


Bagaimana AI boleh membantu doktor gigi menyelesaikan masalah pergigian yang sukar ditemui
Penjagaan kesihatan berada di tengah-tengah revolusi digital. Pesakit sudah biasa dengan penyimpanan rekod elektronik dan imbasan CT dan MRI digital beberapa menggunakan penglihatan komputer dan kecerdasan buatan (AI) untuk mendiagnosis paru-paru dan kanser lain.
Walaupun kecerdasan buatan bersedia untuk membawa kesan baru dan lebih langsung kepada kehidupan kita, dalam kehidupan seharian Pergigian mungkin di mana kebanyakan orang mula-mula mengalami kuasa menakjubkan komputer - keupayaan mereka untuk melihat dan mentafsir laporan X-ray pergigian rutin dengan ketepatan yang lebih tinggi daripada manusia.
Permulaan West Hollywood Pearl menyediakan kecerdasan buatan kepada imej pergigian untuk membantu diagnosis. Ia menerima kelulusan FDA pada Mac tahun ini dan merupakan salah satu syarikat pertama yang menerima kelulusan untuk AI pergigian.
Kelulusan ini membuka jalan untuk penggunaannya di klinik di seluruh Amerika Syarikat.
"Ini benar-benar yang pertama dalam pergigian," kata Ophir Tanz, pengasas bersama dan Ketua Pegawai Eksekutif Pearl. “Tetapi kami mempunyai kelulusan kawal selia yang serupa di 50 negara di seluruh dunia.”
Kepentingan Kepintaran Buatan dalam Pergigian
Pergigian boleh menggunakan keupayaan kecerdasan buatan dengan baik. Setiap orang yang pergi ke doktor gigi mempunyai X-ray yang diambil dari semasa ke semasa, jadi mungkin terdapat lebih banyak X-ray pergigian yang wujud berbanding mana-mana jenis penyakit lain. Imej radiografi ini, diberi penjelasan oleh pakar manusia, digunakan untuk mengajar sistem AI rupa gigi yang sihat dan tidak sihat serta cara mengenali perbezaannya.
Pendapat Kedua ialah platform pengesanan AI yang dicipta oleh Pearl, syarikat permulaan pergigian yang diasaskan pada 2019 untuk menggunakan pembelajaran mesin dan AI untuk membantu doktor gigi mengesan masalah pada gigi yang sihat. Permulaan itu mengumpulkan $11 juta dalam pembiayaan Siri A pada 2019 daripada Craft Ventures dan Crosscut Ventures yang berpangkalan di Santa Monica.
Untuk membangunkan Pendapat Kedua, Pearl mengumpul lebih daripada 100 juta X-ray pergigian daripada klinik pergigian dan institusi akademik. Platform AI menunjukkan perbezaan yang terdapat dalam X-ray dan juga berfungsi sebagai alat komunikasi pesakit, membolehkan doktor gigi menunjukkan model gigi pesakit yang berbeza dan menentukan kawasan masalah.
“Saya fikir ini akan menjadi asas kepada kategori [pergigian] dengan cepat dan oleh itu sebenarnya menjadi model untuk bidang perubatan lain — cara untuk menanam dan menggunakan AI pada skala, dengan cara yang benar-benar boleh ditunjukkan Manfaat dan potensi muktamad untuk meningkatkan standard penjagaan," kata pengasas dan Ketua Pegawai Eksekutif Pearl Ophir Tanz.
Platform perisian Pearl, tersedia sebagai perkhidmatan awan, membolehkan doktor gigi melakukan pemeriksaan masa nyata sinar-X. Doktor gigi kemudiannya boleh menyemak penemuan AI dan berkongsi dengan pesakit untuk memudahkan perbincangan termaklum antara doktor gigi dan pesakit tentang diagnosis dan pelan rawatan.
Di sebalik tabir, rangkaian saraf konvolusi dikuasakan GPU NVIDIA yang dibangunkan oleh Pearl boleh mengesan bukan sahaja kaviti, tetapi banyak masalah pergigian lain, seperti mahkota retak dan abses akar yang memerlukan saluran akar.
