一种促进医疗AI研究的可扩展、协作且资源高效平台的方法论
软件工程
2021-12-14 v1 人工智能
分布式、并行与集群计算
摘要
医疗AI有潜力提升患者安全、提高效率并改善患者预后，但研究常受限于数据获取、队列构建与分析工具。电子健康记录数据、实时数据与高分辨率设备数据的收集与转换可能颇具挑战且耗时。开发真实世界AI工具需克服数据获取、医院资源稀缺以及数据治理高需求方面的挑战。这些瓶颈可能导致AI系统研发的资源重度需求与长时延。我们提出一种加速数据获取、数据集构建与分析及AI模型开发的系统与方法论。我们创建了一个依赖可扩展微服务后端的交互式平台。该系统每小时可摄取15,000份患者记录，每份记录代表数千项多模态测量、文本笔记与高分辨率数据。这些记录合计可接近1 TB数据。系统还能在2至5分钟内完成队列生成与初步数据集分析。因此，多名用户可同时协作，实时迭代数据集与模型。我们预期该方法将推动真实世界AI模型开发，并长远地切实改善医疗服务的提供。
引用
@article{arxiv.2112.06883,
title = {A Methodology for a Scalable, Collaborative, and Resource-Efficient Platform to Facilitate Healthcare AI Research},
author = {Raphael Y. Cohen and Vesela P. Kovacheva},
journal= {arXiv preprint arXiv:2112.06883},
year = {2021}
}