Insight Tech

你終於買到票，可以觀賞喜愛的球隊比賽了。你趁半場休息時間偷偷溜出去買零嘴，站在漫長的餐飲區人龍中，聽到了體育館傳來觀眾歡聲雷動。你的第一個念頭是：我錯過了什麼？接著心想：排個隊為什麼排這麼久？沒錯，你可以觀看即時重播，但這總不像親眼目睹精彩比賽在眼前上演那樣令人興奮。

雜貨店等其他零售環境利用自助結帳亭減少等候的時間，但販售比賽日熱狗和啤酒等無條碼商品的商家，就非得仰賴人力收銀員不可。可惜的是，人手短缺拉長了顧客等候的時間。

大排長龍往往會導致銷售損失；但如今，Mashgin 等零接觸結帳體驗創造者所開發的 AI 驅動自助結帳，正在透過人工智慧（AI）、電腦視覺和物件辨識功能來解決問題，執行銷售點交易。

透過自助結帳亭顛覆傳統

和大多數創新一樣，Mashgin（代表「通用智慧的混搭」）的靈感來自個人經驗。2013 年，Mashgin 創辦人 Mukul Dhankhar 在荷蘭的 Toyota 電腦視覺實驗室從事自駕車和人形機器人的研究工作。每天下午，他都會到公司內部的自助餐廳買個沙拉和無酒精飲料，無奈結帳總要等到天荒地老，因為公司的每個人午餐時段都一樣是那兩小時。

排隊等候的 Dhankhar 心想：「我可以解決這個問題。」而他也做到了。Mashgin 的零接觸結帳系統以電腦視覺和深度學習為基礎，使用多部攝影機辨識產品及結帳。顧客將所有商品都放在結帳托盤上。搭載 Intel^® 處理器的系統可產生產品的 3D 影像，與庫存資料庫比對，在不到一秒的時間就將整個托盤的商品都結好帳。沙拉等需要秤重的商品則置於結帳亭的磅秤上。顧客用信用卡、簽帳卡或現金付款後就能離開（影片 1）。

影片 1。AI 驅動的物件辨識打造了能加速交易並改善顧客體驗的自助服務結帳。（資料來源：Andy Peacock）

即使是 Mashgin 資料庫中尚未儲存的商品也能輕鬆掃描至系統。「教會機器辨識一件大約只需 30 秒，」Mashgin 行銷副總裁 Toby Awalt 表示。 「不同攝影機會拍攝不同姿勢，形成一系列的影像，以便打造 3D 設定檔。神奇之處在於，只要拍幾張照就能辨識出物件。然後，這份資料會傳送至網路中其他所有機器，每部機器都會變得更智慧。」

Mashgin 短短 15 分鐘就成功部署系統。Awalt 表示，市場整備工作至關重要，因為勞工問題對零售商而言是個重大議題。「千真萬確，我們只是把機器放在櫃枱上、核對帳目，就可以啟用了，」他說。

安裝完成後，Mashgin 以「結帳即服務」的模式運作。「我們負責硬體保固、支援、演算法更新等，」Awalt 表示。一如其他結帳系統，Mashgin 收集即時銷售資料，協助零售商追蹤庫存及維持供應水準。

未來的智慧零售解決方案

透過降低平均結帳時間，便利商店、自助餐廳、機場商店和體育館餐飲區等高人流商家，可大幅減少排隊、改善顧客體驗。

舉例來說，美式足球隊丹佛野馬的主場 Mile High Stadium 即將 30 台的 Mashgin 結帳亭整合至其餐飲服務系統。部署解決方案後，這個可容納超過 76,000 名球迷的體育場整體通過速度提升 100％，餐飲區的銷售額增加 34％。中位交易時間縮短至不到 15 秒。

「我們知道每個體育館都有排隊問題，」Awalt 說。「我們正在協助他們促進銷售，打造更完善的粉絲體驗。使用 Mashgin，你可以在前台安排一人檢查身分，後台指派一人確保所有飲料都已開啟、瓶蓋皆已打開，」Awalt 表示。「在前台與後台之間可以放置兩到十台機器，處理繁重的交易工作。」

Awalt 表示，便利商店連鎖店 Circle K 在店內設置了 10,000 台 Mashgin 機器，協助因應員工流動率的問題。這個解決方案讓讓員工可以騰出時間，專心提供客服或處理補貨或清潔商店等工作。

