从基础研究到临床应用，智慧医院技术提高了医疗效率和可持续性

NVIDIA 正在与欧洲各地的临床组织合作，将 AI 应用于临床护理，并通过提高效率和可纳入医疗决策过程中的新数据维度支持临床路径。

位于德国西北部的埃森大学医院将机器学习从科研带到临床——使用 NVIDIA 技术和 AI 构建未来的智慧医院。

杜伊斯堡埃森大学医学院教授 Jens Kleesiek 和 Felix Nensa 是一个四人小组的成员，该小组领导建立了医学人工智能研究所（IKIM）。IKIM 开发的技术与埃森大学医院的 IT 基础设施相集成。

IKIM 拥有的数据注释实验室，由经过医学委员会认证的放射科医师监督。该实验室使用 MONAI 加速标记医学图像中的解剖结构。MONAI 是基于 PyTorch 的开源框架，能够构建、训练、标记和部署用于医疗成像的 AI 模型。

MONAI 由 NVIDIA 与包括伦敦国王学院在内的十几个领先的临床和研究机构合作创建。

IKIM 研究人员还使用自监督学习来预训练 AI 模型，为医院的 CT 扫描、磁共振成像（MRI） 等生成高质量标签。

此外，IKIM 团队还开发了智慧医院信息平台（SHIP），这是基于 AI 的中央医疗数据整合平台和部署引擎。研究人员和临床医生使用该平台对大学医院的大量数据进行实时分析，包括医学成像、放射学报告、临床记录和患者访谈。

例如，SHIP 可以在放射报告上标记异常，并实时推送给医生，从而为患者提供更快的诊断和治疗。AI 还能够准确描述像是遗传特征和患者报告等医疗健康指标之间的数据驱动关联。

“我们希望解决现实世界的问题，将解决方案带入临床，” Kleesiek 说。“ SHIP 框架能够将分析数据的深度学习算法直接提供给在医疗现场的临床医生。”

此外， AI 提高了工作流程效率，这推动了医院内部长期可持续发展。

更加智能的医院

Nensa 表示，他的医院目前拥有包括用于医院信息、实验室和放射科的近 500 个 IT 系统。每个系统都由相互关联的关键患者信息组成，但来自不同系统的数据可能难以连接，也很难从中提取基于机器学习的见解。

SHIP 通过将数据自动转换为被称作快速医疗保健互操作性资源（FHIR）的描述标准来连接所有此类系统，该标准通常在医学中用于交换电子健康记录。SHIP 目前包含超过 12 亿个 FHIR。

一旦转换为 FHIR ，数据科学家、研究人员和临床医生就可以轻松访问这些信息，并基于 NVIDIA GPU 和 DGX A100 系统进行实时 AI 训练和分析。这使得劳动密集型任务（例如活体肝移植前的肝脏容积测定或儿童骨龄估计）可以在后台全自动执行，而不需要放射科医生半小时的手动工作。

“医院里的 AI 越多，患者就越能享受到 AI 的便利，”Nensa 表示。“由于 AI 能让医生和护士从数据检索和注释等重复性任务中解放出来，医疗专业人员有更多时间可以专注于护理患者。”

NVIDIA DGX A100 系统赋能 IKIM 的 AI 训练和推理。NVIDIA Triton 推理服务器可在临床实现快速且可扩展的 AI 模型并发服务。

IKIM 团队还使用了用于联邦学习的开源平台 NVIDIA FLARE，它使数据科学家能够开发通用且强大的 AI 模型，并同时保护患者隐私。

越智能，越环保

除了减少医生工作量和增加患者护理时间外，医院中的 AI 还促进了可持续发展。

作为高度专业化的医疗中心，埃森大学医院全年为患者提供每天 24 小时的可靠治疗。如此一来，以患者为导向的前沿医学在传统上就少不了高能耗。

SHIP 帮助医院提高效率、自动化任务并优化流程，以减少工作流程中的摩擦——从而节省能源。根据  Kleesiek 的说法， IKIM 重复利用数据中心的 GPU 能量，这也有助于埃森大学医院更加环保。

“NVIDIA 正提供从软件和硬件到专家工程师领导的培训等各种支持，以让我们充分利用 AI 技术，”Nensa 说。

4 月，NVIDIA 专家在 IKIM 举办了研讨会，提供关于 GPU 加速深度学习、数据科学和医学 AI 的讲座和实践培训。该研讨会促使 IKIM 启动了将 AI 用于医学的其他项目——包括对 MONAI 的研究贡献。

此外， IKIM 正在构建 SmartWard 技术，以在医院为患者提供端到端的 AI 体验——从等候区的服务机器人到自动生成的出院报告。

对于 SmartWard 项目， IKIM 团队正在考虑将 NVIDIA Clara Holoscan 平台集成至医疗设备 AI 计算中。