การวิเคราะห์ภาพทางการแพทย์ต้องเผชิญกับความท้าทายจากข้อมูลภาพ MRI ขนาดใหญ่และซับซ้อนมาโดยตลอด วิธีการแบบดั้งเดิมจะตัดภาพ MRI 3 มิติเป็นภาพ 2 มิติเพื่อการวิเคราะห์ ซึ่งจำกัดความเข้าใจเกี่ยวกับโครงสร้างทางกายวิภาคที่ซับซ้อน อย่างไรก็ตาม GE Healthcare ได้เปิดตัวโมเดลพื้นฐานการวิจัย MRI 3D ทั้งตัวตัวแรกของอุตสาหกรรมที่การประชุม AWS re:Invent ซึ่งนำความก้าวหน้ามาสู่ปัญหานี้ แบบจำลองนี้สร้างขึ้นจากรูปภาพมากกว่า 173,000 ภาพ ต้องใช้พลังประมวลผลในการฝึกอบรมน้อยลงถึงห้าเท่าจากเมื่อก่อน ช่วยให้สามารถวิเคราะห์ข้อมูล 3D MRI ที่ซับซ้อนแบบเรียลไทม์ และรองรับการค้นหาและการเชื่อมโยงรูปภาพและข้อความ ตลอดจนการแบ่งส่วนและการจำแนกโรค .
ภาพ MRI ถือเป็นความท้าทายในการวิเคราะห์ภาพทางการแพทย์มาโดยตลอด เนื่องจากมีความซับซ้อนและมีข้อมูลจำนวนมาก เพื่อฝึกโมเดลภาษาขนาดใหญ่ (LLM) สำหรับการวิเคราะห์ด้วย MRI นักพัฒนาจะต้องตัดภาพที่ได้มาให้เป็นภาพ 2 มิติ แม้ว่าการประมวลผลดังกล่าวจะเป็นไปได้ แต่ก็จำกัดความสามารถของโมเดลในการวิเคราะห์โครงสร้างทางกายวิภาคที่ซับซ้อน โดยเฉพาะในเนื้องอกในสมองในระดับที่ซับซ้อน เช่นโรคกระดูกหรือโรคหลอดเลือดหัวใจ
หมายเหตุแหล่งที่มาของรูปภาพ: รูปภาพนี้สร้างขึ้นโดย AI และผู้ให้บริการอนุญาตรูปภาพ Midjourney
อย่างไรก็ตาม GE Healthcare ได้เปิดตัวแบบจำลองพื้นฐานการวิจัย MRI 3 มิติทั้งร่างกาย (FM) ครั้งแรกของอุตสาหกรรมในการประชุม AWS re:Invent ปีนี้ ซึ่งแสดงให้เห็นว่าในที่สุดโมเดล MRI ก็สามารถใช้ภาพ 3 มิติของทั้งร่างกายได้ในที่สุด แบบจำลองนี้สร้างขึ้นจากรูปภาพมากกว่า 173,000 ภาพจากการศึกษา 19,000 ชิ้น และทีมพัฒนากล่าวว่าด้วยโมเดลใหม่นี้ การฝึกอบรมต้องใช้พลังการประมวลผลน้อยลงถึงห้าเท่าจากเมื่อก่อน
แม้ว่า GE Healthcare จะยังไม่ได้จำหน่ายแบบจำลองพื้นฐานนี้ในเชิงพาณิชย์ แต่ก็ยังอยู่ในขั้นตอนการวิจัย และผู้ประเมินในช่วงแรก Mass General Brigham กำลังจะเริ่มทดลองใช้แบบจำลองนี้ Parry Bhatia หัวหน้าเจ้าหน้าที่ปัญญาประดิษฐ์ของ GE Healthcare กล่าวว่าเขาหวังที่จะมอบแบบจำลองเหล่านี้ให้กับทีมเทคนิคของระบบการแพทย์ เพื่อช่วยให้พวกเขาพัฒนาการวิจัยและการประยุกต์ใช้ทางคลินิกได้รวดเร็วและประหยัดยิ่งขึ้น
