利用 AWS HealthImaging 和 SageMaker 改善医疗影像工作流程

作者：Sukhomoy Basak 和 Hassan Mousaid 于 2023 年 7 月 31 日 发表于 Amazon SageMaker、Amazon Simple Queue Service (SQS)、Amazon Simple Storage Service (S3)、公告、人工智慧。

重点摘要

医疗影像在病人诊断和治疗计划中扮演著关键角色。然而，管理、储存和分析医疗影像的过程充满挑战。医疗界面临放射科医生短缺的问题，而随著人口老龄化和影像技术的推进，对放射科的需求日益增加。医疗机构可以利用 AWS HealthImaging 和 Amazon SageMaker，结合人工智慧来提升医疗影像的工作流程，降低医务人员的工作压力，并提高患者的就医体验。

医疗影像在患者诊断和治疗计划中至关重要。然而，医疗提供者在管理、储存和分析医疗影像时遇到诸多挑战，这些过程既耗时又容易出错，成本也高。

目前，各地区医疗系统都面临放射科医生短缺的问题，随著人口老化、影像技术的持续进步，无疑加剧了此问题的严重性。随著对影像研究需求不断增加，有限数量的放射科医生导致了预约延误和诊断不及时的情况。

飞鱼加速器官网下载入口

随著技术提升医疗服务效率，医院需要更多工具来解决当前的首要挑战，包括：

专业人员因影像及诊断服务需求增加而导致的职业倦怠劳动密集型任务，例如影像的体积测量或结构分割患者期望得到与零售和科技水平相匹配、便捷的高品质医疗体验

为了改善医疗人员和患者的体验，建议使用一个基于人工智慧的诊断影像云解决方案来运行您的影像档案与通讯系统PACS，这能安全地获取关键见解并改善就诊可达性。

人工智慧有助于通过自动化减少放射科医生的工作压力。例如，人工智慧可以节省放射科医生解析胸部X光的时间，并有效找出需要进一步检查的区域，帮助捕捉最初未被识别的次要发现。进一步推进的互通性和分析能力为放射科医生提供了360度、长期的病历视角，以便在潜在降低成本的情况下提供更好的医疗服务。

AWS提供多种服务来解决这些挑战。本文讨论了 AWS HealthImagingAWS AHI和 Amazon SageMaker，及其如何协同工作来提升医疗影像流程，最终加快影像诊断和提升放射科生产力。AWS AHI使得开发者能为云原生医疗影像应用提供性能、安全性和可扩展性，并支持数字成像和通讯标准DICOM的影像接收。Amazon SageMaker 则提供了一个端对端的人工智慧和机器学习解决方案。

例子用案分析

以下是一起与汽车事故后X光检查有关的诊断医疗影像工作流程范例：

患者在急诊室接受X光检查以检查是否有骨折。扫描获得的影像传送至PACS系统。放射科医生对收集到的信息进行审查并撰写报告。随后患者的检查报告会提供给主治医生。

下一代影像解决方案及流程

医疗提供者可以同时利用 AWS AHI 和 Amazon SageMaker 来启用下一代影像解决方案并改善医疗影像工作流程。以下架构图说明了这个范例。

图 1：X光影像被送至 AWS HealthImaging，Amazon SageMaker 端点提取见解。

让我们回顾架构及关键组成部分：

影像扫描仪：用于捕获患者身体的影像。根据不同的模式，这可能是一个X光探测器、CT扫描仪中的一系列探测器、MRI扫描仪中的磁场和射频线圈，或超声波探头。本范例使用的是X光设备。

AWS IoT Greengrass：一个边缘运行时和云服务，按照 DICOM CStore SCP 的规范设置，接收影像并传送到 Amazon Simple Storage ServiceAmazon S3。影像及相关元数据分别传送至 Amazon S3 和 Amazon Simple Queue ServiceAmazon SQS，从而触发工作流程。

