放射科醫生的工作就是在診斷部分最嚴重的醫學病症，而隨著使用電腦斷層（CT）和核磁共振成像（MRI）等醫學影像技術進行檢查的數量不斷增加，他們的工作量也與日俱增。
來自美國休士頓的新創公司 InformAI，開發出多款深度學習工具來幫助放射科醫生更快分析醫學掃描影像，以減輕他們的工作疲勞和壓力。
InformAI 執行長 Jim Havelka 表示：「我們想要為臨床醫生們開發診斷輔助工具，以便在照護患者時加快資訊工作流程和更快做出決定，對患者來說也是一項福音。」
InformAI 在Microsoft Azure 雲端平台上使用 NVIDIA V100 GPU 來訓練該公司的深度學習影像分類器和患者結果預測器，在現場也使用一台 NVIDIA DGX Station。這間新創公司與資料科學顧問公司 SFL Scientific 攜手，利用頂尖技術資源開發出一套卷積神經網路深度學習技術堆疊。
InformAI 的影像分類器使用 NVIDIA GPU，只要三十秒便可掃描患者的 3D 立體 CT 掃描影像，是否出現二十項竇腔疾病，並且標記可能存在的情況。這項人工智慧工具還成為其它分析軟組織 3D 立體掃描影像分類應用程式的基礎，包括從 MRI 掃描影像裡檢測常見的腦癌情況。
人工智慧瞧出竇腔疾病
摸清楚個別患者的竇腔結構是件極為困難的事情，每個人的竇腔長的都不一樣，人工智慧難以判斷八個主要竇腔和連接竇腔的通道，到底是出現感染，還是出現異常腫塊。
在美國，醫生每年執行約七十萬件竇腔手術。使用人工智慧加快進行診斷，能夠節省醫療成本和縮短開始治療所需的時間。
InformAI 與該公司的醫療保健合作夥伴打造了一個訓練資料集，其中有著採集自兩萬名患者身上的約六百萬張影像。有一組放射科醫師及與 InformAI 合作進行這項專案的專科住院實習醫生，協助為這些影像加上標籤。
使用 InformAI 平台的放射科醫師可以在預測器神經網路運行的當下，便檢查和分析 3D 立體竇腔 CT 掃描影像。在不到一分鐘的時間內，人工智慧的判斷結果就會彈出，告訴其中是否存在著二十項竇腔疾病，醫生接著就能使用這項結果來協助診斷和提出治療計畫。InformAI 使用 NVIDIA GPU 進行推論，速度較使用 CPU 高出約六倍。
今年春天有一處醫院和多間診所採用 InformAI 的竇腔掃描影像分類器，以測試把它當成輔助放射科醫師和耳鼻喉科醫生進行診斷的效果。該團隊還將進行把人工智慧當成直接診斷工具所需的認證流程，並且送交主管機關審理。
用於診斷神經系統疾病的神經網路
Havelka 說通常竇腔分類神經網路從 CT 掃描影像裡取得 3D 片段，以分析這些影像片段內是否有著特定疾病或一組疾病，。由於使用大規模醫療資料集來訓練這套神經網路，便可使用遷移學習來重新利用神經網路，解決更多軟組織醫療應用程式的影像分類問題。
這間新創公司就是這麼做。該團隊通過遷移學習，訓練了一個神經網路來檢測另一種軟組織的疾病，也就是大腦。
發現腦部出現腫瘤或病變時，「這對患者來說是生死攸關的事，早期發現和分類，以便為患者提供最佳的治療選擇和結果。」Havelka 說。
然而不同的腦部腫瘤和病變可能看起來外觀相似，也可能跟其它要使用不同治療方法的神經系統疾病相似。這種分類十分複雜，患者的治療計畫可能會隨著時間推移而有所變動。
放射科醫師無法透過腦部 MRI 掃描影像，對診斷做出結論時，醫生會轉而進行侵入式腦部活體切片檢查，以獲取更多資訊。一項人工智慧工具可以幫助放射科醫師更早且更有把握地進行診斷，便能減少所需的活體切片檢查數量。
InformAI 使用 3D 立體影像卷積神經網路，正在開發一種分析腦部 MRI 掃描影像，以檢測是否存在腫瘤或病變的工具，並且可以將異常掃描影像分類為膠質母細胞瘤、轉移性腦瘤、多發性硬化症或淋巴瘤這四種情況。
目前仍處於開發階段的腦癌檢測深度學習模型，最初使用來自一千名患者的約十萬張掃描影像進行訓練。
成立於2017年的 InformAI，為 NVIDIA Inception 虛擬加速器計畫成員。請閱讀這項近期發表的白皮書，以取得更多關於該公司的研究成果資訊。