การเกิดขึ้นของแบบจำลองนี้จะช่วยให้สามารถวิเคราะห์ข้อมูล 3D MRI ที่ซับซ้อนได้แบบเรียลไทม์ ทีมแพทย์ของ GE ได้สั่งสมเทคโนโลยีขั้นสูงมาเป็นเวลาสิบปี ผลิตภัณฑ์หลักของบริษัท AIR Recon DL คืออัลกอริธึมการเรียนรู้เชิงลึกที่สามารถช่วยให้นักรังสีวิทยาได้ภาพที่คมชัดเร็วขึ้น และลดเวลาในการสแกนลงได้ถึง 50% นอกจากนี้ โมเดล 3D MRI ยังสามารถรองรับการค้นหาและการเชื่อมโยงรูปภาพและข้อความ ตลอดจนการแบ่งส่วนและการจำแนกโรค โดยหวังว่าจะให้ข้อมูลการสแกนที่มีรายละเอียดมากขึ้นแก่ผู้เชี่ยวชาญทางการแพทย์มากกว่าที่เคยเป็นมา
ในแง่ของการประมวลผลข้อมูล ทีมพัฒนาได้ใช้กลยุทธ์ "การปรับเปลี่ยนและการปรับตัว" เพื่อให้โมเดลสามารถประมวลผลชุดข้อมูลต่างๆ ได้ แม้ว่าข้อมูลรูปภาพบางส่วนจะไม่สมบูรณ์ แต่โมเดลก็สามารถข้ามส่วนที่ขาดหายไปได้ นอกจากนี้ ยังใช้วิธีการเรียนรู้แบบกึ่งผู้สอนของนักเรียนและครูเพื่อปรับปรุงความสามารถในการเรียนรู้ของแบบจำลองภายใต้เงื่อนไขข้อมูลที่จำกัด
เพื่อแก้ปัญหาความท้าทายด้านการประมวลผลและข้อมูลที่พบในการสร้างแบบจำลองที่ซับซ้อนนี้ GE Healthcare ได้ใช้ประโยชน์จากแพลตฟอร์ม SageMaker ของ Amazon รวมกับความสามารถในการฝึกอบรมแบบกระจายของ GPU ประสิทธิภาพสูง เพื่อปรับปรุงความเร็วการประมวลผลข้อมูลและประสิทธิภาพการฝึกอบรมโมเดลอย่างมีนัยสำคัญ ทั้งหมดนี้ทำไปพร้อมๆ กับรับประกันการปฏิบัติตามมาตรฐานการปฏิบัติตามข้อกำหนด เช่น HIPAA เพื่อให้บริการทางการแพทย์ที่เป็นส่วนตัวมากขึ้นแก่ผู้ป่วย
ปัจจุบันโมเดลดังกล่าวมุ่งเน้นไปที่ MRI แต่นักพัฒนามองเห็นโอกาสอันยิ่งใหญ่ในการขยายไปสู่สาขาการแพทย์อื่นๆ ในอนาคต ตามแบบจำลองพื้นฐานนี้ อาจเป็นไปได้ที่จะมอบโซลูชันที่รวดเร็วและมีประสิทธิภาพมากขึ้นสำหรับสาขาต่างๆ เช่น รังสีบำบัด
ไฮไลท์:
GE Healthcare เปิดตัวแบบจำลองพื้นฐานการวิจัย MRI 3 มิติแบบเต็มตัวตัวแรกของอุตสาหกรรม ซึ่งปรับปรุงความสามารถในการวิเคราะห์ภาพอย่างมีนัยสำคัญ
โมเดลใหม่ช่วยลดการใช้ทรัพยากรการประมวลผลและปรับปรุงประสิทธิภาพการฝึกอบรมโดยการปรับกลยุทธ์การประมวลผลข้อมูล
คาดว่าจะขยายไปสู่สาขาการแพทย์อื่นๆ ในอนาคต เพื่ออำนวยความสะดวกในการให้บริการทางการแพทย์ที่แม่นยำยิ่งขึ้น
แบบจำลองพื้นฐานการวิจัย 3D MRI ของ GE Healthcare ถือเป็นยุคใหม่ของการวิเคราะห์ภาพทางการแพทย์ ความสามารถในการวิเคราะห์ที่มีประสิทธิภาพและโอกาสในการประยุกต์ใช้จะช่วยส่งเสริมความก้าวหน้าของเทคโนโลยีทางการแพทย์อย่างมาก และนำผลลัพธ์ที่แม่นยำและสะดวกยิ่งขึ้นมาสู่ผู้ป่วย ในอนาคต คาดว่าแบบจำลองนี้จะถูกนำไปใช้ในสาขาอื่นๆ มากขึ้น เพื่อปรับปรุงประสิทธิภาพของการวินิจฉัยและการรักษาทางการแพทย์ให้ดียิ่งขึ้น