰。如何解決這些挑戰？我想很多人心目中都會想到這樣的一個答案，用人工智能方法幫助醫生減少工作壓力、提高工作效率。
從兩三年前開始，人工智能再次回到我們熱議討論的中心。這個時候開始有大批的初創公司將目光聚焦于此，由此衍生出很多應用，比如說肺結節的篩查分析、乳腺癌篩查、眼底糖網篩查、術中鑒別的輔助診斷，這些應用很多都是應運而生。
但回過頭來看，在投資蜜月期結束之后，真正被臨床接受、被NMPA認可、具有穩定的臨床表現的這種應用產品卻寥寥可數。
為什么會出現這樣的情況？其實我們分析有認為有以下三點的原因：
第1個， AI的優勢在于對明確邏輯或者是特定規則下進行學習和預測。而對于疾病診斷來說，很多診斷指南還在更新和完善的過程中，很多所謂的臨床金標準的可信度也沒有達到百分之百。這就使我們學習和預測模型的準確性，在想達到準確性很高的程度時，會有較大的難度。
第2個，我們之前關注的過于局限?；剡^頭來看，過去大家可能將太多的目光關注在了輔助診斷上。這并沒有錯，但醫學影像是一個非常長的工作鏈條，我們不應僅僅關注在一個點上，而是應該從整體的角度想辦法來提高工作效率。
第3，很多研究也都證實，決定AI算法準確性的核心在源頭：數據的采集是否規范、數據的標準是否統一、數據的質量是不是滿足要求。
這些是AI成敗的關鍵，這也從側面說明，要從整體角度去思考AI對于影像工作流程影響的重要性。
正是基于這樣的想法，西門子醫療提出了一種全流程智慧影像鏈的解決方案。
西門子醫療在全流程創新方面，是將人工智能的思想融合到影像設備的操作流程以及影像科工作的工作流程之中。為科室提供全系列的影像產品的同時，輔助操作技師和影像醫生提供快速個性化和定制化的精準醫療服務。
對CT來說，這個代表著什么呢？整個CT的檢查流程的環節特別多，而且會涉及到眾多工作人員，同時還需要科室間配合的輔助檢查過程。
比如說在掃描之前，醫護人員需要對患者進行準備，對掃描手段進行設置。如果是做心臟掃描的話，還需要對患者的心率進行評估。
在掃描過程中，首先需要對檢查進行檢測、復核，然后還需要根據患者的情況選擇合適的掃描方案、掃描條件，甚至還需要對異常的情況進行處理。
掃描結束后，醫生也需要對數據進行后處理的分析，包括閱片、撰寫診斷報告等這些工作。
我們可以把這個過程分為掃描、重建、后處理和診斷等四個環節。
每一個環節中都有很繁瑣的操作，人工智能的方法和技術確實可以幫助我們。值得一提的是，在每一個環節中CT的操作指南以及診斷指南都進行了嚴格的規范。
西門子醫療的智慧影像鏈內嵌入的AI算法完全滿足指南要求，可以提供一個規范化的掃描過程進行高質量重建，包括自動的前處理，以及精準的輔助診斷以及輔助診斷的結果。
舉一個簡單的例子，比如說對近些年來備受關注的肺結節篩查，指南中對患者的擺位，包括掃描范圍都有很明確的界定。
掃描技師需要通過學習和訓練來掌握這些細節。然而即便如此，擺位的偏差、掃描位置偏移，依然是存在的。技師間操作個體的差異是在所難免，也是無法消除的。
這就導致整個審核過程中的不規范和不準確的問題存在。這樣一個簡單的環節，對輻射劑量、圖像質量都會產生很大的影響。通過人工智能的方法就可以很好的解決這個問題。
上圖所示就是利用人工智能的方法和我們手動標記的自動掃描區域的一個比較示例。
我們看到白色線是手動勾畫的掃描區域，而橘黃色線是人工智能算法自動標記出來的一個掃描區域，手動設置的掃描區域，它或大或小比較不穩定，而自動標記設定的區域它是永遠是統一的。
所以人工智能自動標記的過程，消除了人為操作可能產生的誤差，同時也減少了醫生的不必要的工作。
這個可以通過西門子獨有的基于人工智能的Alpha自動解剖結構識別技術來實現。
