AI醫療勢在必行 AI如何幫助「精準醫療」？ 健康醫療網記者拍攝
Wellcome !!
大規模利用人工智慧 (AI) 加速醫療服務已經是全球所有生物醫療產業的趨勢，同時也帶來極大的挑戰，因範圍涵蓋了生物學、醫療影像、人類生理學、疾病及藥物研究，甚至是醫院營運等範疇，在在都需要醫療專業人員與人工智慧專家與資料科學家的整合。同時，新的感測器和醫療儀器與人工智慧科技的結合，創造出新手術輔助、藥物設計和早期的檢測系統所帶來的龐大資料量，往往需要數千甚至上萬的神經網路共同運作，這對當前的智慧醫院環境無疑是一大挑戰。本研討會將特別邀請全球人工智慧技術前瞻公司 – NVIDIA帶來 AI 在醫療保健領域最新技術進展分享，協助產業利用最先進的 AI科技，例如最近最熱門的所謂生成式AI以及大型語言模型技術(LLM)等，更輕鬆地展開生物醫療研發及保健照護的工作。內容精彩，歡迎立即報名參加。
活動照片
Our Speaker
Learn more with the expert form NVIDIA
曾秋旺 Warren Tseng
NVIDIA 解決方案架構師
Warren is an NVIDIA solution architect basedin Taiwan. He is familiar with deep learning in medical imaging, federated learning and language models for biology.
廖英凱 Ken Ying-Kai Liao
NVIDIA 解決方案架構師
Ken is a solutions architect for the healthcare industry covering therest of Asia Pacific. Before joining NVIDIA, he was the Tech Lead Manager of an AI healthcare startup, starting from zero to a full stack AI solution.
王偉仲 Weichung Wang
臺大MeDA Lab 與應數所教授
Dr. Weichung Wang is a professor at National Taiwan University. He leads MeDA Lab to develop innovative and efficient medical AI algorithms and solutions to help doctors to help people.
Conference information
NVIDIA 生物醫療照護技術解決方案
NVIDIA Solutions for Healthcare Overview
現前醫療保健的數據資料佔了全球所有資料量的 30%，預估到 2025 年，醫療保健資料將以最高複合年增率成長達到 36%，高於任何產業。 帶來龐大資料量的動能來自於新的感測器和醫療儀器與人工智慧科技的結合，所創造出新手術輔助、藥物設計和早期的檢測系統。我們將介紹如何透過 NVIDIA 的最新科技協助產業利用最先進的 AI科技更輕鬆地展開生物醫療研發及保健照護的工作。
MONAI 醫療影像與聯邦式學習
MONAI for Medical Image and Federated Learning
MONAI 是下載量超過65萬次的開源醫療 AI 框架，可推動研究突破並加速 AI 對臨床的影響。MONAI 可將醫生與資料科學家聯合起來，解鎖醫療資料內含的能量，能為醫療 AI 工作流程構建深度學習模型和可部署應用程序。它所帶來的優點包括，過去如果想在單一影像部門部署多個 AI 模型來協助專家辨識十幾種病症，或自動建立醫療影像報告，將耗費大量的時間和資源才能替每個模型找到合適的硬體和軟體基礎設施， NVIDIA MONAI 能輕鬆地將這些模型導入臨床工作流程，因為這個框架提供了必要的特定領域工具，從數據標記、到模型訓練、再到應用程式的部署，能使醫療 AI 生命週期的開發、複製和標準化變得容易。像是醫院可以輕鬆在院內或雲端運行，規範可和醫療 IT 標準相整合，像是可以使醫療影像交換互通的醫療數位影像傳輸協定 (DICOM)。
此外，各大醫療院所在開發醫療影像模型時，由於顧及病患隱私，蒐集資料相當不容易。除了引入聯邦式學習技術與他院合作外，MONAI的生成式AI模型可以協助創造無限數量，且無隱私疑慮的醫療影像，供醫院開發研究使用。
大型語言模型於醫療照護應用
Large Language Model for Healthcare
生物學最近在深度學習方法的支持下取得了令人難以置信的進步。 特別是，蛋白質和分子科學與工程等藥物發現受益於下游深度學習模型的進步，預測蛋白質結構和功能的各個方面，以及通常基於 Transformer 架構的基礎模型，提供了編碼蛋白質和藥物的新方法計算形式的資訊。用於蛋白質科學的準確深度學習方法的驚人進步，帶來了深度學習可用於預測和設計蛋白質和分子的新方法的萌芽。
邁向智慧醫療的高效能研發與落地
智慧醫療快速發展，充滿前景可期的想像。但其研發與落地，極需結合跨領域知識與人才，也有各種不同形式的挑戰。我們將分享如何透過跨領域的 Medical Data Analytic Framework，架構人工智慧引擎與智慧醫療流程，建立創新的臨床應用。
