Технологии машинного обучения (ML) стали ключевыми инструментами в работе и управлении медицинскими устройствами, включая подготовку отчетов о клинической оценке (CER), которые производители должны регулярно предоставлять, чтобы соответствовать требованиям.

Производители устройств также используют возможности машинного обучения, чтобы добавлять мощные функции и внедрять новые модели обслуживания, чтобы получать регулярные потоки доходов и укреплять отношения с клиентами.

Внедрение крошечного машинного обучения, известного как tinyML, идет еще дальше, позволяя производителям делать медицинские устройства на основе ML меньше и компактнее. Инструменты машинного обучения и больших данных также используются для отслеживания производительности медицинских устройств и выявления тенденций, связанных с отказами устройств.

Но есть и другой способ, которым машинное обучение, в частности методы машинного зрения, могут повысить эффективность медицинских устройств: во время самого производственного процесса.

Как машинное зрение улучшает производство медицинского оборудования

Машинное зрение часто используется для проверки и задач обеспечения качества (QA) во время производства — особенно важная роль, учитывая строгие требования большинства производителей устройств.

Но сначала заметка о различии между машинным зрением и компьютерным зрением. Системы машинного зрения всегда включают камеру для просмотра изображения и часто используются в тандеме с алгоритмами компьютерного зрения, чтобы делать выводы об этих изображениях. Они обычно используются в производственных условиях для обнаружения дефектов продукта.

С другой стороны, компьютерное зрение может извлекать данные из изображений без помощи других систем и считывать изображения из различных источников (включая видео и 3D).

Но машинное зрение для медицинских устройств — это не только соответствие стандартам. Действительно, улучшенная скорость, согласованность и точность алгоритмов проверки с поддержкой машинного зрения, которые, в отличие от сотрудников-людей, никогда не устают и не нуждаются в отпуске, могут сэкономить компаниям миллионы долларов.

Многие системы машинного зрения настолько точны, что могут обнаруживать дефекты толщиной, например, с человеческий волос. Они также доказали свою способность определять, являются ли такие дефекты функциональными или косметическими, является ли компонент симметричным, и проверять наличие необходимых штампов или маркировок.

Поскольку все производители (и устройства) разные, инструменты машинного зрения и машинного зрения применяются к разным задачам и частям производственного процесса в зависимости от требований и наличия узких мест.

Проблемы и перспективы машинного зрения для проверки медицинского оборудования

Основной проблемой использования камер и систем машинного зрения для контроля качества традиционно была их способность определять точные критерии прохождения/непрохождения. Отчасти это происходило из аппаратного обеспечения, использовавшегося в таких системах в прошлом, утверждают Фредерик Герц и Гилберт Флюч из SHL Medical, производителя автоинъекторов и шприц-ручек.

Эти аппаратные ограничения варьируются от разрешения камеры до качества освещения при съемке изображений (хотя появление светодиодного освещения разных цветов для разных приложений частично решило последнюю проблему).

«Сложные алгоритмы, — пишут они в ONdrugDelivery, отраслевом издании, — обычно состоящие из сотен или тысяч строк кода, должны были быть запрограммированы для проверки компонента, измерения критического размера или любое другое приложение. Код часто зависел от количества пикселей камеры, которое, в свою очередь, зависело от разрешения камеры и вышеупомянутого источника света.

«За процессом кодирования потребуются сотни часов испытаний, и даже в этом случае традиционные системы проверки не предоставят решения, которым можно было бы доверять на 100 процентов».

Проблемы масштабируемости, связанные с так называемыми «традиционными» системами компьютерного зрения для контроля качества медицинских устройств, также включают определение важных областей изображений, обычно посредством подробного отчета эксперта в предметной области (SME). Затем инженеры по машинному зрению используют эту обратную связь SME для разработки правил, которым должен следовать алгоритм при сканировании изображений и определении качества, что обычно требует очень много времени.

Герц, Флюч и их коллеги из SHL Medical говорят, что разработали лучший метод, сочетающий машинное зрение с глубоким обучением с помощью нейронной структуры TensorFlow.

SHL создала сверточную нейронную сеть из девяти слоев, в том числе три для свертки и три для объединения, создав сеть из почти 240 миллионов обучаемых параметров. «Используя не впечатляющее количество вычислительных ресурсов, включая доступный ноутбук, обучение на наборе данных из примерно 240 изображений заняло примерно 30 минут», — пишут авторы.

На тот момент, по словам авторов, их новая система достигла 100-процентной точности как для обучающих, так и для тестовых наборов данных.

Оценка точности инспекций машинного зрения

Так как же эффективно измерить точность системы машинного зрения для проверки медицинского оборудования, особенно когда дефекты могут быть микроскопическими?

Один из методов, разработанный инженерами по машинному зрению, заключается в наложении на компонент тепловой карты, указывающей, какие области алгоритм определил как важные. Ниже приведен пример тепловых карт двух похожих, но отдельных компонентов.

Кстати: компонент справа имеет дефект — вы можете его заметить?

Тепловая карта двух компонентов, показывающая наиболее важные области для машинного сканирования. На изображении справа обнаружен дефект. Изображение предоставлено ONdrugDelivery.

Подсказка: она находится в левой части изображения справа.

CapeStart обеспечивает машинное обучение для медицинских устройств

Инженеры по машинному обучению CapeStart каждый день работают с производителями медицинского оборудования, от разработки CER с поддержкой обработки естественного языка до предоставления компаниям готовых моделей машинного обучения и наборов обучающих данных машинного обучения.

Свяжитесь с нами сегодня, чтобы узнать, как мы можем помочь вам внедрять инновации на каждом этапе вашего пути к ИИ и оптимизации бизнеса.