和大多數的人工智能識別方法類似，它也是通過對大量手動標記的數據進行系統學習，然后建立起人工智能的學習模型，來學習解剖結構的一些定位信息，后面再利用這個模型在新的數據上給出這些解剖結構相應位置。
為了更好的適應我們中國人群相關解剖結構的特點，了解中國人群的需求，我們也特地選取亞洲人群的數據庫，進行整個模型的訓練。所以對中國人群的識別準確度、敏感度都是非常好。
這個技術被緊密的結合在了很多西門子醫療智慧影像鏈的工作鏈條之中，我們看到它的準確性可以達到99%，而敏感性可以達到97%以上，可以說是一個非常好的表現。
在掃描環節中，除了上面講到的自動識別功能外，掃描參數的設定也是非常重要的一個環節。
我們現在看到的這個圖，是我們在ct界面上對所有掃描參數的一些設置。這個設計的過程是相當復雜的，它的復雜程度絕對要高于一臺高品質的單反相機的設置，其中有數十個參數需要調節。
并且技師還需要針對不同體型的人群，調節相關參數來獲得穩定的圖像質量，以及造影劑的相應增強水平。
這都非?？简灱紟煹哪芰?，即便擁有豐富經驗的技師也可能會犯錯誤，因為相同的體型，體脂含量、骨骼的密度都可能不同。僅憑肉眼對體型進行判斷非常難實現我們要求的標準化。
而且這個問題對于高端的CT來說就會變得更為復雜。普通CT可能只有4個球管電壓檔位：80kV、100kV、120kV、140kV，而球管電流的選擇范圍也有可能只是從0~600/700mA這樣的選擇范圍。
而目前西門子最高端的雙源CT，參數的調節能力就更強。千伏我們現在是有9檔的選擇，從70kV到150kV，每10千伏有一個選項。而電流的選擇，我們可以從0~1300mA，是相當于其他CT4倍的選擇范圍。
那么在這么多的可能性之中，哪一個才是最佳的掃描參數條件的設置？這個問題就會變得比較復雜。
為了解決這個問題，我們在西門子CT上研發了自動的管電流和管電壓的調節技術。這兩個技術會通過患者的定位相來衡量患者的體型，以及掃描部位來選擇最合適的一個電壓。
而且整個調節過程在掃描過程中是實時改變的，在360度的掃描過程中，這項技術可以通過在患者前一個投照角度下的密度來自適應的來調節我們的電流水平。
這樣就真正做到了按照患者的自身情況，個性化的設計掃描方案的過程。并且為了保證對于不同患者，我們的圖像質量能夠統一，可以通過設定圖像質量的參考值來保證無論對于什么樣的患者、什么樣的體型進行掃描，都可以得到穩定和統一的圖像。
這個例子展示了在使用我們電流調節技術之前和使用電流調節技術之后圖像上的差異。
我們可以看到在肩部以及肩鎖的部位，沒有使用調節之前，它的偽影是非常嚴重的。而使用了這個技術之后，在投照方向上會感知這種密度的增強，會自動調高我們的電流的相應水平。所以我們看到在右面的圖像上，它的這種偽影是非常少的，圖像質量是滿足我們臨床需求的。
另外一方面，大規模的人群使用下來的統計結果，這種技術確實也可以幫助我們對整個人群的輻射劑量管理起到一定的幫助。
比如我們看到在沒有使用 care技術之前，大部分人群會采用120kV進行掃描。而使用了care技術之后，大部分人群我們輻射劑量、輻射的水平大幅度降級，大部分的人群是采用100kV進行掃描，而且獲得的圖像質量是一致的。這其實就是掃描參數的自動設置給我們帶來的一些新的改變。
那么除了這個以外，在圖像質量控制方面，也是智能化的一個重要應用領域。
心臟掃描可以說是整個CT掃描最重要的檢查之一了，同時也是對圖像質量的把控需求最高的一個環節。
那么這其中其實也蘊含著人工智能技術的相應扶持。心臟檢查之所以復雜，是因為我們在對一個運動器官進行成像，就好像是我們在拍一個運動的風車，需要掃心臟的CT掃描儀有一個非常快的掃描速度。
