3,6 Milliarden. Das ist die Anzahl der medizinischen Bildgebungstests, die jährlich weltweit zur Diagnose, Beobachtung und Behandlung verschiedener Erkrankungen durchgeführt werden.
Eine Beschleunigung der Verarbeitung und Auswertung all dieser Röntgenbilder, CT-Scans, MRTs und Ultraschallbilder ist unerlässlich, um Ärzte bei der Bewältigung ihrer Arbeitslast und Verbesserung von Behandlungen zu unterstützen.
Aus diesem Grund hat NVIDIA MONAI eingeführt, eine Open-Source-basierte Forschungs- und Entwicklungsplattform für KI-Anwendungen, die in der medizinischen Bildgebung und darüber hinaus eingesetzt werden. MONAI verbindet Ärzte mit Datenwissenschaftlern, damit sie das Potenzial medizinischer Daten nutzen können, um Deep-Learning-Modelle und bereitstellbare Anwendungen für medizinische KI-Workflows zu entwickeln.
Diese Woche gab NVIDIA auf der Jahrestagung der RSNA, der Radiological Society of North America, bekannt, dass Siemens Healthineers MONAI Deploy eingeführt hat. Dabei handelt es sich um ein Modul in MONAI, das die Lücke zwischen Forschung und klinischer Produktion schließt, um die Geschwindigkeit und Effizienz der Integration von KI-Workflows für medizinische Bildgebung in klinischen Umgebungen zu steigern.
Mit über 15.000 Installationen in medizinischen Geräten auf der ganzen Welt helfen die Imaging-Plattformen Syngo Carbon und syngo.via von Siemens Healthineers medizinischem Fachpersonal dabei, Erkenntnisse aus medizinischen Bildern verschiedener Quellen zu gewinnen und besser zu interpretieren.
Entwickler verwenden bei der Entwicklung von KI-Anwendungen in der Regel eine Vielzahl von Frameworks. Dies erschwert es, Anwendungen in klinischen Umgebungen bereitzustellen.
Mit wenigen Codezeilen richtet MONAI Deploy KI-Anwendungen ein, die sich überall ausführen lassen. Es ist ein Tool für das Entwickeln, Verpacken, Testen, Bereitstellen und Ausführen von medizinischen KI-Anwendungen in der klinischen Produktion. Es erleichtert die Entwicklung und Integration von KI-Anwendungen für medizinische Bildgebung in klinische Workflows.
Der Einsatz von MONAI Deploy auf der Siemens Healthineers-Plattform hat den KI-Integrationsprozess erheblich beschleunigt, sodass Benutzer trainierte KI-Modelle mit nur wenigen Klicks in reale klinische Umgebungen portieren können. Zuvor hatte das oft Monate gedauert. Dies hilft Forschern, Unternehmern und Start-ups, ihre Anwendungen schneller in die Hände von Radiologen zu bringen.
„Durch die beschleunigte Bereitstellung von KI-Modellen ermöglichen wir es Gesundheitseinrichtungen, neueste Fortschritte in der KI-gestützten medizinischen Bildgebung schneller als je zuvor zu nutzen“, so Axel Heitland, Leiter für digitale Technologien und Forschung bei Siemens Healthineers. „Mit MONAI Deploy können Forscher KI-Modelle und Innovationen schnell anpassen und vom Labor in die klinische Praxis bringen. Die Lösung bietet Tausenden von klinischen Forschern weltweit in den Bildgebungsplattformen syngo.via und Syngo Carbon direkten Zugriff auf KI-gestützte Fortschritte.“
Die beiden Plattformen wurden mit von MONAI entwickelten Apps verbessert und können die KI-Integration erheblich vereinfachen. Die Apps lassen sich bequem im Digital Marketplace von Siemens Healthineers bereitstellen und verwenden, wo Benutzer sie durchsuchen, auswählen und nahtlos in klinische Workflows integrieren können.
MONAI-Ökosystem fördert Innovation und Akzeptanz
MONAI feiert sein fünfjähriges Bestehen und konnte inzwischen mehr als 3,5 Millionen Downloads, 220 Mitwirkende aus der ganzen Welt, Erwähnungen in mehr als 3.000 Publikationen, 17 Auszeichnungen bei der MICCAI Challenge und einen Einsatz in zahlreichen klinischen Produkten verzeichnen.
Die neueste Version von MONAI – v1.4 – enthält Updates, die Forschern und klinischem Fachpersonal noch mehr Möglichkeiten bieten, die Innovationen von MONAI zu nutzen und Beiträge zu Siemens Healthineers Syngo Carbon, syngo.via und dem Siemens Healthineers Digital Marketplace zu leisten.
