Gerardo Hermosillo Valadez | Siemens 年度发明家 | 终身成就
数十年来，X 光、CT、核磁共振等成像技术一直为医生提供患者体内骨骼与组织结构的详细影像，实现辅助诊疗。Siemens Healthineers (SHS) 的 Gerardo Hermosillo Valadez 是 2024 年度发明家终身成就奖获得者，他表示：“所有这些技术都会生成影像数据，但只有在被正确解读时，才能对诊断有所帮助。比如，必须有人能看懂 X 光片中某条细线代表骨折，或者从海量的核磁共振扫描数据中发现异常肿块。我所在的团队正在研发可解读医学影像的人工智能流程，以减轻医务人员的负担并为他们提供支持。”
Gerardo Hermosillo Valadez 荣获 2024 年度发明家奖：他的发明开创了解剖智能的先河
人们通常很擅长从图片中识别物体。例如，大多数人都能轻松识别 X 光片中的脊柱——即便由于患者姿势不同、拍摄角度不同、骨骼大小差异，或是健康脊柱与畸形脊柱的区别，导致图像差异很大。计算机只有借助人工智能，特别是深度学习，并且经过大量相关样本的训练后，才能做到这一点。“正是通过这种方式，人工智能发展出了解剖智能，它能够准确解析医学影像，并对不同的骨骼、器官和组织进行正确分类，”Gerardo 解释道。“同样地，人工智能也能学会区分正常与异常组织。”
在医院和诊所的日常工作中，人工智能驱动的图像识别技术的应用领域十分广泛：例如，系统可以学习根据“显示右侧肩胛骨”等指令自动显示正确的图像数据。它还能为放射学检查提供自动支持，判断注射的造影剂何时到达待检查的器官，并分析图像数据，发现潜在的病理变化。Gerardo 主导的许多创新技术已广泛应用于 SHS 的全系列产品中。
“人工智能的能力上限取决于其训练数据的质量，”Gerardo 强调道，“为了从核磁共振影像中识别肿瘤，它必须先学习我们提供的数千张健康人和病患的影像。”人工智能训练主要有三种方式：监督学习、弱监督学习和自监督学习。在监督学习中，人工智能会获得每个数据集的精确信息：例如，“图像右上角有一个肿瘤”。在弱监督学习中，仅提供少量信息标签：例如“有肿瘤”或“无肿瘤”。而在自监督学习中，数据完全没有标签，人工智能需独立学习，例如通过遮挡现有样本图像的部分区域，并“猜测”其样貌来学习。
他的发明塑造了整个 Siemens Healthineers 产品系列
人工智能能够学习如何解析医学影像并进行正确分类
对于人工智能而言，监督学习是最快速、最高效的学习方式，但获取涵盖所有相关维度的充足训练数据，往往既耗时又成本高昂。自监督学习虽然需要耗费最长的学习时间，但无需依赖昂贵的数据标注即可独立学习。“最近我们一直专注于最新的自监督学习技术，比如 ChatGPT 所使用的技术，”Gerardo 说。“这为我们带来了显著突破，尤其是在解剖智能领域。我们的 AI 现在已具备几乎媲美解剖图谱的智能水平。它能够识别约 200 个不同的解剖标志点（身体部位），还能在医学影像资料中精准定位这些部位。
