شبكة طبية مفتوحة للذكاء الاصطناعي

MONAI Label أداةٌ تُدمج الذكاء الاصطناعي، بهدف تحسين عملية تصنيف الصور وتعلمها. تستفيد الأداة من خوارزميات الذكاء الاصطناعي وتفاعلات المستخدم ، ومن خلال هذا التعاون، تُدرّب MONAI Label نموذج ذكاء اصطناعي لمهمة محددة، وتعمل على تحسين أدائه مع تلقيها المزيد من الصور المُصنّفة. تُقدّم الأداة مجموعةً من الميزات والتكاملات التي تهدف إلى تبسيط سير عمل التصنيف وضمان التكامل السلس مع منصات التصوير الطبي الحالية. ^{[ 8 ]}

• التعليق المدعوم بالذكاء الاصطناعي : يساعد برنامج MONAI Label الباحثين والممارسين في مجال التصوير الطبي من خلال اقتراح تعليقات توضيحية بناءً على تفاعلات المستخدمين باستخدام خوارزميات الذكاء الاصطناعي. يقلل هذا الدعم بشكل كبير من الوقت والجهد اللازمين لتصنيف مجموعات البيانات الجديدة، مما يسمح للمستخدمين بالتركيز على مهام أكثر تعقيدًا. تعزز الاقتراحات التي يقدمها MONAI Label كفاءة ودقة عملية التعليق. ^{[ 8 ]}
• Continuous learning: as users provide additional annotated images, MONAI Label utilizes this data to improve its performance over time. The tool updates its AI model with the newly acquired annotations, enhancing its ability to label images and adapt to specific tasks.^[8]
• Integration with medical imaging platforms: MONAI Label integrates with medical imaging platforms such as 3D Slicer, Open Health Imaging Foundation viewer for radiology,^[9] QuPath,^[10] and digital slide archive for pathology.^[11] These integrations enable communication between MONAI Label and existing medical imaging tools, facilitating collaborative workflows and ensuring compatibility with established platforms.^[8]
• Custom viewer integration: developers have the flexibility to integrate MONAI Label into their custom image viewers using the provided server and client APIs. These APIs are abstracted and thoroughly documented, facilitating smooth integration with bespoke applications.^[8]

Within MONAI Core, researchers can find a collection of tools and functionalities for dataset processing, loading, deep learning (DL) model implementation, and evaluation. These utilities allow researchers to evaluate the performance of their models. MONAI Core offers customizable training pipelines, enabling users to construct and train models that support various learning approaches such as supervised, semi-supervised, and self-supervised learning. Additionally, users have the flexibility to implement different computing strategies to optimize the training process.^[1]

• Image I/O, processing, and augmentation: domain-specific APIs are available to transform data into arrays and different dictionary formats. Additionally, patch sampling strategies enable the generation of class-balanced samples from high-dimensional images. This ensures that the sampling process maintains balance and fairness across different classes present in the data. Furthermore, invertible transforms provided by MONAI Core allow for the reversal of model outputs to a previous preprocessing step. This is achieved by leveraging tracked metadata and applied operations, enabling researchers to interpret and analyze model results in the context of the original data.^[1]
• مجموعات البيانات وتحميل البيانات: تدعم مجموعات البيانات متعددة الخيوط والقائمة على ذاكرة التخزين المؤقت تحميل البيانات عالي التردد، كما أن توفر مجموعات البيانات العامة يسرع من نشر النموذج وإمكانية إعادة إنتاج الأداء ، وتدعم واجهات برمجة التطبيقات المخصصة مصادر البيانات المضغوطة والصور والبيانات المصححة والبيانات متعددة الوسائط. ^{[ 1 ]}
• المكونات القابلة للتفاضل، والشبكات ، ودوال الخسارة، ^{[ 12 ]} والمُحسِّنات: ^{[ 13 ]} يوفر MONAI Core طبقات ووحدات شبكية قادرة على التعامل بسلاسة مع المدخلات المكانية أحادية وثنائية وثلاثية الأبعاد. يتمتع المستخدمون بمرونة دمج هذه الطبقات والوحدات والشبكات بسهولة في مسارات المعالجة الخاصة بهم. تتضمن المكتبة أيضًا دوال خسارة شائعة الاستخدام، مثل خسارة دايس ، وخسارة تفيرسكي، وخسارة دايس البؤرية، ^{[ 14 ]} والتي أُعيد تطبيقها من المراجع. بالإضافة إلى ذلك، يوفر MONAI Core تقنيات التحسين العددي مثل نوفوغراد، وأدوات مساعدة مثل مُكتشف معدل التعلم لتسهيل عملية التحسين. ^{[ 15 ] [ 1 ]}
• التقييم: يوفر برنامج MONAI Core مجموعة شاملة من مقاييس التقييم لتقييم أداء نماذج الصور الطبية. تشمل هذه المقاييس متوسط ​​معامل دايس، ومنحنيات خصائص التشغيل ، ومصفوفات الارتباك ، ومسافة هاوسدورف ، ومسافة السطح، وحساسية الانسداد. ^{[ 16 ]} يُنتج تقرير ملخص المقاييس معلومات إحصائية مثل المتوسط ، والوسيط ، والحد الأقصى، والحد الأدنى ، والنسبة المئوية ، والانحراف المعياري لمقاييس التقييم المحسوبة. ^{[ 16 ] [ 1 ]}
• تسريع وحدة معالجة الرسومات، وتحليل الأداء ، والتحسين : تستفيد MONAI من مجموعة من الأدوات، بما في ذلك DLProf ^{[ 17 ]} وNsight ^{[ 18 ]} وNVTX ^{[ 19 ]} وNVML ^{[ 20 ]} ، للكشف عن اختناقات الأداء. تتكامل واجهات برمجة التطبيقات الموزعة والمتوازية للبيانات بسلاسة مع وحدة PyTorch الموزعة الأصلية، ووحدة PyTorch-ignite ^{[ 21 ]} الموزعة، و Horovod ، وXLA ^{[ 22 ]} ، ومنصة SLURM ^{[ 23 ] .}
• مجموعة نماذج التعلم العميق: من خلال توفير "حديقة نماذج موناي" ^{[ 24 ]} ، ترسخ موناي مكانتها كمنصة تُمكّن الباحثين وعلماء البيانات من الوصول إلى أحدث النماذج التي طورتها المجتمعات ومشاركتها. وباستخدام تنسيق "حزمة موناي"، يستطيع المستخدمون الاستفادة بسلاسة وكفاءة من أي نموذج ضمن أطر عمل موناي (الأساسية، أو التصنيفية، أو النشرية). ^{[ 25 ]}