Amazon SQS 消息队列：从 S3 槽中消耗事件，并触发 AWS Step Functions 工作流编排。

AWS Step Functions 在进一步处理影像并导入到 AWS AHI 数据存储实例中运行转换和导入任务。

最后的诊断影像及任何相关患者资讯和元数据存储在 AWS AHI 数据存储中，这样可以实现高效的影像数据检索和管理，实现以小于一秒的影像检索延迟访问医疗影像数据，支持来自 AWS 伙伴的云原生 API 和应用。

负责机器学习影像的基本事实的放射科医生利用 Amazon SageMaker Ground Truth 进行医疗影像标注。他们使用自定义数据标注工作流程视觉化和标注DICOM影像，这是一个支持内置或自定义数据标注工作流程的完全管理的数据标注服务。还可以利用 3D Slicer 进行交互式医疗影像标注。

数据科学家可以基于带有标注的影像在 Amazon SageMaker 中构建或使用内置的深度学习模型。SageMaker 提供各式部署选项，支持从低延迟和高吞吐量到长时间推理的作业，无论是批量、实时还是 接近实时的推理。

医疗提供者利用 AWS AHI 和 Amazon SageMaker 运行 AI 辅助检测和解读工作流程。此工作流程用于识别难以发现的骨折、脱位或软组织损伤，使外科医生和放射科医生能够更自信地做出治疗选择。

最后，存储在 AWS AHI 的影像会在显示器或其他视觉输出设备上显示，供放射科医生或其他医疗专业人士进行分析和解读。

Open Health Imaging Foundation (OHIF) Viewer 是一个开源的网页医疗影像平台，提供了构建复杂影像应用的核心框架。

Radical Imaging 或 Arterys 是基于 AWS 的合作伙伴，提供OHIF基础的医疗影像查看器。

每个组成部分在整体医疗影像系统的性能和准确性中都扮演著关键角色，并持续进行相关的研究和开发，以改善诊断结果和病人护理。AWS AHI 利用高效的元数据编码、无损压缩和渐进式解析度数据访问提供行业领先的影像载入性能。有效的元数据编码使影像查看器和人工智慧算法能够理解 DICOM 研究的内容，而无需加载影像数据。

安全性

AWS 共享责任模型适用于 AWS AHI 和 Amazon SageMaker 的数据保护。

Amazon SageMaker 具备 HIPAA 可用性，能够处理包含受保护健康资讯PHI的数据。传输中的数据由 SSL/TLS 提供加密，无论是与 Amazon SageMaker 前端界面Notebook通信，还是 Amazon SageMaker 与其他 AWS 服务交互时均有所使用。

AWS AHI 也是一项 HIPAA 可用的服务，并在元数据层面提供访问控制，确保每个用户和应用程序只能根据其角色查看必需的影像和元数据字段，防止患者 PHI 泄露。所有对 AWS AHI API 的访问都会在 AWS CloudTrail 中详细记录。

这两项服务均利用 AWS Key Management Service (AWS KMS) 来满足 PHI 数据在静态时的加密要求。

结论

在这篇文章中，我们回顾了早期检测与治疗情况的常见用例，从而改善患者的治疗结果。我们还介绍了一种架构，利用技术的力量变革放射学领域，提高医疗影像的准确性、效率和疗取可达性。

进一步阅读

AWS HealthImaging 伙伴AWS 在 RSNA22 中介绍 AWS HealthImaging使用 MONAI 框架在 Amazon SageMaker 上注解 DICOM 影像并构建机器学习模型实时推理模型服务端点的 MLOps 部署最佳实践

标签： 人工智慧、医疗

Sukhomoy Basak

Sukhomoy Basak 是 Amazon Web Services 的解决方案架构师，热衷于数据和分析解决方案。他致力于协助企业客户架构、构建及扩展应用程序，以实现业务目标。

Hassan Mousaid

Hassan Mousaid 博士是 Amazon Web Services 的首席解决方案架构师，支持医疗和生命科学 (HCLS) 客户，加速将创新想法推向市场的过程。