Fugu-MT 論文翻訳(概要): Integration and Implementation Strategies for AI Algorithm Deployment with Smart Routing Rules and Workflow Management

論文の概要: Integration and Implementation Strategies for AI Algorithm Deployment with Smart Routing Rules and Workflow Management

arxiv url: http://arxiv.org/abs/2311.10840v1
Date: Fri, 17 Nov 2023 19:38:37 GMT
ステータス: 処理完了
システム内更新日: 2023-11-22 13:58:16.874529
Title: Integration and Implementation Strategies for AI Algorithm Deployment with Smart Routing Rules and Workflow Management
Title（参考訳）: スマートルーティングルールとワークフロー管理を備えたAIアルゴリズムデプロイメントの統合と実装戦略
Authors: Barbaros Selnur Erdal, Vikash Gupta, Mutlu Demirer, Kim H. Fair, Richard D. White, Jeff Blair, Barbara Deichert, Laurie Lafleur, Ming Melvin Qin, David Bericat, Brad Genereaux
Abstract要約: 本稿では、医療産業における人工知能(AI)ソリューションの普及を妨げる課題について概説する。 DICOM、Health Level 7 HL7、Integrated the Healthcare Enterprise (IHE)といった標準は、一般的なイメージングの基礎として強調されている。 2019年に設立されたMonAIプロジェクトは、医療AIアプリケーションの開発を再定義するためのイニシアチブとして紹介されている。
参考スコア（独自算出の注目度）: 0.37918614538294315
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: This paper reviews the challenges hindering the widespread adoption of artificial intelligence (AI) solutions in the healthcare industry, focusing on computer vision applications for medical imaging, and how interoperability and enterprise-grade scalability can be used to address these challenges. The complex nature of healthcare workflows, intricacies in managing large and secure medical imaging data, and the absence of standardized frameworks for AI development pose significant barriers and require a new paradigm to address them. The role of interoperability is examined in this paper as a crucial factor in connecting disparate applications within healthcare workflows. Standards such as DICOM, Health Level 7 HL7, and Integrating the Healthcare Enterprise (IHE) are highlighted as foundational for common imaging workflows. A specific focus is placed on the role of DICOM gateways, with Laurel Bridge leading transformational efforts in this area. To drive enterprise scalability, new tools are needed. Project MONAI, established in 2019, is introduced as an initiative aiming to redefine the development of medical AI applications. The MONAI Deploy App SDK, a component of Project MONAI, is identified as a key tool in simplifying the packaging and deployment process, enabling repeatable, scalable, and standardized deployment patterns for AI applications. The abstract underscores the potential impact of successful AI adoption in healthcare, offering physicians both life-saving and time-saving insights and driving efficiencies in radiology department workflows. The collaborative efforts between academia and industry, exemplified by collaborations with organizations like NVIDIA and Laurel Bridge, are emphasized as essential for advancing the adoption of healthcare AI solutions.
Abstract（参考訳）: 本稿では、医療産業における人工知能(AI)ソリューションの普及を妨げている課題について、医療画像のコンピュータビジョンアプリケーションに焦点をあて、相互運用性とエンタープライズグレードのスケーラビリティがこれらの課題にどう対処できるかを考察する。医療ワークフローの複雑な性質、大規模でセキュアな医療画像データ管理の複雑さ、ai開発のための標準化されたフレームワークの欠如は、大きな障壁をもたらし、それらに対処するための新しいパラダイムを必要とする。本稿では、医療ワークフローにおける異種アプリケーションを接続するための重要な要素として、相互運用性の役割について考察する。 DICOM、Health Level 7 HL7、Integrated the Healthcare Enterprise (IHE)といった標準は、一般的な画像ワークフローの基礎として強調されている。特定の焦点はDICOMゲートウェイの役割であり、ローレルブリッジはこの領域における変革の取り組みをリードしている。エンタープライズのスケーラビリティを促進するには、新しいツールが必要です。 2019年に設立されたMonAIプロジェクトは、医療AIアプリケーションの開発を再定義するためのイニシアチブとして紹介されている。 Project MONAIのコンポーネントであるMONAI Deploy App SDKは、パッケージングとデプロイメントプロセスを簡素化し、AIアプリケーションの反復可能でスケーラブルで標準化されたデプロイメントパターンを可能にする重要なツールとして特定されている。この抽象概念は、医療におけるAIの採用の成功による潜在的影響を強調し、救命と省エネの両方の洞察と、放射線科のワークフローにおける効率の促進を提供する。 NVIDIAやLaurel Bridgeといった組織とのコラボレーションによって実証された、学術と産業の協力活動は、医療AIソリューションの採用を促進する上で不可欠であると強調されている。

