其他行业 · AI应用
用于癌症治疗监测的自动肿瘤标注
在癌症治疗监测中，肿瘤标注通常由放射科医生使用RECIST方法手动完成，过程劳动密集且主观性强。为应对这一挑战，美国国立卫生研究院（NIH）的研究人员与平安保险公司、英伟达（NVIDIA）合作，开发了一种基于卷积神经网络的深度学习方法。该系统自动完成标注过程，与人类放射科医生相比，显著降低了测量变异性。该技术的影响深远，它提高了治疗监测的准确性和效率，最终为患者带来更明智的治疗决策。系统利用NVIDIA TITAN Xp GPU和PyTorch实现，代表了癌症护理领域的重大进步。
开发了一种用于癌症治疗监测中自动肿瘤标注的深度学习方法。
未披露
实现了高效标注，与人类放射科医生相比，变异性更低。
未披露
首个在粗略标注的病灶区域内自动生成RECIST标记的系统。
未披露
01
业务背景
在癌症治疗监测中，肿瘤标注通常由放射科医生使用RECIST方法手动完成，过程劳动密集且主观性强。为应对这一挑战，美国国立卫生研究院（NIH）的研究人员与平安保险公司、英伟达（NVIDIA）合作，开发了一种基于卷积神经网络的深度学习方法。该系统自动完成标注过程，与人类放射科医生相比，显著降低了测量变异性。该技术的影响深远，它提高了治疗监测的准确性和效率，最终为患者带来更明智的治疗决策。系统利用NVIDIA TITAN Xp GPU和PyTorch实现，代表了癌症护理领域的重大进步。
02
遇到的问题
03
AI 解决方案
04
实施结果
开发了一种用于癌症治疗监测中自动肿瘤标注的深度学习方法。：
实现了高效标注，与人类放射科医生相比，变异性更低。：
首个在粗略标注的病灶区域内自动生成RECIST标记的系统。：
利用卷积神经网络和NVIDIA TITAN Xp GPU提升性能。：
使用PyTorch和cuDNN加速实现，提高了计算效率。：
05
风险与边界
“”
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。