混合专家（mixture of experts）架构：每个专家都是只负责一种模式的小模型，再由一个轻量编排器把它们的输出汇总为分区量化结果。我们构建的不是一组固定的专家，而是生产专家的机器。
生成模型的闭环
模型给出建议，放射科医生进行修正，修正结果构成下一轮的数据集。每一轮都应让下一轮需要修正的部分更少。
-
预标注
首轮使用公开基础模型，之后使用贵院自己的模型
-
修正
由放射科医生决定——临床判断始终在这一步
-
冻结数据集
不可变并附带指纹，可从模型回溯到具体病例
-
微调
在医院自己的 GPU 上，从基础模型出发，绝不从零开始
-
模型与评估
使用独立测试集，按站点分别评估
改进后的模型回到起点，成为下一轮预标注
我们不卖模型，我们卖制造模型的机器。
在固定病种清单上训练出来的模型，需要多数医疗中心无法共享的数据，而且这正是本领域最快沦为同质化商品的部分。我们走相反的路线：平台本身就是产品，每家医院用它在自己的病例上构建模型。
- ● 模式由临床医生用临床语言描述，而不是由工程师选定的一个参数。
- ● 架构中没有任何部分预设了您要寻找的病理类型。
- ● 由此得到的模型归属于提供数据的那家医疗中心。
一个专家由哪些部分构成
接入一种新模式并不需要每次都重做一个研究项目。专家由一组固定的部件构成，且在训练开始前就已全部明确：模式定义、标注规程、数据集规格、基础模型、训练配方、评估工具和溯源记录。
- ● 从预训练基础模型微调，绝不从零训练——只需数十例标注病例，而非从零构建所需的数千例。
- ● 没有评估工具的模型不是专家，只是一次实验；因此评估工具在开始前就定义好，而不是事后补上。
新增一个专家，不动其余的专家
每个专家生成自己的分布图，再由一个小型编排器将它们汇总为分区指标——按模式、按肺叶给出体积与占比。新增一种模式即新增一个专家，不必重新训练已有的专家。
- ● 对于同时出现的多种模式，编排器接收的不只是汇总体积，还包括空间分布。
- ● 编排器的输入保持可检查，临床医生可以看到哪些模式决定了某个数值。
数据不会离开医院
标注、训练与推理全部在医院自身的网络边界内、在其自有 GPU 上运行。没有任何患者数据传输给我们，各站点之间也不汇聚模型权重。
- ● 面向健康数据不得跨境传输的法域而设计。
- ● 每个站点都从同一个公开基础模型出发、各自独立训练，任何站点都接触不到其他站点的数据。
- ● 冻结的数据集、训练好的模型及其溯源记录都留在该中心。
我们测量什么，不测量什么
我们报告的数字是放射科医生修正一个病例所需的时间，以及这一时间如何随标注病例数的增加而变化。它衡量的是标注效率，而不是诊断准确率——这一区分是有意为之。
- ● 输出是一组量化测量：按模式、按肺叶的体积与占比，并附置信度评分。
- ● 它不是疾病标签，也不用于作出或替代任何临床决策。
- ● 评估按站点进行、使用独立测试集——在某一中心训练的模型，绝不会被纳入另一中心的汇总结果中评分。
只做解剖量化，不做诊断。平台量化的是临床医生所定义的结构与模式；它不产生诊断，也不替代临床判断。与临床中心的合作目前处于试点阶段。
带上您自己的病种
我们正在筹建首批试点站点。如果贵中心有需要量化的影像模式，并且具备可供标注的病例，欢迎与我们联系。
联系我们 →