Case Studies / apoQlar
MEDTECH · OBRAZOWANIE MEDYCZNE & PLANOWANIE CHIRURGICZNE
Automatyzacja ręcznej segmentacji anatomicznej za pomocą AI w planowaniu chirurgicznym
Przed każdą operacją opartą na obrazowaniu MRI lub CT ktoś musi ręcznie obrysować odpowiednie struktury anatomiczne – kości, naczynia krwionośne, komory mózgu – warstwę po warstwie. To żmudna, czasochłonna praca, będąca wąskim gardłem w klinicznych procesach. Stworzyliśmy serię modeli AI automatyzujących tę segmentację dla platformy VSI HoloMedicine® firmy apoQlar, skracając godziny ręcznej pracy do sekund.
Klient: apoQlar GmbH – twórca platformy VSI HoloMedicine®, wykorzystującej urządzenia rozszerzonej rzeczywistości do trójwymiarowego planowania operacji i edukacji pacjentów.
Kluczowe wyniki
Godz→Sek
Czas ręcznej segmentacji skrócony z godzin do sekund
Identyfikowalny
Pełna dokumentacja zbiorów danych, procesu trenowania i ewaluacji
MRI+CT
Modele dla obu modalności obrazowania obejmujące wiele struktur anatomicznych
Azure ML
Pełna dokumentacja i odtwarzalność na platformie Microsoft Azure
BRANŻA
MedTech
PRZYPADEK UŻYCIA
Segmentacja anatomiczna do planowania chirurgicznego
PODEJŚCIE AI
Warianty U-Net + głębokie uczenie
OBRAZOWANIE
Skany MRI i CT
PLATFORMA
Azure ML + MS InnerEye
INTEGRACJA
VSI HoloMedicine® (urządzenia XR)
Wyzwanie
Platforma VSI HoloMedicine® firmy apoQlar umożliwia chirurgom wizualizację anatomii pacjenta w trzech wymiarach za pośrednictwem gogli rozszerzonej rzeczywistości – z wykorzystaniem rzeczywistych danych MRI i CT rzutowanych w pole widzenia operatora. To potężne narzędzie do planowania operacji i edukacji pacjentów. Wymaga jednak jednego kluczowego elementu wejściowego: zsegmentowanych struktur anatomicznych.
Segmentacja – proces identyfikowania i obrysowywania konkretnych struktur, takich jak kości, naczynia krwionośne i komory mózgu, na skanach medycznych – była wykonywana ręcznie. Radiolodzy lub przeszkoleni technicy przeglądali dane obrazowe warstwa po warstwie, śledząc każdą strukturę ręcznie. W przypadku jednego pacjenta mogło to zajmować wiele godzin. Było to największe wąskie gardło między otrzymaniem danych obrazowych a gotowym, użytecznym modelem 3D do planowania operacji.
Kluczowy problem: każda chirurgiczna wizualizacja 3D zależała od ręcznej segmentacji trwającej kilka godzin na jednego pacjenta. To ręczne wąskie gardło ograniczało liczbę przypadków obsługiwanych przez platformę i spowalniało kliniczne procesy robocze w miejscu, gdzie czas ma kluczowe znaczenie – przed operacją.
Co zbudowaliśmy
Współpracując z zespołem apoQlar i konsultując się ze specjalistami medycznymi z różnych dziedzin, opracowaliśmy serię modeli AI automatyzujących segmentację struktur anatomicznych z obrazów MRI i CT.
Wiele struktur anatomicznych. Modele nie obsługują jednego przypadku użycia – segmentują różne typy struktur: kości, naczynia krwionośne i struktury mózgu, w tym komory. Każda wymagała własnego wariantu modelu, wytrenowanego na specjalistycznych danych obrazowych i zwalidowanego przez odpowiednich specjalistów medycznych.
Najnowocześniejsze architektury sieci neuronowych. Korzystaliśmy z wariantów architektury U-Net – standardu w segmentacji obrazów medycznych – dostosowanych i zoptymalizowanych dla każdego celu anatomicznego. Modele konsekwentnie osiągały wysoką dokładność segmentacji na zróżnicowanych danych obrazowych pacjentów.
Kompleksowa dokumentacja i odtwarzalność. W obszarze AI w ochronie zdrowia sposób budowania modeli jest równie ważny jak ich skuteczność. Cały pipeline zbudowaliśmy na platformach Microsoft Azure Machine Learning i Microsoft InnerEye, zapewniając pełną dokumentację cech zbiorów danych, procedur trenowania, metryk oceny i kroków wdrożenia. Każdy model jest w pełni odtwarzalny – te same dane wejściowe dają te same wyniki – a cały proces tworzenia jest identyfikowalny od początku do końca.
