有大量市場認可的醫療人工智能軟件可用于改善患者護理和醫院運營，但我們尚未看到這些技術在醫療保健領域產生預期的大規模變革。

對于醫療機構來說，采用尖端技術并不是一件小事。它需要在法律、臨床和技術風險與改善患者預后和運營效率的承諾之間取得平衡。

傳統上，采用此類技術的挑戰分為三類：人員、平臺和政策。鑒于深度學習技術的性質和醫療人工智能生態系統的現狀，人工智能采用平臺面臨的挑戰尤其獨特。

大多數深度學習應用程序的范圍都很窄。如果他們偏離了自己的領域，他們可能會表現出不可預測和非直覺的行為。這意味著要實現醫學的大規模變革，我們需要數千個人工智能應用程序。

生產中的每一個人工智能模型都將與實時臨床系統進行信息交流，并做出各種必須進行管理的推斷。這有可能創造一個“人工智能叢林”，在一個沒有大量人力投資來管理此類風險的環境中，有大量的技術債務。

大規模部署人工智能的另一個挑戰是缺乏人工智能模型的互操作性。部署和數據集成無法在機構內或跨機構擴展。信息系統和語義內部以及組織之間缺乏互操作性。結果是，對于沒有能力或領域知識產生影響的數據科學家和初創企業來說，進入門檻很高。

最后，鑒于醫療人工智能經濟相對于 MedTech 中其他子領域的不成熟，證據生成必須是人工智能應用平臺設計的核心，因為當今市場上的許多人工智能應用仍然需要對其性能進行廣泛的研究和分析。不僅從監測的角度來看，而且從衡量對健康結果的影響的角度來看都是如此。

AIDE ：醫療系統中 AI 部署的企業方法

解決這些挑戰的人工智能平臺必須在企業層面解決這些挑戰，以充分獲取“人工智能良性循環”的好處，并充分緩解人工智能部署的風險。

這通過插入一個已集成到醫療設施內臨床信息系統的平臺，確保降低部署成本。它還通過為單個團隊提供服務于整個機構的機會，以企業范圍的視角管理風險和持續改進，降低了員工和支持的成本。

AIDE 由英國政府資助的 AI 價值醫療中心開發，是一種新的醫院操作系統，允許醫療服務提供商安全、有效、高效地部署 AI 模型。它提供了一個協調的硬件和軟件層，便于部署和使用任何人工智能應用程序。

圖 1.AIDE 可以接收臨床數據的實時流，允許臨床醫生在幾秒鐘內訪問接近實時的 AI 分析

部署大量模型涉及許多技術風險。 AIDE 通過提供一個管理視圖來緩解這些問題，該視圖報告每個部署模型的每個推斷以及性能趨勢分析，以便在性能不佳的情況下進行實時干預。

AIDE 還通過打包和部署容器化應用程序，并通過 DICOM 、 HL7 和 FHIR 等標準協議與醫院其他部門通信，解決了互操作性的挑戰。

臨床醫生還可以在將 AIDE 的 AI 推斷結果發送到患者的電子健康記錄（ EHR ）之前，使用 AIDE 對其進行審查。這個臨床審查階段可以收集關于失敗實例的有用數據，這些數據可以反饋給開發人員并關閉反饋回路。

使用 MONAI Deploy 實現醫療 AI 的開源標準

當考慮廣泛采用人工智能時，首先考慮 X 射線的發現以及隨后通過放射學的發展實現醫療保健的轉變，作為一個類似的例子，這一點很重要。

1895 年，威廉·倫琴博士發現了 X 射線，并對妻子伯莎的手進行了著名的 X 射線檢查，之后， X 射線技術首次應用于工業應用，如焊接檢查，以及消費者應用，如鞋類裝配，而非醫療應用。

今天，大多數患者的經歷涉及診斷、預后、治療監測等方面的醫學成像。農村醫療中心可以在半夜采集圖像，并讓世界其他地區的專家在一小時內報告。

直到 x 射線發明近 100 年后，美國放射學學院和國家電氣制造商協會發布了一項醫學圖像編碼和傳輸標準，名為“醫學中的數字成像和通信”，這種轉變才得以實現

隨著該標準于 20 世紀 90 年代初誕生，一場變革之旅開始了，這將改變醫學藝術的可能，從而推動腫瘤學、神經學和許多其他醫學專業的進步。

同樣，隨著深入學習，工業和消費者應用程序已經取得了長足進步，而醫療應用程序的采用率卻很低，甚至沒有那么大的變革影響。

這就是為什么 AIDE 作為一個企業 AI 平臺的關鍵創新在于它建立在開源 MONAI Deploy 架構之上。

MONAI 部署旨在彌補從研究創新到驗證和臨床生產環境之間的差距。它為開發人員和研究人員提供了一個名為 MONAI 部署應用程序包（ MAP ）的默認標準，可以輕松集成到 DICOM 等健康 It 標準中。它還集成到各種數據中心、云和邊緣環境的部署選項中，使您能夠輕松采用新的醫療 AI 應用程序。

MONAI 部署工作組定義了一個開放架構和標準 API ，用于開發、打包、測試、部署和運行臨床生產中的醫療 AI 應用程序。

高級體系結構包括以下組件：

MONAI 應用程序包（ MAP ） ： 定義如何打包和分發應用程序。

MONAI Informatics Gateway ： 通過 DICOM 、 FHIR 和 HL7 標準與臨床信息系統和醫療設備（如 MRI 掃描儀）進行通信。

MONAI Workflow Manager ： 協調由人工智能任務組成的臨床靈感工作流。

該系統設計為允許不同推理引擎執行可插拔的任務。 MONAI 社區也將繼續朝著這個方向發展。

MONAI Deploy 架構由硬件、軟件、學術和醫療合作伙伴組成的國際社區共同設計，旨在實現醫療人工智能生命周期標準化的共同目標。這與三十年前 ACR 和 NEMA 對醫學圖像的處理方式大致相同。

數據驅動醫學的新時代

建立在現有臨床信息系統和醫療設備之上的新信息層將有助于開創數據驅動醫學的新時代。

關于作者

Haris Shuaib 是 Guy ’ s & St Thomas 的 NHS Foundation Trust 的臨床顧問科學家和臨床科學計算部門負責人，他的團隊正在開發數字健康的人員、平臺和政策。

審核編輯：郭婷