PEKING, 15. Aug. 2023 — WiMi Hologram Cloud Inc. (NASDAQ: WIMI) (“WiMi” oder das “Unternehmen”), ein führender globaler Anbieter von Hologramm-Augmented-Reality-(“AR”)-Technologie, gab heute bekannt, dass ein verallgemeinerter Lernalgorithmus für die Analyse von Röntgenbildern entwickelt wurde, der für X-envisioned-Bilder konzipiert ist und Automatic Artificial Intelligence X-ray Image Analysis (Auto-AIX) genannt wird.
Die Analyse von Röntgenbildern ist ein komplexer Prozess, der die Erkennung verschiedener Merkmale wie Knochen-Dichte, Organform und Gewebedichte beinhaltet. Traditionell wurde dieser Prozess manuell von medizinischem Fachpersonal durchgeführt, das seine Expertise nutzte, um Merkmale zu identifizieren und zu analysieren. Dieser Ansatz ist jedoch zeitaufwendig und kann zu Fehlern führen, was zu Fehldiagnosen und einer schlechten Prognose für den Patienten führen kann.
WiMi erforscht den Einsatz künstlicher intelligenter Algorithmen zur Automatisierung des Prozesses der Röntgenbildanalyse. Diese Algorithmen sollen von großen Datensätzen mit Röntgenbildern lernen und Muster und Merkmale erkennen, die für menschliche Experten schwierig oder unmöglich zu erkennen sind. Durch die Automatisierung des Prozesses der Röntgenbildanalyse haben AI-Algorithmen das Potenzial, die Geschwindigkeit und Genauigkeit der Diagnose zu erhöhen und die Arbeitsbelastung des Gesundheitspersonals zu verringern. Allerdings erfordert die Entwicklung wirksamer AI-Algorithmen für die Röntgenbildanalyse einen großen und vielfältigen Datensatz mit Röntgenbildern für das Training und die Validierung. Dieser Datensatz muss sorgfältig ausgewählt und annotiert werden, um sicherzustellen, dass der AI-Algorithmus Bildmerkmale genau erkennen kann.
WiMi hat einen verallgemeinerten Lernalgorithmus für die Röntgenbildanalyse entwickelt, der so konzipiert ist, dass er von einem vielfältigen Satz an Röntgenbildern lernen kann, um ihn für den Einsatz in realen Anwendungen geeignet zu machen. Der Algorithmus basiert auf einer neuronalen Netzarchitektur, die tiefen Lernens, die mit einem großen und vielfältigen Datensatz mit Röntgenbildern trainiert wird. Die Datensätze werden zusammengestellt und annotiert, um sicherzustellen, dass der Algorithmus Merkmale wie Knochen-Dichte, Organform und Gewebedichte genau identifiziert. Um die Verallgemeinerungsfähigkeit des Algorithmus zu verbessern, werden Techniken wie Datenexpansion und Domänenzufälligkeit implementiert. Datenexpansion besteht aus der Anwendung einer Reihe von Transformationen wie Rotation, Skalierung und Spiegelung auf die originalen Röntgenbilder, um einen größeren und vielfältigeren Trainingsdatensatz zu erstellen. Domänenzufälligkeit beinhaltet das Hinzufügen von zufälligem Rauschen und Störungen zu den Trainingsdaten, was dem Algorithmus hilft, sich auf neue und ungesehene Röntgenbilder zu verallgemeinern. Der Algorithmus ist so konzipiert, dass er auf einer Reihe von Hardwareplattformen ausgeführt werden kann, von herkömmlichen CPUs bis hin zu leistungsstarken GPUs. Dies macht ihn für den Einsatz in realen Umgebungen geeignet, in denen die Hardware-Ressourcen möglicherweise begrenzt oder variabel sind.
Auto-AIX umfasst die Datenerfassung, -erzeugung und -annotierung mit verallgemeinerten Lernalgorithmen. Die Datenerfassung, -erzeugung und -annotierung sind der Schlüssel zum Aufbau von Deep-Learning-Modellen. Im Bereich der medizinischen Bildgebung stehen die Sammlung und Nutzung echter Daten aufgrund von Patientendatenschutz und -vertraulichkeit vor vielen Einschränkungen. Und Auto-AIX umgeht diese Einschränkungen durch den Einsatz computergenerierter synthetischer Daten. Genauer gesagt nutzt es CT-Scans zur Modellierung von Röntgenbildern, was den synthetischen Daten ein realistisches Aussehen und Details verleiht und so die Genauigkeit des Modells verbessert.
