將強大的人工智能工具交給世界領先的醫學研究人員，這是前所未有的重要。這就是為什么 NVIDIA 投資建立了一個與 MONAI ，人工智能的醫療開放網絡。 MONAI 通過提供加速圖像注釋、訓練最先進的深度學習模型和創建有助于推動研究突破的人工智能應用程序的工具，正在推動醫學成像的開放式創新。

開發特定領域的人工智能可能具有挑戰性，因為缺乏最佳實踐和開放藍圖會造成從研發到臨床評估和部署的各種障礙。研究人員需要一個共同的基礎來加快醫學人工智能研究創新的步伐。

創建項目 MONAI 背后的核心原則是將醫生與數據科學家聯合起來，以釋放醫學數據的力量。 MONAI 是一個由學術界和業界領袖建立的協作開源倡議，旨在建立和標準化醫療成像深度學習的最佳實踐。由成像研究社區創建，為成像研究社區， MONAI 正在加速醫學人工智能工作流的深度學習模型和可部署應用程序的創新。

幫助指導 MONAI 的愿景和使命 咨詢委員會 以及九個工作組，由整個醫學研究界的思想領袖領導。這些重點工作組使這些領域的領導人能夠集中精力，為社區做出有效貢獻。這個 工作組 歡迎任何人參加。

MONAI 是一個基于 PyTorch 的開源框架，用于在醫療保健領域構建、培訓、部署和優化人工智能工作流。它專注于提供高質量、用戶友好的軟件，以促進再現性和易于集成。通過這些租戶，研究人員可以分享他們的研究結果，并在彼此的工作基礎上進一步發展，促進學術和行業研究人員之間的合作。

MONAI 中的一套庫、工具和 SDK 提供了一個強大的通用基礎，涵蓋了從注釋到部署的端到端醫療 AI 生命周期。

醫學圖像注釋和分割

MONAI 標簽 是一種智能圖像標記和學習工具，使用人工智能幫助減少注釋新數據集的時間和工作量。利用用戶交互， MONAI Label 為特定任務訓練人工智能模型，當模型接收到附加注釋圖像時，不斷學習并更新模型。

MONAI Label 提供了多個示例應用程序，其中包括最先進的交互式分割方法，如 DeepGrow 和 DeepEdit 。這些示例應用程序已準備就緒，可以使用開箱即用的方式快速開始注釋。開發人員還可以使用創造性算法構建自己的 MONAI 標簽應用程序。

客戶端集成幫助臨床醫生、放射科醫生和病理學家在其典型的工作流程中與 MONAI 標簽應用程序交互。這些臨床交互不是休眠的，因為專家可以更正注釋并立即觸發訓練循環，以使模型適應動態輸入。

MONAI Label 集成了 3D 切片器、 OHIF （用于放射學）和 QuPath （用于病理學）以及數字幻燈片存檔。開發人員還可以通過使用服務器和客戶端 API 將 MONAI 標簽集成到他們的自定義查看器中，這些 API 經過良好的抽象和記錄，可以實現無縫集成。

圖 1. MONAI 標簽架構

領域特定算法和研究管道

MONAI Core 是 MONAI 項目的旗艦庫，提供特定于領域的功能，用于訓練醫療成像的人工智能模型。這些功能包括醫學特定的圖像變換、最先進的基于變換器的三維分割算法（如 UNETR ）和名為 DiNTS 的 AutoML 框架。

有了這些基礎組件，用戶可以將 MONAI 的領域專用組件集成到他們現有的 PyTorch 程序中。用戶還可以在工作流級別與 MONAI 交互，以便于進行穩健的訓練和研究實驗。一組豐富的功能示例演示了與其他開源軟件包（如 PyTorch Lightning 、 PyTorch Ignite 和 NVIDIA FLARE ）的功能和集成。最后，包括用于自監督學習、 AutoML 、 3D 視覺轉換器和 3D 分割的最先進的可再現研究管道。

圖 2. MONAI 核心上最先進的研究管道

將醫學人工智能部署到臨床生產中

87% 的數據科學項目 永遠不要投入生產。跨越模型和可部署應用程序之間的鴻溝需要幾個步驟。這些包括選擇正確的 DICOM 數據集、預處理輸入圖像、執行推理、導出結果、可視化結果以及進一步應用優化。

MONAI 部署 旨在成為臨床生產中開發包裝、測試、部署和運行醫療 AI 應用程序的事實標準。 MONAI 部署創建了一組中間步驟，研究人員和醫生可以在這些步驟中建立對人工智能使用的技術和方法的信心。這會產生一個迭代工作流，直到 AI 推理基礎設施為臨床環境做好準備。

MONAI 部署應用程序 SDK 使開發人員能夠采用人工智能模型并將其轉化為人工智能應用程序。在上可用 github MONAI Deploy 還正在構建推理編排引擎、信息學網關和工作流管理器的開放參考實現，以幫助推動臨床集成。

圖 3.Deploy 的模塊化開放參考部署框架

推進醫學人工智能

世界領先的研究中心，包括倫敦國王學院、 NIH 國家癌癥研究所、 NHS 蓋伊和圣托馬斯信托基金會、斯坦福大學、馬薩諸塞州布里格姆將軍和梅奧診所正在使用 MONAI 進行建設和出版。 AWS 、谷歌云和微軟等集成合作伙伴都在各自的平臺上挺身而出。迄今為止， MONAI 已獲得超過 425000 次下載，擁有 190 多名貢獻者，他們發表了 140 多篇研究論文。

MONAI 的開創性研究是由其開放的貢獻者社區的增長推動的。這些研究人員和創新者一起在一個跨越整個醫療人工智能項目生命周期的平臺上合作開發人工智能最佳實踐。從培訓到部署， MONAI 將醫療保健界聚集在一起，以釋放醫療數據的力量，并加速人工智能的臨床影響。

關于作者

Prerna Dogra 是 NVIDIA 醫療保健部門的產品經理，負責領導 Clara 應用程序框架，致力于使開發人員能夠利用實時分析、人工智能和高級可視化技術改造醫療成像行業。

Nate Bradford 是 NVIDIA 的醫療內容經理，分享 AI 框架和解決方案，以幫助開發人員、研究人員和創新者完成畢生的工作。從加速新療法的發現到實現醫療設備的實時傳感，人工智能正在開創醫療保健的新時代。

審核編輯：郭婷