Die Updates in MONAI v1.4 und verwandten NVIDIA-Produkten enthalten neue Foundation-Modelle für medizinische Bildgebung, die in MONAI angepasst und als NVIDIA NIM-Microservices bereitgestellt werden können. Die folgenden Modelle sind jetzt allgemein als NIM-Microservices verfügbar:
- MAISI (Medical AI for Synthetic Imaging) ist ein Foundation-Modell für generative KI mit latenter Diffusion, das hochauflösende 3D-CT-Bilder im Vollformat und ihre anatomischen Segmentierungen simulieren kann.
- VISTA-3D ist ein Foundation-Modell für die Segmentierung von CT-Bildern, das hochpräzise Ergebnisse liefert. Abgedeckt werden über 120 wichtige Organklassen. Es verfügt außerdem über effektive Anpassungs- und Zero-Shot-Fähigkeiten, um zu lernen, neuartige Strukturen zu segmentieren.
Neben den Hauptfunktionen von MONAI 1.4 ist das neue MONAI Multi-Modal-Modell (M3) jetzt über das VLM-GitHub-Repository von MONAI verfügbar. M3 ist ein Framework, das jedes multimodale LLM mit Experten für medizinische KI erweitert, z. B. mit trainierten KI-Modellen aus dem Model Zoo von MONAI. Die Leistungsfähigkeit des neuen Frameworks wird durch das VILA-M3 Foundation-Modell demonstriert, das jetzt bei Hugging Face verfügbar ist und hochmoderne Copilot-Leistung für radiologische Bilder bietet.
MONAI vernetzt Krankenhäuser, Start-ups im Gesundheitswesen und Forschungseinrichtungen
Führende Gesundheitseinrichtungen, akademische Gesundheitszentren, Start-ups und Softwareanbieter auf der ganzen Welt nutzen MONAI und fördern die Lösung weiter, darunter:
- Das Deutsche Krebsforschungszentrum leitet die Arbeitsgruppe Benchmarks und Metriken von MONAI, die Metriken zur Messung der KI-Leistung und Richtlinien für den Einsatz dieser Metriken bereitstellt.
- Das Nadeem Lab des Memorial Sloan Kettering Cancer Center (MSK) war Pionier bei der cloudbasierten Bereitstellung verschiedener KI-unterstützter Annotierungs-Pipelines und Inferenzmodule für pathologische Daten mit MONAI.
- Die Fakultät der University of Colorado School of Medicine hat MONAI-basierte Ophthalmologie-Tools zur Erkennung von Netzhauterkrankungen mithilfe einer Vielzahl von Bildgebungsmodalitäten entwickelt. Außerdem führt die Universität einige der ursprünglichen Entwicklungen und klinischen Demonstrationen im Rahmen von föderiertem Lernen mit MONAI durch.
- MathWorks hat MONAI Label in seine Medical Imaging Toolbox integriert, um KI und KI-gestützte Annotierungsfunktionen für medizinische Bildgebung Tausenden von MATLAB-Benutzern zur Verfügung zu stellen, die an medizinischen und biomedizinischen Anwendungen in Wissenschaft und Industrie arbeiten.
- GSK erforscht MONAI-Foundation-Modelle wie VISTA-3D und VISTA-2D für Bildsegmentierung.
- Flywheel bietet eine Plattform, die MONAI zur Optimierung des Bilddatenmanagements, zur Automatisierung von Forschungsworkflows und zur Unterstützung von KI-Entwicklung und -Analyse umfasst. Die Plattform ist auf die Bedürfnisse von Forschungseinrichtungen und Organisationen im Bereich Biowissenschaften zugeschnitten.
- Alara Imaging stellte seine Arbeit zur Integration von MONAI-Foundation-Modellen wie VISTA-3D mit LLMs wie Llama 3 bei der Konferenz der Society for Imaging Informatics in Medicine 2024 vor.
- RadImageNet erforscht den Einsatz des M3-Frameworks von MONAI zur Entwicklung von hochmodernen Vision-Language-Modellen, die professionelle Bild-KI-Modelle von MONAI nutzen, um hochwertige radiologische Berichte zu generieren.
- Kitware bietet professionelle Softwareentwicklungsdienste rund um MONAI an, die Geräteherstellern bei der Integration von MONAI in benutzerdefinierte Workflows sowie in behördlich zugelassene Produkte helfen.
Forscher und Unternehmen verwenden MONAI auch für Cloud-Dienstanbieter, die skalierbare KI-Anwendungen ausführen und bereitstellen wollen. Zu den Cloud-Plattformen, die Zugriff auf MONAI bieten, zählen AWS HealthImaging, Google Cloud, Precision Imaging Network, Teil der Microsoft Cloud for Healthcare, und Oracle Cloud Infrastructure.
Siehe Offenlegungsaussagen zu syngo.via, Syngo Carbon und Produkten im Digital Marketplace.