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/2311.10840v2
- Date: Tue, 21 Nov 2023 19:41:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 17:47:58.726198
- 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。
AI開発のための標準化されたフレームワークが存在しないことは、大きな障壁となり、それに対応するために新しいパラダイムが必要である。
本稿では,医療分野における異種アプリケーションの連携における相互運用の役割について検討する。
- 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 Smart Routing Rules and Workflow
Management 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, 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)、integration the healthcare enterprise (ihe)などの標準は、一般的なイメージングワークフローの基礎として強調されている。
この分野における変革の取り組みを主導するSmart Routing RulesとWorkflow Managementによって、DICOMゲートウェイの役割に特に焦点が当てられている。
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。
学術と産業の協力的努力は、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
- From Screens to Scenes: A Survey of Embodied AI in Healthcare [31.183244202702983]
医療におけるEmAI」は、アルゴリズム、ロボティクス、バイオメディシンといった多様な分野にまたがる。
医療のためのEmAIの"脳"の概要を包括的に紹介し、認識、アクティベーション、計画、記憶のためのAIアルゴリズムを紹介します。
我々は、技術的な障壁を議論し、倫理的考察を探求し、医療におけるEmAIの将来を前方視する。
論文 参考訳（メタデータ） (2025-01-13T16:35:52Z) - Enhancing Workplace Productivity and Well-being Using AI Agent [0.0]
本稿では、職場生産性と従業員の幸福感を高めるために人工知能(AI)の利用について論じる。
機械学習(ML)技術と神経生物学的データを統合することにより、提案手法は人間の倫理基準に適合する。
このシステムは、従業員からの生体フィードバックを利用して、パーソナライズされたヘルスプロンプトを生成し、支援作業環境を育む。
論文 参考訳（メタデータ） (2025-01-04T20:11:00Z) - Efficient MedSAMs: Segment Anything in Medical Images on Laptop [69.28565867103542]
我々は,迅速な医用画像のセグメンテーションに特化した初の国際コンペを組織した。
トップチームは軽量なセグメンテーション基盤モデルを開発し、効率的な推論パイプラインを実装した。
最高のパフォーマンスのアルゴリズムは、臨床導入を促進するために、ユーザフレンドリーなインターフェースを備えたオープンソースソフトウェアに組み込まれている。
論文 参考訳（メタデータ） (2024-12-20T17:33:35Z) - TheAgentCompany: Benchmarking LLM Agents on Consequential Real World Tasks [52.46737975742287]
私たちは小さなソフトウェア企業環境を模倣したデータによる自己完結型環境を構築します。
最も競争力のあるエージェントでは、タスクの24%が自律的に完了できます。
これは、LMエージェントによるタスク自動化に関するニュアンスな絵を描く。
論文 参考訳（メタデータ） (2024-12-18T18:55:40Z) - Transforming the Hybrid Cloud for Emerging AI Workloads [81.15269563290326]
このホワイトペーパーでは、AIワークロードの複雑さの増大に対応するために、ハイブリッドクラウドシステムを変革することを想定している。
提案したフレームワークは、エネルギー効率、性能、コスト効率において重要な課題に対処する。
この共同イニシアチブは、ハイブリッドクラウドをセキュアで効率的で持続可能なプラットフォームとして確立することを目的としています。
論文 参考訳（メタデータ） (2024-11-20T11:57:43Z) - A Perspective for Adapting Generalist AI to Specialized Medical AI Applications and Their Challenges [33.20745682286796]
大規模言語モデル(LLM)の医療応用への統合は、医療業界で広く関心を集めている。
本稿では,LSMを利用した医療用AIアプリケーション構築の内的課題について論じる。
論文 参考訳（メタデータ） (2024-10-28T22:30:06Z) - 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) - 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) - 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)
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。