Bei Auto-AIX besteht der erste Schritt bei der Erzeugung synthetischer Daten darin, ein medizinisches Modell zu erstellen, das mit einem CT-Scan oder einem chirurgischen Werkzeug modelliert werden kann. Dann können durch Einspritzen von Rauschen und Variationen in das medizinische Modell mehrere Proben erzeugt werden, die eine breite Palette von Situationen und Variationen abdecken, die in echten Daten auftreten können. Schließlich werden diese Proben annotiert, d.h. durch manuelles Markieren mit Merkmalen und Krankheiten. Diese Annotationen können automatisch auf alle anderen synthetischen Daten angewendet werden, wodurch erhebliche Zeit- und Kostenaufwände für Arbeit eingespart werden. Dieser Prozess wird in Auto-AIX als “Domänenerweiterung” bezeichnet, da er den synthetischen Datenbereich auf eine breitere Palette von Datensätzen erweitert.
Auto-AIX verwendet einen auf verallgemeinertem Lernen basierenden Algorithmus zum Aufbau von Deep-Learning-Modellen. Der Vorteil dieses Algorithmus besteht darin, dass er mit einer großen Menge synthetischer Daten trainiert werden kann, ohne dass große Mengen echter Daten benötigt werden. Das bedeutet, dass Auto-AIX in der Lage ist, leistungsstarke Deep-Learning-Modelle auch dann aufzubauen, wenn es Schwierigkeiten und Einschränkungen beim Sammeln echter Daten gibt.
Konkret nutzt Auto-AIX Domänenzufälligkeitstechniken, um auf verallgemeinertem Lernen basierende Algorithmen aufzubauen. Der Kerngedanke dieser Technik besteht darin, die Verallgemeinerungsfähigkeit des Modells durch Einführung von Zufälligkeit in Erscheinungsbild und Merkmale der synthetischen Daten zu verbessern. Diese Zufälligkeit kann beliebig sein, z.B. Hinzufügen von Rauschen, Störungen, Verdeckungen usw. zu den synthetischen Daten. Auf diese Weise kann Auto-AIX Deep-Learning-Modelle mit hoher Verallgemeinerungsleistung aufbauen.
Um die Leistung von Auto-AIX zu bewerten, führten die Forscher eine Reihe von Experimenten durch, um Unterschiede zwischen mit Auto-AIX-synthetischen Daten trainierten Deep-Learning-Modellen und mit echten Daten trainierten Modellen zu vergleichen und die Wirkung der Verwendung unterschiedlicher synthetischer Daten zu testen.
Die experimentellen Ergebnisse des Trainings von KI-Modellen mit SyntheX-synthetischen Daten zeigen, dass die Methode Leistungen erbringen kann, die mit echten Daten vergleichbar sind und in einigen Fällen sogar darüber liegen. Als Nächstes muss das trainierte KI-Modell auf echte klinische Röntgenbilddaten angewendet und bewertet werden, bevor es in der Klinik eingesetzt wird. Vor der Anwendung des KI-Modells auf echte Daten muss die echte Datenmenge so vorverarbeitet werden, dass sie eine ähnliche Verteilung wie die synthetisierten Daten aufweist. Diese Vorverarbeitungsmethode wird als Domänenanpassung oder Domänentransfer bezeichnet. Ziel der Domänentransfermethode ist es, das Modell von einer Quelldomäne (synthetische Daten) auf eine Ziel-Domäne (echte Daten) zu übertragen, so dass das Modell optimal auf der Ziel-Domäne funktioniert. Die Kernidee der Domänenanpassung besteht darin, ein Modell zu lernen, das sich auf die Ziel-Domäne verallgemeinern lässt, indem die Unterschiede in den Verteilungen zwischen Quell- und Ziel-Domänen modelliert werden.
Um KI-Modelle auf echte Daten anzuwenden, verwendet WiMi eine Domänenanpassungsmethode namens Adversarial Discriminative Domain Adaptation (ADDA), die aus zwei Phasen besteht: In der ersten Phase wird ein Quelldomänen-Klassifizierer und ein Ziel-Domänen-Klassifizierer trainiert, um Quell- und Ziel-Domänen zu unterscheiden; in der zweiten Phase wird ein Domänen-Adapter trainiert, um Merkmale von der Quell-Domäne auf die Ziel-Domäne zu übertragen, so dass die Leistung des Modells auf der Ziel-Domäne optimiert wird. Die ADDA-Methode wurde verwendet, um das Modell von der synthetischen Daten-Domäne auf die echte Daten-Domäne zu übertragen. Nach der Domänenanpassung ist die Leistung des KI-Modells auf echten Daten mit seiner Leistung auf synthetischen Daten vergleichbar, was zeigt, dass die Domänenanpassungsmethode wirksam ist.
