案例基本内容和执行情况
在国家大力推动卫生健康事业高质量发展、医疗科技不断创新的背景下,医疗机构进入数字化转型建设阶段,医疗行业迎来快速发展。其中,数字化医学影像作为医疗机构开展患者服务、临床诊疗、科研教学等工作的基础,不仅在构建全生命周期的健康服务中发挥出巨大作用,更为全面提升医疗卫生服务质量和水平提供了有力支撑。
影像归档和通信系统(PACS)是数字化影像科室高效运转的基石。东软PACS 6.0是自主研发的以医学影像专业化为基石,聚焦医护与患者体验,拥抱技术与生态的新一代PACS产品。
东软PACS 6.0可搭载Al智能诊断、医疗大数据分析、患者医学影像病历等应用,助力医生精准诊断,提升患者就医体验;基于云原生技术,在医学影像数据容量激增的情况下,实现医学影像数据的云存储,有效保证医疗数据安全,降低医疗机构数据存储成本15%以上,也极大地提升了医疗机构的运营能力和运行效率;同时,利用云计算架构优势,通过医学影像的跨机构共享和业务协同应用,为分级诊疗政策落地提供信息化支撑。
打破数据壁垒 在变革中激发创新活力
数字经济浪潮下,数据成为医疗机构关键的生产要素。据不完全统计,医学影像数据已占据医疗机构数据总量的80%,按照有关规定影像数据需要长期存储,传统的医疗机构业务流程中各信息系统间业务数据的互联互通性、二次利用率低、资源浪费等问题凸显,数据管理面临巨大挑战;在跨医疗机构业务协同中,更需要通过标准化、结构化的数据互联互通,来满足检查检验结果互认和诊疗协同的更高要求。因此医学影像数据的管理、整合、清洗、应用以及安全性的保障至关重要。
东软基于在医疗领域长期的丰富实践以及对快速变化的医学影像数据应用场景的理解,打造了医学影像数据中台,中台包含数据集成、数据服务、数据计算、数据应用和数据治理等模块,基于云技术与医学影像数据中台技术,打造一体化的技术架构、业务架构和底层平台。
案例主要经济成效和社会成效分析
打破医学影像产品之间架构差异和数据壁垒,重构医学影像产品核心技术;同时,通过构建新一代湖仓一体(Data Lakehouse)架构,为医疗机构提供一个统一的、可共享的数据底座,赋能医疗机构构建全新的、融合的数据平台。
基于SAAS模式 赋能千家客户数字化医学影像服务
随着医疗机构将诊疗活动延伸至互联网端,数据共享和流通成为刚性业务需求,面对愈加严峻的信息安全挑战,医疗机构及监管机构应通过动态变化的视角分析和判断信息安全风险,在基础设施层、数据资源层、业务应用层、终端应用层都需要建立全面的安全管理和风险管理能力。
医学影像信息系统在医疗机构信息化建设中起步早、技术革新快,具有良好的发展前景。面向各级医疗机构、医疗集团、医联体、医共体、卫健委等不同主体,东软PACS 6.0可以满足其在效率、效益、精准诊断、管理、服务、安全等不同方面的需求。
在应用方面,东软PACS 6.0基于SAAS模式赋能医共体及基层医疗机构医学影像诊疗服务,赋能分级诊疗的远程影像会诊及远程影像诊断,赋能医学影像质控与检查检验结果互认,赋能医疗机构医学影像业务水平整体提升,赋能数据分析与挖掘,为科研教学及业务管理决策提供全面的数据支撑。并基于"互联网+“实现跨医疗机构医学影像业务协同,打破医疗机构内外的信息孤岛,实现与其他医疗信息系统的互联互通。
不仅如此,东软PACS 6.0还可以通过全方位的医学影像驾驶舱,及时调整医学影像检查资源的分布及使用,精准绩效评估,有效提升设备使用率,使业务经济价值最大化。目前,东软PACS 6.0为数以千计的各级东软客户提供数字化医学影像服务,已然成为智慧健康城市平台的一个重要组成部分。
好文章,需要你的鼓励
这项研究提出了R1-Searcher++框架,通过两阶段训练策略使大语言模型能像人类一样灵活利用内部知识和外部信息。该方法创新性地采用强化学习激励模型优先使用内部知识,并引入记忆机制将检索到的信息转化为内部知识,实现动态知识获取。实验表明,R1-Searcher++不仅在多步问答任务上表现优异,还大幅减少了检索次数,显著提高了推理效率。
这项研究提出了AutoRefine,一种革新性的强化学习框架,为大语言模型引入了"边思考边搜索和完善"的全新范式。与传统方法不同,AutoRefine在连续搜索调用之间添加知识完善步骤,让模型能够有效过滤和组织信息。通过结合答案正确性和检索质量双重奖励,该方法在七项问答基准测试中平均提升6.9%的准确率,特别在复杂多跳推理场景中表现突出,解决了现有检索增强推理的核心局限性。
这项研究揭示了一种新型网络安全威胁:利用普通网络广告攻击AI网页代理。中科院研究团队开发的AdInject攻击无需特殊权限,仅通过精心设计的广告内容就能误导AI代理点击恶意链接,成功率高达90%以上。研究使用严格的黑盒模型,更符合现实场景,暴露了当前AI代理面临的实际安全漏洞。实验还表明,即使添加专门的防御提示,这类攻击仍能成功率超过50%,凸显了设计更强大防御机制的紧迫性。
东北大学与快手科技联合研发的UNITE系统为多模态信息检索带来突破性进展。这项发表于2025年5月的研究首次系统分析了模态特定数据如何影响检索性能,并提出创新的模态感知掩码对比学习技术,有效解决不同模态间的竞争关系。UNITE能同时处理文本、图像、视频及其组合,在40多项测试中超越现有方法,即使与参数规模更大的模型相比也表现出色。研究发现视频-文本对在通用检索中表现优异,而文本-文本和文本-图像对对指令遵循任务至关重要,为未来多模态系统研究提供了宝贵指南。