関連論文リスト

Demystifying Large Language Models for Medicine: A Primer [50.83806796466396]
大規模言語モデル(LLM)は、医療のさまざまな側面に革命をもたらすことのできる、変革的なAIツールのクラスである。本チュートリアルは、LSMを臨床実践に効果的に統合するために必要なツールを医療専門家に提供することを目的としている。
論文参考訳（メタデータ） (2024-10-24T15:41:56Z)
The Potential and Perils of Generative Artificial Intelligence for Quality Improvement and Patient Safety [27.753117791280857]
ジェネレーティブ人工知能(GenAI)は、患者の医療の質と安全性を高める自動化を通じて、医療を改善する可能性がある。我々は、医療におけるGenAIの即時適用は、明確に定義された、低いリスク、高い価値、狭いアプリケーションを通して行われると仮定する。我々はこれを、臨床成績を改善するエンドツーエンドの臨床意思決定のための汎用AIモデルと対比する。
論文参考訳（メタデータ） (2024-06-23T15:01:11Z)
The Foundations of Computational Management: A Systematic Approach to Task Automation for the Integration of Artificial Intelligence into Existing Workflows [55.2480439325792]
本稿では,タスク自動化の体系的アプローチである計算管理を紹介する。この記事では、ワークフロー内でAIを実装するプロセスを開始するための、ステップバイステップの手順を3つ紹介する。
論文参考訳（メタデータ） (2024-02-07T01:45:14Z)
Joining Forces for Pathology Diagnostics with AI Assistance: The EMPAIA Initiative [2.501673623074516]
EMPAIAは、病理学に人工知能を統合するオープンでベンダー中立のイニシアチブである。技術的相互運用性の標準、AIテストと製品開発のための推奨、説明可能性の方法を開発しました。私たちは8つの異なるベンダーから14のAIベースの画像分析アプリを統合し、異なるアプリが単一の標準化されたインターフェースを利用できるかを実証しました。
論文参考訳（メタデータ） (2023-12-22T11:15:16Z)
RAISE -- Radiology AI Safety, an End-to-end lifecycle approach [5.829180249228172]
放射線学へのAIの統合は、臨床ケアの供給と効率を改善する機会をもたらす。モデルが安全性、有効性、有効性の最高基準を満たすことに注力すべきである。ここで提示されるロードマップは、放射線学におけるデプロイ可能で信頼性があり、安全なAIの達成を早めることを目的としている。
論文参考訳（メタデータ） (2023-11-24T15:59:14Z)
Current State of Community-Driven Radiological AI Deployment in Medical Imaging [1.474525456020066]
本報告は, MonAIコンソーシアムの業界専門家と臨床医のグループによる, 週ごとの議論と問題解決経験について述べる。実験室におけるAIモデル開発とその後の臨床展開の障壁を明らかにする。臨床放射線学ワークフローにおける様々なAI統合ポイントについて論じる。
論文参考訳（メタデータ） (2022-12-29T05:17:59Z)
On Realization of Intelligent Decision-Making in the Real World: A Foundation Decision Model Perspective [54.38373782121503]
FDM(Foundation Decision Model)は、様々な意思決定タスクをシーケンスデコーディングタスクとして定式化することで開発することができる。本稿では、FDMの実装であるDigitalBrain(DB1)を13億のパラメータで実証し、870のタスクで人間レベルのパフォーマンスを達成するケーススタディを提案する。
論文参考訳（メタデータ） (2022-12-24T06:16:45Z)
MedPerf: Open Benchmarking Platform for Medical Artificial Intelligence using Federated Evaluation [110.31526448744096]
この可能性を解き明かすには、大規模な異種データに対して医療AIモデルの性能を測定する体系的な方法が必要である、と私たちは主張する。 MedPerfは、医療分野で機械学習をベンチマークするためのオープンフレームワークです。
論文参考訳（メタデータ） (2021-09-29T18:09:41Z)
The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文参考訳（メタデータ） (2021-06-08T10:38:09Z)
Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。 AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
論文参考訳（メタデータ） (2021-01-15T10:43:10Z)
Developing and Operating Artificial Intelligence Models in Trustworthy Autonomous Systems [8.27310353898034]
このワーク・イン・プログレス・ペーパーはAIベースのASの開発と運用のギャップを埋めることを目的としている。私たちはそれを実践するために、新しく包括的なDevOpsアプローチを提案します。
論文参考訳（メタデータ） (2020-03-11T17:52:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。