「我們的機器比一般收銀員快兩到四倍，」Awalt 表示。「在便利商店，只要把兩台機器擺在櫃枱上，結帳的顧客就能從一人變成五人。員工可以對顧客說：『嗨，那裡的結帳機可以協助您結帳。如果要買樂透彩券，請至前台收銀機由我效勞。」

評為《Fast Company》2022 年最具創新力公司和《Forbes》AI 50 名單之一的 Mashgin 正在推動零售業的未來，為顧客提供更好的體驗，同時維護零售商的銷售業績。有朝一日，體育館內唯一需要排隊的地點會是女子洗手間。

本文由 insight.tech 編輯副總監喬治妮．貝內施（Georganne Benesch）編輯。

隨著網路購物的出現，零售業的數位轉型已持續很長一段時間。數位化商店讓消費者獲益匪淺，舉凡個人化、唾手可得的豐富產品資訊，以及便利的一鍵購物。從商業角度來看，它為企業提供符合成本效益的客戶取得方式、對銷售管道無與倫比的洞察力，以及執行精準定位的行銷能力。

但數位轉型工作忽略了一件事，那就是納入實體商店。這個年頭，由於顧客網購經驗良好，他們的期望也無以復加地高，但離線零售商店的服務卻遠遠落後。

「在網路商店，零售商必須進行受眾測量、目標受眾設定行銷，以及在對的時間提供對的產品，否則顧客就會離開，」數位招牌與訪客分析軟體開發商技術長 Alex Rekish 表示。「但在實體商店，這些都不存在。缺乏可衡量性使得離線銷售過程昂貴且效率低下，導致顧客的店內體驗不佳。」

因此，品牌和零售商無不想方設法要協助實體商店急起直追，迎頭趕上網路商店。所幸，隨著電腦視覺的進展，現已能實現 AI 支援的數位招牌解決方案。

邊緣支援解決方案提供深入見解，將銷售業績推向巔峰

AI 支援的數位招牌已成為數位轉型的強大工具，因為它可以將多項尖端技術整合為易於管理的單一平台。舉例來說，DISPL的智慧零售解決方案包括：

• 控制店內顯示器的智慧媒體播放器。跨平台的播放器軟體可安裝於 DISPL 硬體或任何廣播顯示面板、LED 等內容的媒體播放器裝置。
• 提供顧客行為洞察力的電腦視覺處理。USB 攝影機擷取顧客影像，以便進行電腦視覺處理。邊緣的 AI 支援演算法可用來深入瞭解顧客的人數統計資料、購物行為與參與度，並透過店內顯示器向個別顧客即時展示相關且具針對性的內容。在資料隱私法嚴格的地區，使用電腦視覺與邊緣 AI 也意味著沒有必要收集敏感的個人化資料或傳送至別地處理。
• 網頁型 CMS（雲端或內部部署）可協助零售商管理內容和硬體網路，以及檢視所收集的資料。CMS 可將自訂內容顯示給不同購物者，或在不同的時間和地點顯示。它也提供一個儀表板，供決策者查看人口統計資訊、轉換指標和顧客參與度資料，以最佳化店內顯示器與空間佈局，進而促進銷售。

這些技術的結合可協助零售商和品牌將商店顯示器轉為強大的智慧工具，能夠取得顧客洞察力、增加銷售量，並改善購物者的店內體驗。

迅速改善的 AI 數位招牌

部署完成後，AI 數位招牌可迅速改善銷售量和顧客體驗。信不信由你，原因是大多數品牌和零售商已上線多年，早就熟悉如何使用這些「新」功能。

正因如此，他們的行銷和銷售團隊非常瞭解如何使用數位技術提供有針對性的訊息傳遞、根據顧客個人檔案最佳化顯示內容，以及 A/B 測試媒體。有別以往的是，這些功能也首次可供品牌在實體地點使用。由於企業已知道如何在網路使用這些工具，這表示實體店的改善幾乎可以一夕之間實現。

一個好例子是 DISPL 在歐洲與兩家電子產品零售商的經驗。

總部設於賽普勒斯的 Acean 和希臘規模最大的消費電子產品零售商 Kotsovolos 都在想方設法，要將線上業務流程套用在實體店。兩家公司有著類似的目標。Acean 想瞭解實體店的行銷漏斗和受眾，並最佳化店內行銷，以推動銷售量。Kotsovolos 想使用店內螢幕進行分析，並根據個別購物者的人口統計資料向顧客顯示具針對性的訊息。