西門子采用兩套球管兩套探測器的雙源設計，同時采集來縮短心臟掃描的成像時間。我們現在已經可以做到66毫秒的單扇區時間分辨率。
但是單單硬件上的這種領先還是不夠的。在做冠脈掃描的時候，尤其是針對這種冠心病的患者，還會經常出現這種心律不齊的情況。那么對于這種心臟不規則的運動，就需要我們用智能的方法來幫助我們，保證我們圖像質量了。這就是我后面想介紹到的ACS自適應心臟掃描的智能方法。
我們看到在正常的心率下，可以通過一些心電圖信號的導引，穩定的采集到兩次心跳中間收縮末期和舒張末期我們想要的數據。
而對于正常的心率來說，這個其實是沒有任何問題的。當我們面對早搏或者心律不齊的患者時，如果沒有ACS的輔助，采集的數據就會過晚而錯過我們最佳的采集時間窗口。會導致整個圖像的模糊或者運動偽影，整個檢查就是失敗的。
而如果使用了自適應的心臟采集方式，我們可以看到它會自動分析前三次的心跳，來預測下一次心跳的到來時間。當遇到心律不齊的情況時候，它會自動打開全計量曝光，并且延長整個曝光時間的長度，來解決心律不齊的患者導致數據無法重建這樣的問題。
從一個例子來看一下，這個患者就是連續的發生了兩次早搏，ACS算法都成功的探測到了早搏的存在，并且終止了當時的掃描。
在下一次正常心跳來臨的時候，重新進行了新的掃描，并且延長了整個掃描的一個曝光窗口。我們從重建的圖像中也可以看到，重建的圖像結果并沒有受到早搏的影響。
同時在我們最新的系列產品之上，其實還有很多智能應用，包括對造影劑照相機安全的控制應用，包括對輻射劑量安全控制的應用，都被我們集成在掃描控制的一個ipad平板電腦之上，以確保我們可以獲得一個安全標準的掃描結果?？梢詠磉M入到后續面的后處理，包括重建以及后處理的一些環節。
在重建的環節中，其實早期我們并沒有用到人工智能技術。但隨著這個技術的發展，來到迭代重建時代，基于模型的技術就會越來越多的應用到我們整個重建過程當中。
比如說我們第1代的SAFIRE迭代重建，它其實是對真實的原始數據以及前投影獲得的原始數據進行比較，通過兩個比較來降低我們的整體噪聲，包括圖像的一個偽影問題。
在比較的過程中，其實就涉及到了系統的模型，模擬的是整個x射線投照，包括整個探測器吸收的一個過程。這里頭其實我們就已經用到了人工智能的這種模型的概念，而在我們最新一代的迭代算法 ADMIRE上，人工智能模型的應用就會更加豐富。
在ADMIRE上，我們用到了系統模型、解剖結構感知模型、原始數據與統計模型以及噪聲模型，4種不同的模型。這些模型的使用是迭代算法，我們獲得的圖像質量有了一個顯著的提升。
與最原始的FBP的重建色彩相比，ADMIRE迭代重建能在保持信息值不變的條件下顯著的降低圖像的噪聲，提高整個圖像的信噪比。而且是在低對比度的一個情況下，ADMIRE能夠明顯的提升小病灶的顯示水平和檢出率。
除此之外，ADMIRE迭代重建算法還可以用來幫我們降低整體的輻射劑量。
那么可以看到這個例子就是在相同的輻射計量水平下，我們使用不同的重建算法，最終得到的圖像的比較。很明顯沒有使用任何迭代算法的WBP重建，它的圖像質量是非常差的。
當我們使用的這種人工智能的模型之后，我們發現SAFIRE中間迭代的結果圖像會好很多。而最新的基于4種模型的 ADMIRE系統，重建后他的圖像質量就會非常好，整個肺內的組織顯示，包括紋理的顯示，其實都達到了我們臨床診斷的一個水平。
而且值得一提的是，它的輻射劑量真的是非常低，只有0.025 mSv，我們會把這樣的方法用在肺結節的篩查上，確?；颊咻椛溆嬃康陌踩?/p>
除此之外，為了更好的顯示數據，在西門子3D顯示的過程中，我們還在業界首次使用了仿生成像的技術。這種仿生成像技術，可以對西門子CT的數據進行高頻次的三維還原。仿真程度我們可以和實物相比。
