全球CT影像20秒诊断,阿里云为新冠AI辅助诊断系统加速

 

新冠病毒全球爆发

2020年注定是不平凡的一年,新型冠状病毒肆虐全球,对于每个人来说都是一场灾难。 根据丁香园统计的数据,截止到2020年5月29日,全球新冠(COVID-19)累计确诊病例5,593,631人,累计死亡353,334人。虽然中国疫情已经进入尾声,但是全球疫情新增确诊病例却呈现持续上升趋势。

毫无疑问,COVID-19不是一座城市的疫情,也不是一个国家的疫情,而是全世界的疫情,没有人能够置身事外,需要共同面对。

 

诊断一位患者,医生要肉眼阅读数百幅CT影像

一般来说,一个病人的CT影像包含数百张切面,即使经验丰富的医生也需要花费大约15-20分钟的时间去阅读CT影像,才能得到准确的诊断。

在新冠疫情爆发期,疑似患者的CT影像被证实成为筛查新冠肺炎的高效手段,这就代表每个医生每天需要进行批量CT影像的读片判断,无疑这个工作量是惊人的。同时依靠医生肉眼识别病灶微小的变化会花费大量时间,不仅诊断效率低,也会造成医生压力大,患者等待时间长。

 

50万份CT训练,澳科大开发新冠肺炎AI辅助诊断系统

在疫情初期,澳门科技大学医学院张康教授团队便携手中国科学院、国家生物信息中心、清华大学、中山大学孙逸仙纪念医院、广州再生医学与健康广东省实验室、四川大学华西医院等团队,联合应急开发了基于胸部CT和X-ray影像学的新冠肺炎AI辅助诊断系统。

该科研团队在分析了超50万份临床影像学数据的基础上,利用了深度学习、迁移学习、语义分割等多种人工智慧前沿技术,辅助临床医生进行新冠肺炎的快速诊断和定量分析。该AI模型以高精准度和高效率的优势,不仅可以辅助临床医生做诊断决策,提高诊断准确率,还可以减少其工作量,加快诊断效率,节省患者等待时间。

澳门科技大学医学院张康教授,图片源自澳科大官网

 

借助阿里云快速部署,实现20秒内CT影像诊断

科研团队需要让新冠肺炎AI辅助诊断系统快速上线使用,实现真正的帮助一线医生快速诊断抗击疫情。由于时间紧急,传统的线下部署方式,要进行设备及线路采购、部署、测试,再将业务部署在线下数据中心,不仅搭建周期长,而且缺乏弹性,很难满足快速部署业务的需求。

经过多次测试和研讨,阿里云以高性能计算、全球加速网络、极速存储等技术优势取得了澳科大张康团队的信赖。在全球加速网络及GPU性能的保证下,系统将影像科医生阅读CT影像缩短至20秒内,且平均准确率高达90%。

 

阿里云GA,30分钟实现全球加速网络部署

新冠肺炎AI辅助诊断系统想要实现一处部署,全球服务,首先要解决网络连接问题。一张稳定、高速的全球网络可以保证全球科研机构及移动办公的个人,随时随地快速上传CT文件及下载分析结果,从而实现科研成果的全球规模化应用。

阿里云为此次新冠肺炎AI诊断系统的部署提供了全球加速解决方案,通过全球加速GA产品,依托阿里巴巴遍布全球的优质传输网络,可以有效提升全球数据访问的稳定性。GA内置的TCP协议优化能力,还可以大幅提升传输性能。尤为值得一体的是,传统的专线部署周期长达数月,而采用阿里云GA构建的全球加速网络,只需要30分钟部署时间,为业务系统的快速上线提供了基础保障。

当前该系统已经在武汉市金银潭医院、中山大学孙逸仙纪念医院、中山大学第三附属医院、广州医科大附属第一医院、湖北宜昌市中心人民医院、安徽医科大学第一附属医院、新疆喀什地区第一人民医院、四川大学华西医院、澳门科技大学、美国、巴西、伊拉克等地部署,接下来会在全国及世界范围内推广应用。阿里云洛神网络团队协助高校及科研机构,用科技抗击疫情,为全球抗击COVID-19贡献一份力量。

END

上云就看云栖号:更多云资讯,上云案例,最佳实践,产品入门,访问:https://yqh.aliyun.com/

本文为阿里云原创内容,未经允许不得转载。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值