DISPL 與 Acean 和 Kotsovolos 合作，量身打造其 AI 數位招牌解決方案的部署。成效立竿見影。Acean 將 44% 的訪客轉換為參與的潛在客戶，銷售量也因而成長 15%。就 Kotsovolos 而言，訪客參與度大幅成長。令該公司印象深刻的是，他們在數週後將初步試驗部署的螢幕從 16 台擴充至 100 台，並表示這項體驗協助其轉變對針對性訊息和實體店角色的思維。

為了取得這些改善並將產品迅速有效地推向市場，DISPL 採用 Intel 電腦視覺技術。

「Intel^® 發行版 OpenVINO^™ 工具組協助我們訓練神經網路、最佳化演算法，並透過加速開發來縮短上市時間，」Rekish 表示。「此外，如果顧客有此需求，Intel 軟體開發工具可協助我們更快推出新功能。」

AI、數位招牌和零售業的未來

Rekish 認為，DISPL和其他 AI 數位招牌供應商由於才剛起步，在未來數年將有大量的開發工作和功能需求要處理。

一方面，在其他垂直領域和產業中（從智慧城市和博物館到銀行業、安全性和物流），系統整合商和解決方案開發商將有機會參與 AI 數位招牌的應用。

此外，零售空間將進一步增強。舉例來說，DISPL 已設法使用 AI 自動進行 A/B 媒體測試，並利用電腦視覺簡化受限產品的銷售點年齡驗證。

簡而言之，無論是在零售空間的內或外，AI 數位招牌對解決方案供應商、SI 和品牌來說都具有無窮的可能性。

「能實現 AI 數位招牌解決方案的方式何其多，這項技術的應用領域將遠遠超越零售業，」Rekish 表示。「放眼未來，實體店的營運方式會更像網路商店，節省成本、提供更輕鬆的顧客體驗，並讓實體世界比以往更具互動性。」

本文由 insight.tech 編輯副總監 Christina Cardoza 編輯。

都會鐵路運輸讓我們的城市更宜居，且能永續發展。然而，鐵路營運商發現，大規模運輸系統在發展初期遇到了許多困難。結合 QR 代碼和票卡的自動收費（AFC）系統就是一個很好的例子。鐵路營運商轉為使用 AFC，來解決乘客增加所帶來的諸多問題，包括票務機面臨的瓶頸、過度擁擠所帶來的安全問題，以及因大量且雜亂無序的乘客所導致的效率低落問題。

而雖然 AFC 解決方案已改善人工售票的困境，但仍有許多挑戰。

大眾運輸 AFC 解決方案製造商 Huaming 的銷售總監 Hukemei 表示：「票卡使用效率不彰，而 QR 代碼的系統有個很大的問題，就是在訊號差、或是乘客手機沒電的時候就無法運作。」「此外，目前解決方案採用的大部分硬體並不堅固，所以當這些系統遇到都會鐵路中常見的極高溫和強烈振動時，就會導致問題。」

一直以來都未有更好的替代方案。而現在，AI 電腦視覺技術、針對特定目的而打造的邊緣 AI 硬體，以及 AI 軟體開發工具組（SDK），實現了支援手掌靜脈辨識的新型 AFC。這類解決方案可以讓都會鐵路運輸更安全、更簡單且更有效率。而這種生物識別技術也能應用於其他情境中。

邊緣 AI 提供技術，可應用於生物識別票務機

手掌靜脈辨識是一項高科技，但主要優勢是來自於人體生理學。人類手掌的靜脈紋和指紋一樣具獨特性，且會在成年後保持紋路不變。當然，相較於智慧型手機，手掌辨識並不需要依賴行動網路或電池。因此，手掌靜脈辨識非常適合用於生物識別：它們能保持一致性，難以造假，而且「一直在可用狀態」。

但若要能利用這些生物優勢，就需要一定的技術純熟度。Huaming 的 AFC 解決方案結合數種邊緣 AI 技術，能為都會鐵路營運商提供全方位的售票系統。

乘客首先需在客服機台註冊自己的手掌靜脈紋。這可將生物識別資料與其使用者資訊連接，乘客就能在智慧剪票口使用手掌識別與自動付款功能。

乘客進入月台時，只要手放在掃描器前方即可，掃描器會運用近紅外光線擷取手掌靜脈影像。邊緣 AI 裝置會執行特徵擷取、加密和壓縮，然後將產生的資料傳送至邊緣伺服器，對比是否相符。平均而言，約十分之一秒即可完成驗證。