除了這個技術建立在我們西門子CT圖像高空間分辨率、高密度分辨率以及3D的一個優勢基礎之上，其實與以往的三維成像技術相比，還更多地運用了這種人工智能的光學模型算法。
比如說我們看到的Mont Carole模擬的方法，包括次表面散射的重建算法，這些重建算法可以幫助我們更好的顯示這些解剖結構中的一些細節，同時增加這些組織結構在三維圖像上深度的信息。
這樣的優勢帶來了很多改變。
首先其可以用于教學的環節。比如對一些教學醫院，我們可以用這樣的數據來指導學生對解剖結構的認知。除此之外，對于臨床來說，其實這樣的數據也更有利于我們對整個的患者情況進行顯示。
我們現在看一個對比，這個是沒有 cvrt這個技術之前，我們進行的三維顯示。而有了這種cvrt這個技術之后，我們可以看到整個顱骨骨折的細節顯示是非常細致的。
其次這樣的技術我們還可以將它用在整個手術的規劃過程之中，做手術的虛擬導航。甚至這樣的技術由于對于小結構，包括小血管的顯示非常細膩，所以它也被用來對一些疾病提出一些新的診斷和一些指征。比如說我們對于克羅恩病去觀察它的微小血管，可以提出一個新的診斷的指征標準。
按照常規的流程，所有我們獲得的數據，包括重建的這些結果，最后都會被傳輸到醫生的閱片工作站上。但是在西門子的CT系統之上會有所不同。
除了剛才看到的這些數據，包括后處理這些三維顯示的結果之外，其實還有更多的驚喜。我們分析結果的數據也會自動的展示在我們的閱片平臺之上。像這個就是西門子最著名的前處理的功能。
比如我們拿心臟掃描為例，正常的工作流程，一般來說診斷醫生會在掃描之后先調閱患者的平掃圖像，來評估它的鈣化積分，對心臟的鈣化情況進行估計。然后第二步還需要將增強的圖像調閱出來，對整個患者的心臟進行分割，冠脈束進行提取，來評估患者的冠脈的狹窄情況。
那么接下來如果患者還進行了比如灌注掃描的話，那么醫生還需要手動的將灌注數據調閱出來，導入在我們的后處理工作站中，再對灌注的數據進行分析，來評估它的心功能的情況。
而如果是在我們西門子的系統上進行分析數據做后處理，那么這些所有的過程會都被自動完成。掃描之后，所有的處理都會自動的實現。當我們打開這個病例的時候，所有剛才提到的這些分析的結果，包括分析的報告，都會自動的呈現在醫生的面前。
那么對于以往我們可能要花15分鐘完成的數據分析的任務，但是在西門子前處理這樣的平臺和思想之下，我們一步就可以完成，可以做到掃描結束即處理即所得。醫生不用花那么多的時間浪費在我們整個復雜的后處理環節中，而是可以把更多的時間放在患者身上，去研究患者的病情。
類似這樣的前處理操作，其實還有很多針對臨床上的操作，西門子的后處理Inline技術都可以自動完成。甚至所有這些后處理的結果都可以傳輸到我們的閱片平臺上，非常方便醫生的分析和讀取。
比如說對于肋骨骨折的判斷，我們Inline的重建會自動把肋骨提取出來，并且將肋骨拉平進行平鋪顯示，方便醫生更好的找到骨折線的位置，這樣的結果是明確并且一目了然的。
而對于一些更為復雜的診斷需求，可能就需要用到我們更復雜更高級的輔助分析軟件了。比如如果醫生想對心肌缺血的情況進行判斷，那么常規的這種冠脈檢查，雖然我們可以看到冠脈結構，但是對于血管代償的存在，它不能直接的判斷和分析我們心肌缺血的情況。
相比之下血流儲備分數可能會是對缺血判斷更準確一點的參數，但是這是一種有創的檢查方式，臨床開展相對較少。
所以在這種情況下，醫生如何去判斷患者的真實情況？
對于這樣的問題，西門子開發了一個基于CT圖像的血流儲備分數的一個評估的模型。通過對動脈束的建模，包括利用到這種仿真的、基于流體力學的血流壓力的這些數據，我們可以訓練出一個自動的來評估血流儲備分數的一個計算機模型。
