MONAI如何推动医学人工智能工作流的开放研究

将强大的人工智能工具交给世界领先的医学研究人员，这是前所未有的重要。这就是为什么 NVIDIA 投资建立了一个与 MONAI ，人工智能的医疗开放网络。 MONAI 通过提供加速图像注释、训练最先进的深度学习模型和创建有助于推动研究突破的人工智能应用程序的工具，正在推动医学成像的开放式创新。

开发特定领域的人工智能可能具有挑战性，因为缺乏最佳实践和开放蓝图会造成从研发到临床评估和部署的各种障碍。研究人员需要一个共同的基础来加快医学人工智能研究创新的步伐。

创建项目 MONAI 背后的核心原则是将医生与数据科学家联合起来，以释放医学数据的力量。 MONAI 是一个由学术界和业界领袖建立的协作开源倡议，旨在建立和标准化医疗成像深度学习的最佳实践。由成像研究社区创建，为成像研究社区， MONAI 正在加速医学人工智能工作流的深度学习模型和可部署应用程序的创新。

帮助指导 MONAI 的愿景和使命 咨询委员会 以及九个工作组，由整个医学研究界的思想领袖领导。这些重点工作组使这些领域的领导人能够集中精力，为社区做出有效贡献。这个 工作组 欢迎任何人参加。

MONAI 是一个基于 PyTorch 的开源框架，用于在医疗保健领域构建、培训、部署和优化人工智能工作流。它专注于提供高质量、用户友好的软件，以促进再现性和易于集成。通过这些租户，研究人员可以分享他们的研究结果，并在彼此的工作基础上进一步发展，促进学术和行业研究人员之间的合作。

MONAI 中的一套库、工具和 SDK 提供了一个强大的通用基础，涵盖了从注释到部署的端到端医疗 AI 生命周期。

医学图像注释和分割

MONAI 标签 是一种智能图像标记和学习工具，使用人工智能帮助减少注释新数据集的时间和工作量。利用用户交互， MONAI Label 为特定任务训练人工智能模型，当模型接收到附加注释图像时，不断学习并更新模型。

MONAI Label 提供了多个示例应用程序，其中包括最先进的交互式分割方法，如 DeepGrow 和 DeepEdit 。这些示例应用程序已准备就绪，可以使用开箱即用的方式快速开始注释。开发人员还可以使用创造性算法构建自己的 MONAI 标签应用程序。

客户端集成帮助临床医生、放射科医生和病理学家在其典型的工作流程中与 MONAI 标签应用程序交互。这些临床交互不是休眠的，因为专家可以更正注释并立即触发训练循环，以使模型适应动态输入。

MONAI Label 集成了 3D 切片器、 OHIF （用于放射学）和 QuPath （用于病理学）以及数字幻灯片存档。开发人员还可以通过使用服务器和客户端 API 将 MONAI 标签集成到他们的自定义查看器中，这些 API 经过良好的抽象和记录，可以实现无缝集成。

图 1. MONAI 标签架构

领域特定算法和研究管道

MONAI Core 是 MONAI 项目的旗舰库，提供特定于领域的功能，用于训练医疗成像的人工智能模型。这些功能包括医学特定的图像变换、最先进的基于变换器的三维分割算法（如 UNETR ）和名为 DiNTS 的 AutoML 框架。

有了这些基础组件，用户可以将 MONAI 的领域专用组件集成到他们现有的 PyTorch 程序中。用户还可以在工作流级别与 MONAI 交互，以便于进行稳健的训练和研究实验。一组丰富的功能示例演示了与其他开源软件包（如 PyTorch Lightning 、 PyTorch Ignite 和 NVIDIA FLARE ）的功能和集成。最后，包括用于自监督学习、 AutoML 、 3D 视觉转换器和 3D 分割的最先进的可再现研究管道。

图 2. MONAI 核心上最先进的研究管道

将医学人工智能部署到临床生产中

87% 的数据科学项目 永远不要投入生产。跨越模型和可部署应用程序之间的鸿沟需要几个步骤。这些包括选择正确的 DICOM 数据集、预处理输入图像、执行推理、导出结果、可视化结果以及进一步应用优化。

MONAI 部署 旨在成为临床生产中开发包装、测试、部署和运行医疗 AI 应用程序的事实标准。 MONAI 部署创建了一组中间步骤，研究人员和医生可以在这些步骤中建立对人工智能使用的技术和方法的信心。这会产生一个迭代工作流，直到 AI 推理基础设施为临床环境做好准备。

MONAI 部署应用程序 SDK 使开发人员能够采用人工智能模型并将其转化为人工智能应用程序。在上可用 github MONAI Deploy 还正在构建推理编排引擎、信息学网关和工作流管理器的开放参考实现，以帮助推动临床集成。

图 3.Deploy 的模块化开放参考部署框架

推进医学人工智能

世界领先的研究中心，包括伦敦国王学院、 NIH 国家癌症研究所、 NHS 盖伊和圣托马斯信托基金会、斯坦福大学、马萨诸塞州布里格姆将军和梅奥诊所正在使用 MONAI 进行建设和出版。 AWS 、谷歌云和微软等集成合作伙伴都在各自的平台上挺身而出。迄今为止， MONAI 已获得超过 425000 次下载，拥有 190 多名贡献者，他们发表了 140 多篇研究论文。

MONAI 的开创性研究是由其开放的贡献者社区的增长推动的。这些研究人员和创新者一起在一个跨越整个医疗人工智能项目生命周期的平台上合作开发人工智能最佳实践。从培训到部署， MONAI 将医疗保健界聚集在一起，以释放医疗数据的力量，并加速人工智能的临床影响。

关于作者

Prerna Dogra 是 NVIDIA 医疗保健部门的产品经理，负责领导 Clara 应用程序框架，致力于使开发人员能够利用实时分析、人工智能和高级可视化技术改造医疗成像行业。

Nate Bradford 是 NVIDIA 的医疗内容经理，分享 AI 框架和解决方案，以帮助开发人员、研究人员和创新者完成毕生的工作。从加速新疗法的发现到实现医疗设备的实时传感，人工智能正在开创医疗保健的新时代。

审核编辑：郭婷