為 AI at the Edge 打造的硬體和軟體

從乘客角度而言，手掌靜脈辨識就和伸出手一樣簡單。但背後則有許多複雜運算在進行。

「對乘客而言，生物識別 AFC 解決方案必須用起來順暢無礙，對鐵路營運商而言則必須保持高度穩定」Hukemei 表示，「但這就需要執行複雜的電腦視覺和 AI 處理工作，這是邊緣技術且需大規模進行，容錯空間極小。」

為了開發可邊緣提供處理高效能 AI 的解決方案，Huaming 運用了多項 Intel 技術：

• Intel Atom^® X6000E 處理器讓邊緣 AI 裝置如虎添翼，提供高效能電腦視覺和邊緣 AI 處理平台，即使在極端條件下也能正常運作，十分可靠。
• Intel^® Xeon^® 處理器可於邊緣 AI 伺服器中處理特徵配對，而處理器內建的 Intel^® AVX-512 指令集可協助將大規模特徵配對最佳化。
• Intel^® OpenVINO^™ 工具組推斷加速藉助於近 4X 和顯著降低的推斷錯誤率，可改善手掌靜脈特徵擷取模型的效能。
• Intel^® Feature Matching Acceleration Library 可用於實現大眾運輸 AI 生物識別解決方案所必需的大規模特徵配對。

結果產生的穩定且高效能邊緣 AI 解決方案，在最嚴苛的條件下也執行良好。「Intel 處理器是 AI at the Edge 的絕佳運算平台。」Hukemei 表示，「而 Intel 的 AI 加速工具和模型能大幅加速開發工作，並縮短上市準備時間。」

不只是都會運輸：AI 生物識別技術的其他應用情境

在未來幾年，以手掌靜脈識別為基礎的 AFC 解決方案將吸引系統整合商（SI）的極高興趣。此技術效率佳且十分穩健。更棒的是，此技術可於現有的自動剪票口功能上實作。舉例來說，Huaming 的解決方案可讓乘客選擇使用舊式票卡、QR 代碼或手掌靜脈識別。在實作上，城市規劃人員和都會鐵路營運商不需二選一、非此即彼，且對 SI 而言更容易進行銷售。

且除了大眾運輸以外，以手掌靜脈識別為基礎的 AI 生物識別技術也可應用於其他使用案例中。此技術具有多項普遍具有吸引力的優勢：安全、感應式的身分識別功能；錯誤辨識和錯誤拒絕率低；以及支援資料收集和分析的基礎運算平台。

「這些可能性令人十分相當令人振奮」，Hukemei 表示。「我們期盼將此技術應用於智慧運輸、智慧社區、智慧文化旅遊等其他形式。藉此提升我們城市的安全、健康與效率。」

由 insight.tech 編輯副總監 Georganne Benesch 編輯。

開車出入停車場應該不是難事，只是有時可能會帶來令人挫折甚至尷尬的問題。例如在前往英國的旅途中，當我將代幣投入出口機器時，車子突然熄火了。電梯門關上，其中一名乘客只能跑到兩層樓之上的服務台索取另一枚代幣。

要是那天能使用智慧停車系統就好了。和我遭遇相同經歷的人不計其數。停車系統讓大多數的駕駛都吃過閉門羹。常見的問題是前面排了好幾輛車，不得不等待收費員收取通行費或檢查授權車輛清單。自助收費亭和無線射頻識別系統等解決方案讓車輛得以前行，但我上述遭遇的情況還是履見不鮮。

「我家那棟樓其實是使用無線射頻識別系統管理停車場出入，」總部位於杜拜的全球物聯網解決方案公司 Disrupt-X 產品長 Alhamade Abelgadir 表示。「有時讀卡不易，所以我必須開窗或下車。」駕駛把無線射頻識別卡弄丟、必須換張新卡的事也時有所聞。

Disrupt-X 在其平台開發了一款名為 Cognitive Neurons 的智慧停車解決方案。它結合 ANPR（自動車牌識別）技術，其使用電腦視覺和 AI 演算法識別出入停車區域的車輛。

置於出入口的攝影機會讀取每輛車的車牌號碼，與授權車輛的資料庫進行核對再開門。整個流程只需一、兩秒。遠比警衛手持寫字夾板檢查車輛更有效率。也比 Abelgadir 熟悉不過的 RFID 感應器事半功倍。