利用計算機模型，我們在新的數據上就可以在很短的時間內獲得對血流儲備分數的一個估計值。這樣的一個基于人工智能的血流儲備分數模型，它的好處有以下幾點：
第1個，運算速度是非?？斓?。我們在幾秒鐘的時間內就可以獲得原來可能需要有創方式才能獲得的結果。
第2點，無需我們額外的操作。我們在常規的這種冠脈的增強圖像上進行處理，就可以得到這樣一個結果，無需我們再做額外的一個檢查。
第3個，準確性很高。這種模擬得到的數據的結果跟我們真正的這種有創獲得的結果，它的相近度是非常高的。
所以這樣就可以真正在臨床使用過程中幫助我們提供額外的輔助診斷信息，而且這些輔助診斷的信息對于冠心病患者確實幫助是非常之大的。
這些信息我們可以將它利用在對缺血的真實性的判斷上。比如患者到底要不要真正的進行這種PCI的一個治療，對這方面我們如何去預測，其實我們都可以利用這樣的數據，在基于傳統CTA的數據支持基礎之上，我們可以把 CT-FFR的數據結合到我們整個的診斷路徑之中。
也有研究分析也討論過，如果將這種CT-FFR的數據加入到整個我們的診斷邏輯之后，將會改變60%以上受試者的治療推薦，可以減少很多不必要的支架的植入，這對患者是非常大的幫助。
這個結論以被多家醫院所證實，來自國外的多中心研究中收集了5000多例這樣的數據，最終得出了這樣的結果。輔助診斷其實對于冠心病患者的 PCI術后的預測是有很大的價值。
除此之外，其實這樣的CAD輔助診斷預測模型在我們的西門子系統之上還有很多。比如說我們現在看到的對于卒中缺血區域分析的這樣一個評估，ASPECTS評分的這樣一個工具，它可以自動的對顱腦進行區域的劃分，并且評估出缺血的ASPECTS的參數。
還有比如說我們有對腫瘤患者的良性，甚至是腫瘤的淋巴結轉移可能性預測的分析軟件?；贑T的紋理特征的數據，我們建立起這種組學分析的模型，可以很有效的預測包括腫瘤良惡性，是否轉移，甚至包括它的基因表現的一些特點。
那么除此之外，對于這種肺結節的篩查，也是我們比較傳統的一個應用了。我們也提供了這種肺結節篩查的工具，可以自動標記肺結節的位置，對肺結節進行輪廓的分割，幫助醫生更快速的找到病灶的一個位置，給醫生更多的一個提示。
還有一個值得大家關注的方面，就是在我們的科研平臺上，近期我們還會推出一個肺的炎性評估的一個科研的軟件。它對于整個新冠肺炎的評估會有很好的幫助作用。
上面就是給大家展示的智能化和數字化技術在整個西門子醫療影像鏈中的應用，可以看到人工智能技術其實貫穿到了所有的流程之中，并且相互配合、緊密銜接。針對不同的臨床檢查目的，會形成各自不同的影像鏈的決策束。
比如說我們現在看到的對于心臟來說，其實我們不僅僅是關注在診斷的一個環節中。
從最開始講，如何去掃描？如何去準備患者？如何去保證診斷的準確性？這些從源頭開始，我們就在利用整個人工智能的方法來幫助我們獲得更準確的數據，來幫助我們獲得更準確的診斷結果。除此之外，對于肺結節、對于卒中來說，我們也都會形成不同的智慧影像鏈的這種決策束。
這樣的智慧影像鏈確實給我們帶來了很大的改變，我們可以看到前后的對比。沒有智慧影像鏈之前，可能醫生大部分的時間都會集中在熱力圖的顯示，醫生大部分時間會集中在他的操作間，在電腦和顯示器面前去進行復雜的設置和操作。
而如果利用到我們這種人工智能技術之后，醫生可以把大部分的時間放在與患者的溝通，包括對病情的了解，人工智能可以讓醫生從復雜的工作中抽身，把時間更多的放在與患者的交流之中。
那么就是整個智慧影像鏈在掃描環節中，可能會對我們整個醫學影像帶來的一些新的改變。
最后，我們還想在這個基礎之上，跟大家探討分享一下我們對未來人工智能發展的一些思考。
人工智能它是一個非常大的趨勢，但是如何將其跟醫學影像結合，才能讓它更快、更好的落地?
