Gerardo Hermosillo Valadez | Siemens 年度最佳發明家 | 終身成就獎
數十年來，X 光、CT 掃描與 MRI 等影像技術透過提供患者體內骨骼與組織結構的詳細影像，一直協助醫師進行診療。來自 Siemens Healthineers (SHS)、榮獲 2024 年終身成就類別年度最佳發明家的 Gerardo Hermosillo Valadez 表示：「所有這些技術都會提供影像資料，但只有在獲得正確解讀時，這些資料才有助於診斷。例如，必須有人理解 X 光影像中的細線代表骨折，或是在 MRI 大量影像資料中注意到異常腫塊。我的部門正在開發能解讀醫學影像的 AI 流程，以減輕並支援醫療人員的工作負擔。」
Gerardo Hermosillo Valadez 榮獲 2024 年最佳度發明家：他的發明開發了解剖智慧
人類通常非常擅長從圖片中辨識事物。例如，多數人都能輕易在 X 光影像中辨認出脊椎，即使影像因患者姿勢不同、拍攝角度不同、骨骼大小差異，或健康與變形脊椎而有所變化。電腦只有透過人工智慧（結合深度學習），並經過大量適當樣本訓練後，才能做到這一點。Gerardo 表示：「透過這種方式，人工智慧可以發展出解剖智慧，使其能在醫學影像中辨識路徑，並正確分類不同的骨骼、器官與組織。同樣地，AI 也能學會區分正常與異常組織。」
AI 驅動的影像辨識在醫院與醫師診所的日常生活中有多種應用：例如，系統可學習根據指令（如「顯示右肩胛骨」）來呈現正確影像資料。它還能在放射檢查中提供自動化支援，判斷注射的顯影劑何時到達待檢查器官，並分析影像資料中可能的病理變化。Gerardo 推動的多項創新已廣泛應用於整個 SHS 產品系列。
Gerardo 強調：「人工智慧的表現取決於其訓練資料的品質。為辨識 MRI 影像中的腫瘤，其必須先從我們提供給它的數千張健康人士與患者的影像中學習。」訓練 AI 有三種基本方法：監督式學習、弱監督式學習和自監督式學習。在監督式學習中，AI 所用的每個資料集都附有精確資訊，例如：「影像右上角有一個腫瘤」。在弱監督式學習中，僅提供少量資訊標籤，例如：有腫瘤或無腫瘤。在自監督式學習中，資料完全沒有標籤，由 AI 獨立學習，例如透過遮蔽現有樣本影像的部分內容並「猜測」其樣貌。
他的發明影響整個 Siemens Healthineers 產品系列
人工智慧可學習在醫學影像中辨識路徑並將其正確分類。
監督式學習是最快且最有效率的 AI 學習方式，但要取得涵蓋所有相關層面的充足訓練資料既費時又昂貴。自監督式學習需要最長的學習時間，但 AI 可獨立運作而無需昂貴資料標籤。Gerardo 說道：「最近，我們一直專注於最新的自監督式學習技術，類似 ChatGPT 所使用的技術。這為我們帶來了巨大的助益，尤其是在解剖智慧領域。現在，我們的 AI 幾乎與解剖圖譜一樣具有智慧，能區分約 200 個不同標記（身體部位）並在影像材料中加以定位。」