智慧停車 IoT 平台的實際使用情形

Disrupt-X 平台提供了一整套的物聯網解決方案，而 Cognitive Neurons 應用程式只是其中之一。

「大多數的物聯網平台著重於支援應用程式，」Abelgadir 表示。「企業採購平台時，仍需要進行投資，建置使用案例。因此，額外成本很多。」Disrupt-X 截然不同。應用程式為內建，客戶可以一次啟動一個。如此一來能壓低成本。

「我們不對存在的應用程式向客戶收費，而是對客戶使用或連結至該平台的裝置收費。基本上可以說我們建構的是物聯網解決方案的超大規模雲端服務商，」 Abelgadir 表示。

ANPR 為一項優先專案，因為它滿足了杜拜和鄰近城市的迫切需求。氣候炎熱、交通堵塞，加上空間狹小，對停車造成莫大的挑戰。

「杜拜本身是一座相當擁塞的城市，陸地面積稀少，」 Abelgadir 如是說。許多大樓有位於地下室或高樓層的內部停車場。人工停車系統不僅效率低下，也對安全構成挑戰。追蹤車輛進出的記錄容易發生人為錯誤，有時為了方便請見，警衛可能會放行未經授權的車輛。

Cognitive Neurons 攝影機會捕捉每台進出車輛的車牌號碼。它能防止尾隨：緊貼前方車輛，規避偵測。即使車輛成功通過，如果不在白名單上，系統也不會讓它離開，而且會引發安全警報。

Abelgadir 表示，為了保護住戶的隱私，Disrupt-X 最大限度地減少平台收集的個人識別資訊（PII），將其與其處理的其他資料隔離。

另一項經濟實惠的做法涉及在內部開發許多解決方案元素，並使平台盡可能高效。舉例來說，現場部署一部搭載 Intel 技術的小巧伺服器，執行 8 到 10 台用於 ANPR 的攝影機。

與日俱增的物聯網使用案例

除了 Cognitive Neurons 的智慧 ANPR 應用程式，Disrupt-X 也提供諸多智慧大樓與智慧城市功能，例如環品質監測和預測性機器維護、漏水偵測、資產追蹤、遠距通訊技術、停車車位佔用追蹤，和人孔蓋監控。

「我們正陸續增加項目。也有相當有趣的使用案例，例如嚙齒動物監控。我們使用傳應器來實際識別大樓內哪些地方可能有囓齒動物出，」 Abelgadir 表示。

客戶只要投資平台，就能存取任何可用的應用程式。他補充道：「如要利用那些使用案例，客戶必須將硬體或裝置連結平台，開始接收資料。如此一來便能親眼見證使用案例。」

Disrupt-X 的目標是在實用性與負擔成本之間取得平衡。Abelgadir 表示類似的解決方案花費可能要四到五倍。「您付出的錢該有道理可言，您也該從中獲得回報，」他說。

他表示，在杜拜和周邊地區，客戶要先看到技術的價值才會願意接受：「也因為如此，我們才會這麼著重成本以及它所帶來的價值。」壓低成本也表示要讓大眾更容易採用，此外簡化使用者體驗即可將訓練減至最少，讓使用者按個兩三下就能完成任務。

Intel 是我們的關鍵夥伴，Abelgadir 表示：「他們提供了一套卓越的技術，以便我們開發解決方案。」其中包括了軟硬體堆疊和 Intel^® OpenVINO^™ 工具組，為電腦視覺開發與功能提供支援。

「從商業角度看，與 Intel 合作讓我們有更多機會接觸他們廣大的合作夥伴、客戶和經銷商生態系統，」Abelgadir 說。

隨著 Disrupt-X 開發更多智慧城市與大樓應用程式，也驗證了這種接觸有其價值。展望未來，技術將著重於透過資料分析和自動化，有效率地使用能源與其他資源。Disrupt-X 平台會透過多款應用程式支援這些目標：用於設備管理的遠距資訊處理、資產追蹤和其他智慧大樓解決方案。

由 insight.tech 編輯副總監 Georganne Benesch 編輯。

統計資料顯示，發展中國家每十萬人中只有一名放射科醫師，這會使捕捉及分析 X 光影像成為診斷醫療保健的一大瓶頸。問題不僅在於專業人士短缺，基礎設施的差距也是費解的難題。在設備齊全的美國醫院，放射科醫師可能每天分析 200 張以上的 X 光片；在資金不足、設備落後的印度農村醫院，每天分析 100 張 X 光片都不容易。

而放射科醫師要做的不僅是分析 X 光。他們總是得在兩難的情況下當機立斷，決定在 X 光、CT 和 MRI 等形式之間分配時間，尤其是醫院要求他們優先處理 CT 和 MRT 掃描時更是如此。總總的一切都會導致未經檢查的 X 光片堆積成山。