AI Pearl memberikan hasil pergigian. Pemfailan FDA permulaan menunjukkan bahawa Pearl AI boleh mengesan purata 36% lebih patologi dan masalah pergigian lain daripada doktor gigi biasa. "Ini penting kerana dalam pergigian, patologi yang hilang adalah perkara biasa dan rutin, " kata Tanz.
Produk syarikat termasuk Kecerdasan Amalannya, yang membolehkan pejabat pergigian menjalankan kecerdasan buatan pada data pesakit untuk mendedahkan peluang diagnostik dan rawatan yang terlepas. Pearl Protect boleh membantu menapis penipuan, pembaziran dan penyalahgunaan insurans pergigian, manakala Semakan Tuntutan menyediakan semakan tuntutan automatik.
Kunci Di Sebalik Kepintaran Buatan
Pengasas Pearl melabelkan lebih sejuta imej untuk membantu melatih model CNN proprietari mereka untuk pelbagai keadaan biasa di pejabat pergigian Model ini dijalankan pada NVIDIA V100 Tensor Core GPU dalam awan untuk mengenal pasti masalah. Sebelum ini, mereka membuat prototaip pada stesen kerja berkuasa NVIDIA tempatan.
Inferens dilakukan pada GPU berasaskan awan dan sistem Pearl disegerakkan dengan data radiologi masa nyata dan sejarah doktor gigi. "Pergigian menegak masih beralih ke awan, dan kini kami membawa kecerdasan buatan ke awan-kami mewakili gelombang teknologi yang akan memacu pergigian ke masa depan," kata Tanz.
Mendapatkan kelulusan FDA tidak akan mudah, katanya. Ia memerlukan penyelesaian percubaan klinikal yang meluas. Pearl menyerahkan empat kajian,
setiap satu melibatkan ribuan X-ray dan lebih 80 pakar pergigian dan ahli radiologi.
"Kami adalah satu-satunya syarikat di dunia yang boleh mendiagnosis patologi dan mengesan penyakit dengan cara dipacu AI dalam amalan pergigian," katanya. "Kami mendesak untuk diagnosis yang lebih komprehensif, ia adalah bantuan diagnostik untuk pengamal am
Menggalakkan hubungan doktor-pesakit
Doktor Pergigian memeriksa X-ray semasa pesakit duduk di kerusi, dan berasa bebas. untuk menunjukkan sebarang isu. Walaupun untuk doktor gigi yang berpengalaman, memahami imej skala kelabu yang menjadi asas kepada kebanyakan pelan rawatan boleh menjadi mencabar, dan bagi pesakit, memahami gred kabur dalam sinar-X yang memisahkan struktur gigi yang sihat daripada struktur gigi yang tidak sihat adalah lebih mencabar.
Tetapi dengan imej yang dibantu oleh AI, doktor gigi boleh menggariskan kawasan kebimbangan dengan kotak sempadan yang mudah difahami. Ini memastikan bahawa pelan rawatan mereka mempunyai asas yang kukuh sambil memberi pesakit pemahaman yang lebih jelas tentang apa sebenarnya yang berlaku dengan X-ray mereka.
"Anda boleh mengadakan perbincangan yang sangat visual dan melukis naratif visual untuk pesakit supaya mereka benar-benar mula memahami apa yang berlaku di dalam mulut mereka," kata Dr. Tanz.
Atas ialah kandungan terperinci Bagaimana AI boleh membantu doktor gigi menyelesaikan masalah pergigian yang sukar ditemui. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 1 Ogos, SK Hynix mengeluarkan catatan blog hari ini (1 Ogos), mengumumkan bahawa ia akan menghadiri Global Semiconductor Memory Summit FMS2024 yang akan diadakan di Santa Clara, California, Amerika Syarikat dari 6 hingga 8 Ogos, mempamerkan banyak produk penjanaan teknologi baru. Pengenalan kepada Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage), dahulunya Sidang Kemuncak Memori Flash (FlashMemorySummit) terutamanya untuk pembekal NAND, dalam konteks peningkatan perhatian kepada teknologi kecerdasan buatan, tahun ini dinamakan semula sebagai Sidang Kemuncak Memori dan Penyimpanan Masa Depan (FutureMemoryandStorage) kepada jemput vendor DRAM dan storan serta ramai lagi pemain. Produk baharu SK hynix dilancarkan tahun lepas
