隨著廣泛的開源加速人工智能框架觸手可及，醫療人工智能開發人員和數據科學家正以驚人的速度為臨床應用引入新算法。這些模型中的許多都是開創性的，然而 87% 的數據科學項目從未投入生產?。
在大多數數據科學團隊中，模型開發人員缺乏一種快速、一致、易于使用和可擴展的方法，無法將經過訓練的人工智能模型開發并打包到市場上的醫療人工智能應用程序中。這些應用程序可以幫助臨床醫生簡化成像工作流程，發現隱藏的見解，提高生產力，并連接多模式患者信息以加深患者理解。
MONAI ，人工智能醫療開放網絡，正在用 MONAI Deploy 彌補從開發到臨床部署的這一差距。 MONAI Deploy 提供了一套用于開發、打包、測試、部署和運行醫療 AI 應用程序的開源工具。它允許開發人員構建 AI 應用程序，協調臨床 AI 工作流，并通過 DICOM, FHIR, and HL7 等標準與 PACS （圖片存檔和通信系統）等醫療成像系統進行互操作。
使用 MONAI 構建的醫療 AI 應用程序
借助 MONAI ，開發人員、研究人員和數據科學家正在為各種醫療 AI 應用構建應用程序，包括：
- 對疾病或病癥的醫學影像學研究進行分類
- 分割器官、病變和其他結構
- 使用箭頭或熱圖創建標記以突出關注區域
- 為放射科醫生審查提供見解，以納入醫療報告
- 在長期存儲或 DICOM 遷移期間批量處理醫學成像檢查
- 處理實時數據流，以確保患者在圖像采集前正確定位
- 確定采購過程中的 QA 問題，以簡化部門工作流程
- 確定人口健康評估數據的趨勢
MONAI Model Zoo 是一個由超過 15 個預訓練模型（ CT 、 MR 、病理學、內窺鏡）組成的精選庫，這些模型可以轉換為 MONAI AI 應用程序，從而啟動 AI 應用程序開發。
MONAI 部署應用程序
MONAI Deploy 的關鍵組件之一是 MONAI Deploy App SDK ，它可以幫助研究人員和開發人員在 20 分鐘內使用一個或多個經過訓練的模型，用幾行代碼構建應用程序。應用程序創建為 MAP （ MONAI 應用程序包）。作為一個可移植的容器化應用程序，它可以在任何有 Docker 引擎的地方部署和運行在臨床生產中。
MONAI Deploy App SDK 提供預定義的運算符，可以在應用程序開發工作流中重用和連接，也可以創建自定義運算符。這些操作員分析 DICOM 研究，使用應用程序定義的規則選擇特定系列，并將所選 DICOM 系列轉換為所需的圖像格式以及表示相關 DICOM 屬性的元數據。
然后在預處理階段對圖像進行進一步處理，以標準化間距、方向、強度等，然后使用張量的像素數據進行推斷。它還包括 DICOM 編寫器，如 DICOM 分割（ SEG ）、 DICOM 結構化報告（ SR ）和 DICOM encapsulated Stereolithography （ STL ）。
生成的 MAP 包括一個或多個經過訓練的模型、相關元數據以及在單個容器中進行臨床推斷所需的互操作性（預處理和后處理）。
創建和部署您的 MAP
構建 MAP 的第一步是編寫應用程序本身。這包括設計工作流、創建運算符類、實現 application class 以及在本地執行應用程序。應用程序類將工作流圖中的任務與可以在 Jupyter notebook 中或通過命令行界面（ CLI ）進行本地調試的運算符結合在一起。
以下代碼顯示了應用程序類定義示例：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 | from monai.deploy.core import Application, env, resource @resource(cpu=1, gpu=1, memory="2Gi") # pip_packages can be a string that is a path(str) to requirements.txt file or a list of packages. @env(pip_packages=["scikit-image >= 0.17.2"]) class App(Application): """This is a very basic application. This showcases the MONAI Deploy application framework. """ # App's name. <class name>('App') if not specified. name = "my_app" # App's description. <class docstring> if not specified. description = "This is a reference application." # App's version. <git version tag> or '0.0.0' if not specified. version = "0.1.0" def compose(self): # Execute `self.add_flow()` or `self.add_operator()` methods here. passif __name__ == "__main__": App(do_run=True) |
應用程序類的輸出是一個應用程序圖，它定義了運算符或任務的流程（圖 3 ）。
應用程序經過測試和驗證后，將在本地打包和部署應用程序。 MONAI Deploy Application Packager 將應用程序轉換為可部署的 Docker 映像，該映像可以根據 MAP 規范在本地執行。
要打包應用程序以創建標記為my_app:latest的 Docker 映像，請使用以下命令：
$ monai-deploy package ./my_app -t my_app:latest --model ./model.pt
Building MONAI Application Package...
Successfully built my_app:latestMONAI 部署 App SDK 使本地運行和測試 MAP 成為一個簡單的過程。命令行 Application Runner 允許用戶在執行期間指定本地文件系統到 MAP 輸入和輸出的輸入和輸出路徑。它不需要了解 MAP 的內部細節。
MAP 可以以多種方式部署，每種方式都具有與托管平臺的不同集成級別。在 Deploying and Hosting MONAI App Package 文檔中了解有關這些選項的更多信息。您還可以看到 list of platforms supporting MAPs 。
使用 MONAI Deploy Express 加快 MAP 驗證生命周期
對于 MAP 的初始本地測試， MONAI Deploy App SDK 中的 Application Runner 是快速、簡單和推薦的。然而，從開發到生產的過程通常需要跨不同環境的多個步驟，由不同的團隊操作，并具有不同的要求。
MONAI Deploy Express 旨在促進在該管道（或工作站環境）的早期階段對 MAP 進行測試和驗證，其中易用性和啟動時間是最重要的。
使用 Docker 和 Docker Compose 等簡單的技術， MONAI Deploy Express 可以在大約 30 分鐘內安裝完畢。它允許用戶快速運行 MAP ，連接到測試 PACS 或他們自己的測試/研究 PACS 進行進一步驗證，并自信地采取生產步驟。
在 DICOM I / O 和 AI 工作流編排中重復使用相同的基本核心服務，可在生產環境中使用，提供相同的功能和一致的體驗，與應用程序的運行位置和運行方式無關，對最終用戶的更改最小。
縮小從研究創新到臨床生產的差距
MONAI 部署旨在縮短 AI 模型的臨床時間。有了 SDK ，醫療 AI 應用程序開發人員和翻譯研究人員可以構建可以在任何地方運行的 AI 應用程序，并加快這些模型的測試和驗證，以便臨床部署。
要查看使用 MONAI 部署和探索 SDK 中的臨床推理功能來構建 MAP 的真實使用案例，請觀看按需實驗室 Creating Inference Applications for the Medical AI Project Lifecycle Using MONAI Deploy 。
要開始使用 MONAI Deploy ，請使用以下命令安裝 MONAI Deploy App SDK ：
$ pip install monai-deploy-app-sdk許多 MONAI Deploy tutorials 可用于幫助您創建簡單的圖像處理應用程序、 MedNIST 分類器應用程序和分割應用程序。探索更多 MONAI Deploy resources ，以支持您從開發到部署的旅程。
要驗證 MAP ，請 download the latest release of MONAI Deploy Express 并遵循 README 說明。肺和肝分割的示例工作流和 MAP 可用，包括驗證數據集。執行結果可以在 Kibana 上可視化。
審查、采用并幫助進一步改進 MAP specification 。要查看設計和需求或打開問題，請訪問 monai-deploy-app-sdk GitHub 存儲庫。
?