西門子在這方面有了很深入的思考，我們給出了西門子對于人工智能的發展的一個框架。
這里面可能我們要做的有兩件事情：
第1，就是剛才介紹到的全流程的智慧影像鏈，讓人工智能的方法真正的結合到我們整個從數據采集到和重建后處理以及診斷每一個環節之中，更好的提高我們醫生的診斷效率，提高診斷的準確性。
第2，我們還是更關心疾病，更關心患者的健康。如何利用人工智能技術來提高疾病的診斷效率、疾病的準確性，這個才是我們可能更為關心的一個問題。所以我們關注在以患者為中心，以疾病為中心的診療路徑的優化上。
西門子在這個方面也是有獨家優勢的。比如以心臟為例，圍繞心臟相關的疾病，西門子就提供了全面的醫療產品。無論是這種介入的產品和醫學的產品或核磁、CT、超聲，包括檢查室的產品，我們都有非常豐富的產品線。
其實可以幫助我們去探索一些我們之前可能沒有觸及到的灰色地帶。比如對心肌缺血來說，有研究表明對于如果FFR數值介于0.7和0.8之間對于心肌缺血的判斷準確性會有明顯下降，形成一個“灰色”的診斷地帶。
其實可以幫助我們去探索一些我們之前可能沒有觸及到的灰色地帶。比如還是以剛才講到的心肌缺血的問題來看，有研究表明對于如果冠脈 CT-FFR這個參數在0.7和0.8之間，這是一個整個判斷，也是心肌缺血的一個灰色的地帶。
那么如果我們可以綜合的利用多種參數來共同評估，其實它評估的準確性會更高一些。比如有研究表明，我們同時利用FFR數值，包括CFR數值以及微循環的數值同時對血管進行評估，它整個預測包括急性冠脈綜合征以及未來不良事件的風險和準確性都會高很多。
而這些不同的這些參數，其實都是我們利用西門子的不同影像設備可以做到并獲得的數據。這是我們未來的一個方向，要利用多模態的采集方式，利用多模態數據共同分析的方法，來幫助我們更好的提高診斷的水平。
那么不單單是在心臟方面，在整個的腫瘤的分析方面，我們也可以綜合的利用CT、核磁，包括核醫學這樣的數據來進行統一的分析。
那么對于比如說神經方面，現在也有非常明確的診斷的流程。我們利用CT的數據可以進行這種顱腦的灌注，利用核磁的數據可以看到我們腦組織的一些變化，利用 DSA的數據可以看到我們整個血管的一些走形變化，包括堵塞的變化。
我們可以利用全方面所有的影像設備里影像設備提供這些數據，對這些疾病做一個全方位的診斷。這是我們整個的基于單病種智慧治療路徑優化的整個思考方式。
那么這些思路也得到了整個西門子硬件方面的一些支持，包括整個數據的分析和分享。我們可以通過這樣一個系統，打破各個科室之間數據分享的一個壁壘，然后獲得數據的共享。
除此之外，在西門子的所有的系統之上，我們還率先推廣了數字化的結構報告。對于不同的診斷結果，我們都可以采用這種結構化的數字化的方式進行存儲，方便我們后期對數據的分析，包括對數據的查找。
而且對于整個人工智能來說，數據的一個標準化，包括它的一個結構化，也是對于我們后期做數據挖掘非常重要的基礎。
西門子投入了大量的精力在開發人工智能的發展方面，目前已經擁有人工智能應用達到了40多項，并且擁有自己的醫學診斷的數據庫，進行人工智能算法的開發，并且我們還有大型的這種基礎的設備來進行運算力的一個支持。
2018年，我們公司還斥巨資打造了 digital health solution數字醫療解決方案這樣的部門，我們會專注在人工智能產品的設計和研發的工作上，和更多醫生和客戶致力于人工智能的應用。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