توفر حزمة تطوير البرمجيات (SDK) الخاصة بتطبيق MONAI سلسلة منهجية من الخطوات التي تُمكّن المستخدمين من تطوير نماذج الذكاء الاصطناعي وسير العمل الخاصة بهم وتحسينها لنشرها في البيئات السريرية. تعمل هذه الخطوات كنقاط تفتيش، تضمن التزام بنية استدلال الذكاء الاصطناعي بالمعايير والمتطلبات الأساسية للتكامل السريري السلس. ^{[ 3 ]}

تتضمن المكونات الرئيسية لحزمة تطوير تطبيقات MONAI Deploy ما يلي:

• إطار عمل بايثوني لتطوير التطبيقات : توفر حزمة تطوير البرمجيات (SDK) إطار عمل قائم على لغة بايثون مصمم خصيصًا لإنشاء تطبيقات تركز على الرعاية الصحية. بفضل بنيته القابلة للتكيف، يُمكّن هذا الإطار من تطوير تطبيقات مدعومة بالذكاء الاصطناعي مصممة خصيصًا لمجال الرعاية الصحية بسلاسة. ^{[ 3 ]}
• آلية تغليف حزم تطبيقات MONAI: تتضمن حزمة تطوير البرامج (SDK) أداة لتغليف التطبيقات في حزم تطبيقات MONAI ^{[ 26 ]} (MAP). تُرسّخ هذه الحزم تنسيقًا موحدًا لتجميع التطبيقات ونشرها، مما يضمن قابلية النقل ويسهل التوزيع السلس. ^{[ 27 ]}
• تنفيذ تطبيقات MAP محليًا عبر مُشغّل التطبيقات: توفر حزمة تطوير البرامج (SDK) ميزة مُشغّل التطبيقات التي تُمكّن من تنفيذ تطبيقات MAP محليًا. تُتيح هذه الوظيفة للمطورين تشغيل تطبيقاتهم واختبارها ضمن بيئة مُتحكّم بها، مما يسمح بإنشاء النماذج الأولية وتصحيح الأخطاء . ^{[ 28 ]}
• تطبيقات نموذجية: تتضمن حزمة تطوير البرامج (SDK) مجموعة مختارة من التطبيقات النموذجية التي تُعدّ أمثلة عملية ونقاط انطلاق للمطورين. تُبرز هذه التطبيقات النموذجية حالات استخدام مختلفة وتُجسّد أفضل الممارسات للاستخدام الأمثل لإطار عمل MONAI Deploy. ^{[ 3 ]}
• توثيق واجهة برمجة التطبيقات (API): تُكمّل حزمة تطوير البرامج (SDK) وثائق شاملة تُحدد واجهات برمجة التطبيقات المتاحة وتُقدم إرشادات للمطورين حول كيفية الاستفادة الفعّالة من الأدوات والوظائف المُتاحة. ^{[ 3 ]}