為了因應這些問題，基於 AI 臨床支援（CDS） 工具等放射學先進技術正一一出現，協助放射科醫師更快診斷 X 光片，而不必犧牲品質。

臨床決策支援的好處

臨床支援工具正如其名，旨在協助臨床醫師分析影像及作出決策。這些工具可以有許多形式，例如基於規則的系統、對應型系統、生產力或自動化系統。

過去十年中，基於 AI 工具在幾乎所有可能受益於電子健康記錄（ EHR）和其他臨床資料之自動化分析的醫學領域都已嶄露頭角。成長如此快速，有部分的原因是使用 AI 審查患者資料的成本降低，以及 FDA 等當局發布新的監管指南，為廣泛採用 CDS（特別是 AI）鋪平道路。

然而，雖然 AI 輔助影像的成本在過去十年大幅降低，但對相對貧困的地區而言，這項技術仍然遙不可及。一部分的原因在於 AI 放射學解決方案著重於肺結核或囊性纖維化等特定診斷。倘若要有完整的診斷套件，診所必須要有多套 AI 解決方案，而成本也會因此提高。

聚焦於特定疾病的做法也限制了工具節省放射科醫師（特別是在處理 X 光片方面）時間的能力。「患者進行胸部 X 光檢查時，你不知道他是患有 A 病還是 B病，」L&T Technology Services（LTS）醫療業務部門數位健康倡議負責人 Mukundakumar Chettiar 解釋道。「胸部 X 光片一般作為篩檢工具，所以你未必知道自己在找什麼病症。」

對通用系統的需求

LTTS 開發了一款名為 Chest-rAI 的通用 X 光 CDS 工具，旨在提供更全面的 AI 輔助影像方法。Chest-RAI 不是要尋找特定疾病，而是要檢查 X 光是否存在廣泛的異常和潛在的生物標記。這套工具涵蓋了醫療機構 85% 以上的診斷，準確率超過 92 % 。

為了達到這些數字，Chest-RAI 利用名為「卷積注意力的句子重構和評分」（Convolution Attention-based sentence Reconstruction and Scoring，CARES）的新型深度學習架構。Chettiar 表示，CARES 從放射影像中擷取特徵，並產生在語法和臨床上正確的報告，說明其發現的結果。Chest-rAI 也使用名為「放射學發現品質指數」的獨特評分機制，評估確切的放射性發現結果、定位，並確定報告中每個術語的大小/嚴重程度。

此外，Intel^® AI 分析和 OpenVINO^™ 工具組用來最佳化推斷管道及將分析週期從大多數情況下的八週減為短至兩週，而放射科醫師可以使用網頁型的介面遠距存取報告。Intel^® Extensions for PyTorch（IPEX）也用於最佳化效能。自動化報告、快速周轉時間和遠端存取的結合，大大提高了放射科醫師滿足服務不足人群需求的能力。

「使用 Intel 工具組協助團隊將推斷速度加快 1.84 倍，將周轉時間減少 75 % ，」LTTS AI 工程師 Nandish S. 表示。「它也協助模型尺寸減少近 40 % 。」

由於 Chest-rAI 高度最佳化，因此能以多種形式部署：在雲端、在內部解決方案，或作內嵌解決方案在邊緣部署。如此一來，醫院便能依照自身的預算和現有的基礎設施靈活採用解決方案。

Chest-rAI CDS 能與現有的醫院系統輕鬆整合，可作為獨立應用程式或更大系統的環節之一。整合流程的設計簡易，在與 影像封存與通訊系統（PACS）和放射資訊系統（RIS）等醫院系統相結合時，CDS 能在幾天內啟動運行。

更智慧、更經濟實惠的放射解決方案

過去十年以來，基於 AI 的工具已在眾多領域帶來顛覆性的變化，在許多應用中推動更完善的成果，例如乳癌篩檢、糖尿病視網膜病變、皮膚病變分類、感染性休克預測等。

雖然放射學技術日新月益，但放射科醫師的工作量成為醫療保健系統的瓶頸，在發展中國家尤其如此。現有的工具過於狹隘，無法滿足 X 光等廣泛篩檢形式的需求。隨著 LTTS Chest-rAI 等更通用的工具出現，放射科醫師如今擁有一套既能省時又能為更多人服務的工具，這正是許多農村醫院所需要的。

本文由 insight.tech 編輯副總監 Christina Cardoza 編輯。