Bezpośrednia integracja z VSI HoloMedicine®. Wyniki segmentacji trafiają bezpośrednio do platformy rozszerzonej rzeczywistości apoQlar, gdzie chirurdzy mogą wchodzić w interakcje z wynikowymi modelami anatomicznymi 3D za pośrednictwem gogli XR, w tym Meta Quest i innych urządzeń. AI nie produkuje tylko danych – produkuje dane, które są natychmiast użyteczne w przepływie pracy planowania chirurgicznego.
Wyniki
PRZED
Ręczna segmentacja warstwa po warstwie, zajmująca wiele godzin na pacjenta. Ograniczona przepustowość. Niespójne wyniki w zależności od tego, kto wykonywał adnotacje. Wąskie gardło przed każdym przypadkiem chirurgicznym.
PO
Automatyczna segmentacja kończona w ciągu sekund. Spójna jakość dla różnych pacjentów i typów obrazowania. W pełni udokumentowana z odtwarzalnymi pipeline’ami trenowania. Bezpośrednio zintegrowana z planowaniem chirurgicznym 3D.
Ręczne wąskie gardło segmentacji zostało wyeliminowane. To, co wcześniej zajmowało specjaliście wiele godzin, teraz trwa sekundy – z konsekwentnymi, odtwarzalnymi wynikami, potwierdzonymi kompleksową dokumentacją całego pipeline’u trenowania i ewaluacji. Chirurdzy otrzymują swoje modele planowania 3D szybciej, a platforma może się skalować, aby obsługiwać znacznie więcej przypadków.
Dla przedsiębiorstw z sektora MedTech ten projekt ilustruje wzorzec mający zastosowanie daleko poza obszarem ochrony zdrowia: wszędzie tam, gdzie wykwalifikowany specjalista spędza godziny na powtarzalnym, ustrukturyzowanym zadaniu – zwłaszcza takim, które leży na krytycznej ścieżce większego procesu – AI często może skrócić to do sekund, jednocześnie poprawiając spójność i tworząc pełną ścieżkę audytu.
Jako powiązany strumień pracy na tej samej platformie zintegrowaliśmy również ShareMedix z VSI HoloMedicine®, aby rozwiązać kolejne ręczne wąskie gardło: anonimizację nagrań wideo i zdjęć z sali operacyjnej przed ich udostępnieniem współpracownikom, wykorzystaniem w prezentacjach medycznych lub publikacją. Lekarze noszący maski, okulary i latarki czołowe w materiałach z sali operacyjnej sprawiają, że standardowe oprogramowanie do rozpoznawania twarzy jest zawodne – ShareMedix zostało specjalnie wytrenowane na materiałach z środowisk medycznych, aby radzić sobie z tymi warunkami, zastępując poprzedni czasochłonny ręczny krok anonimizacji, który zniechęcał lekarzy do dzielenia się treściami klinicznymi.
Użyte technologie
Więcej case studies
Zobacz, jak pomogliśmy innym firmom
URZĄD · POLSKA INSTYTUCJA PUBLICZNA (NDA)
Zbudowanie platformy AI automatyzującej monitoring polityczny – od PoC do pełnego rozwiązania
Analitycy public affairs ręcznie śledzili miliony dokumentów politycznych w różnych krajach i językach. Zbudowaliśmy warstwę AI automatyzującą monitoring, analizę i alerty – od pierwszego prototypu do premiery rynkowej.
11
Obszarów wiedzy
3
Dedykowane toole
LOGISTYKA · FR. MEYER’S SOHN
Wyeliminowanie ręcznej ekstrakcji danych z tysięcy dziennych e-maili wysyłkowych
Pracownicy operacyjni codziennie ręcznie czytali e-maile logistyczne po niemiecku i angielsku, aby wyodrębnić dane tras i harmonogramów. Zbudowaliśmy pipeline AI, który automatycznie ekstrahuje, strukturyzuje i dostarcza dane.
-80%
Nakład pracy ręcznej
2 języki
DE i EN
On-prem
Wdrożenie
POLITYKA · POLICY-INSIDER.AI
Wielogodzinna manulana analiza dokumentów politycznych zastąpiona podsumowaniami generowanymi przez AI
Analitycy spędzali godziny na czytaniu obszernych dokumentów politycznych UE, aby wyodrębnić kluczowe punkty. Zbudowaliśmy AI, które czyta, podsumowuje i powiadamia użytkowników o istotnych zmianach – automatycznie, w wielu językach.
Automatycznie
Podsumowania
Wielojęzycznie
Dokumenty UE