AI 放射學助手協助服務不足的社群
統計資料顯示，發展中國家每十萬人中只有一名放射科醫師，這會使捕捉及分析 X 光影像成為診斷醫療保健的一大瓶頸。問題不僅在於專業人士短缺，基礎設施的差距也是費解的難題。在設備齊全的美國醫院，放射科醫師可能每天分析 200 張以上的 X 光片；在資金不足、設備落後的印度農村醫院，每天分析 100 張 X 光片都不容易。
而放射科醫師要做的不僅是分析 X 光。他們總是得在兩難的情況下當機立斷，決定在 X 光、CT 和 MRI 等形式之間分配時間，尤其是醫院要求他們優先處理 CT 和 MRT 掃描時更是如此。總總的一切都會導致未經檢查的 X 光片堆積成山。
為了因應這些問題，基於 AI 臨床支援（CDS） 工具等放射學先進技術正一一出現，協助放射科醫師更快診斷 X 光片，而不必犧牲品質。
臨床決策支援的好處
臨床支援工具正如其名，旨在協助臨床醫師分析影像及作出決策。這些工具可以有許多形式，例如基於規則的系統、對應型系統、生產力或自動化系統。
過去十年中，基於 AI 工具在幾乎所有可能受益於電子健康記錄（ EHR）和其他臨床資料之自動化分析的醫學領域都已嶄露頭角。成長如此快速，有部分的原因是使用 AI 審查患者資料的成本降低，以及 FDA 等當局發布新的監管指南，為廣泛採用 CDS（特別是 AI）鋪平道路。
然而，雖然 AI 輔助影像的成本在過去十年大幅降低，但對相對貧困的地區而言，這項技術仍然遙不可及。一部分的原因在於 AI 放射學解決方案著重於肺結核或囊性纖維化等特定診斷。倘若要有完整的診斷套件，診所必須要有多套 AI 解決方案，而成本也會因此提高。
聚焦於特定疾病的做法也限制了工具節省放射科醫師（特別是在處理 X 光片方面）時間的能力。「患者進行胸部 X 光檢查時，你不知道他是患有 A 病還是 B病，」L&T Technology Services（LTS）醫療業務部門數位健康倡議負責人 Mukundakumar Chettiar 解釋道。「胸部 X 光片一般作為篩檢工具，所以你未必知道自己在找什麼病症。」
對通用系統的需求
LTTS 開發了一款名為 Chest-rAI 的通用 X 光 CDS 工具，旨在提供更全面的 AI 輔助影像方法。Chest-RAI 不是要尋找特定疾病，而是要檢查 X 光是否存在廣泛的異常和潛在的生物標記。這套工具涵蓋了醫療機構 85% 以上的診斷，準確率超過 92 % 。
為了達到這些數字，Chest-RAI 利用名為「卷積注意力的句子重構和評分」（Convolution Attention-based sentence Reconstruction and Scoring，CARES）的新型深度學習架構。Chettiar 表示，CARES 從放射影像中擷取特徵，並產生在語法和臨床上正確的報告，說明其發現的結果。Chest-rAI 也使用名為「放射學發現品質指數」的獨特評分機制，評估確切的放射性發現結果、定位，並確定報告中每個術語的大小/嚴重程度。
此外，Intel® AI 分析和 OpenVINO™ 工具組用來最佳化推斷管道及將分析週期從大多數情況下的八週減為短至兩週，而放射科醫師可以使用網頁型的介面遠距存取報告。Intel® Extensions for PyTorch（IPEX）也用於最佳化效能。自動化報告、快速周轉時間和遠端存取的結合，大大提高了放射科醫師滿足服務不足人群需求的能力。
「使用 Intel 工具組協助團隊將推斷速度加快 1.84 倍，將周轉時間減少 75 % ，」LTTS AI 工程師 Nandish S. 表示。「它也協助模型尺寸減少近 40 % 。」
由於 Chest-rAI 高度最佳化，因此能以多種形式部署：在雲端、在內部解決方案，或作內嵌解決方案在邊緣部署。如此一來，醫院便能依照自身的預算和現有的基礎設施靈活採用解決方案。
Chest-rAI CDS 能與現有的醫院系統輕鬆整合，可作為獨立應用程式或更大系統的環節之一。整合流程的設計簡易，在與 影像封存與通訊系統（PACS）和放射資訊系統（RIS）等醫院系統相結合時，CDS 能在幾天內啟動運行。
更智慧、更經濟實惠的放射解決方案
過去十年以來，基於 AI 的工具已在眾多領域帶來顛覆性的變化，在許多應用中推動更完善的成果，例如乳癌篩檢、糖尿病視網膜病變、皮膚病變分類、感染性休克預測等。
雖然放射學技術日新月益，但放射科醫師的工作量成為醫療保健系統的瓶頸，在發展中國家尤其如此。現有的工具過於狹隘，無法滿足 X 光等廣泛篩檢形式的需求。隨著 LTTS Chest-rAI 等更通用的工具出現，放射科醫師如今擁有一套既能省時又能為更多人服務的工具，這正是許多農村醫院所需要的。