Das KI-Modell von WiMi wurde auf virtuelle klinische Röntgenbilder angewendet und bewertet. Die Ergebnisse zeigen, dass das KI-Modell eine Vielzahl von Krankheiten und Abnormalitäten wie Lungenentzündung, Lungenknoten und Lungenödeme genau identifizieren kann. Darüber hinaus kann das KI-Modell quantitative Messungen wie Lungenvolumen und Knotengröße durchführen. Insgesamt kann durch das Training des KI-Modells mit Auto-AIX-synthetischen Daten und Domänenanpassung mit der ADDA-Methode die Forschung und Anwendung auf dem Gebiet der Röntgenbildanalyse erheblich beschleunigt werden und mehr Möglichkeiten und Herausforderungen für den Gesundheitsbereich bringen.
Über WIMI Hologram Cloud
WIMI Hologram Cloud, Inc. (NASDAQ:WIMI) ist ein Anbieter von holographischen Cloud-Komplettlösungen, der sich auf professionelle Bereiche wie holographische AR-Automobil-HUD-Software, 3D-holographische Puls-LiDAR-Technologie, kopfmontierte Lichtfeld-holographische Ausrüstung, holographische Halbleiter, holographische Cloud-Software, holographische Navigation für Fahrzeuge und andere konzentriert. Zu ihren Dienstleistungen und holographischen AR-Technologien gehören die holographische AR-Anwendung für Fahrzeuge, die 3D-holographische Puls-LiDAR-Technologie, die holographische Halbleiter-Vision-Technologie, die Entwicklung holographischer Software, die holographische AR-Werbetechnologie, die holographische AR-Unterhaltungstechnologie, die holographische ARSDK-Zahlung, die interaktive holographische Kommunikation und andere holographische AR-Technologien.
Safe Harbor-Erklärungen
Diese Pressemitteilung enthält “zukunftsgerichtete Aussagen” im Sinne des Private Securities Litigation Reform Act von 1995. Solche zukunftsgerichteten Aussagen können an Begriffen wie “wird”, “erwartet”, “antizipiert”, “zukünftig”, “beabsichtigt”, “plant”, “glaubt”, “schätzt” und ähnlichen Aussagen erkannt werden. Aussagen, die keine historischen Fakten darstellen, einschließlich Aussagen über die Überzeugungen und Erwartungen des Unternehmens, sind zukunftsgerichtete Aussagen. Unter anderem enthalten auch der Geschäftsausblick und die Zitate aus der Unternehmensführung in dieser Pressemitteilung sowie die strategischen und operativen Pläne des Unternehmens zukunftsgerichtete Aussagen. Das Unternehmen kann auch mündliche oder schriftliche zukunftsgerichtete Aussagen in seinen Berichten an die US-Börsenaufsichtsbehörde SEC auf Formblättern 20-F und 6-K, in seinem Jahresbericht an die Aktionäre, in Pressemitteilungen und anderen schriftlichen Materialien sowie in mündlichen Erklärungen von Führungskräften gegenüber Dritten machen. Zukunftsgerichtete Aussagen unterliegen inhärenten Risiken und Unsicherheiten. Verschiedene Faktoren könnten die tatsächlichen Ergebnisse wesentlich beeinflussen, einschließlich der folgenden: die Ziele und Strategien des Unternehmens; die künftige Geschäftsentwicklung, die Finanzlage und die Betriebsergebnisse des Unternehmens; die voraussichtliche Wachstumsrate der AR-Hologramm-Branche; die Erwartungen des Unternehmens hinsichtlich der Nachfrage nach und der Marktzulassung seiner Produkte und Dienstleistungen.
Weitere Informationen zu diesen und anderen Risiken finden Sie im Jahresbericht des Unternehmens auf Formular 20-F und im aktuellen Bericht auf Formular 6-K sowie in anderen Dokumenten, die bei der SEC eingereicht wurden. Alle in dieser Pressemitteilung enthaltenen Informationen gelten zum Zeitpunkt der Veröffentlichung. Das Unternehmen ist nicht verpflichtet, zukunftsgerichtete Aussagen zu aktualisieren, es sei denn, dies ist nach geltendem Recht erforderlich.