医用画像処理における真のボトルネックはモデルではなくデータにある

パートI — 問題点

4つの分野、1つのボトルネック

病院や医療システムは生のデータ（素材）を生成します。放射線医学は、医療AIの中でも最も厳しく規制されている分野です。2024年半ばまでにFDAが承認した約950のAI/ML対応デバイスのうち、約723（約76%）が放射線医学ツールでした。ほとんどのツールは特化型で人間が監視し、トリアージ、測定、再構成、またはワークリストの優先順位付けを行います。病院における本当の困難は、モデル自体にあることは稀です。問題は、データがPACSやベンダーニュートラルなアーカイブにロックされており、画像を閲覧者に提供するために構築されているため、研究の質問に答えるようにはできていないことです。コホートを抽出するということは、臨床システムから画像を抽出し、それらを非識別化し（PHIはDICOMヘッダーに隠れており、ピクセルに焼き付けられています）、それらを使用するための計算リソースを見つけることを意味します。モデルは簡単な10%に過ぎません。

学術医療センターは、ほとんどのオープンサイエンスが行われる場所です。この分野の進歩の多くは、MIMIC-CXR（377,110枚の胸部X線写真）、The Cancer Imaging Archive、fastMRI、UK Biobankの画像部門といった共有データセット、およびMONAI、nnU-Net、3D Slicerなどのオープンツールに負っています。学術界はまた、この分野の信頼性の問題も露呈しています。深層学習と臨床医による画像研究に関する有名なBMJレビュー（Nagendranら、2020年）では、81の研究のうち、前向き研究または実際の臨床環境でテストされたものはごくわずかであり、93%と95%の研究でコードとデータが利用できませんでした。この再現性の問題は、画像データの共有と再実行がいかに困難であるかに直接起因しています。

メドテックおよびデバイス企業（GE HealthCare、Siemens Healthineers、Philips、Canon）は、AIをスキャナーに直接組み込んでいます。スキャン時間を短縮する深層学習再構成、線量低減、デバイス上でのトリアージなどです。彼らの最も困難な問題は汎化です。あるベンダーのスキャナー、磁場強度、プロトコルでトレーニングされたアルゴリズムは、別のベンダーのものでは静かに性能が低下する可能性があります。現実世界を代表する複数サイトのトレーニングデータをキュレーションし、510(k)およびPMA経路を通じて規制当局に証明することは、参入障壁であり、コストでもあります。

製薬およびバイオテクノロジー企業は、画像を測定機器として扱います。腫瘍学の治験は、RECIST、iRECIST、RANOのような標準化された反応基準に依存しており、サイトバイアスを排除するために中央で盲検的に読影されます。定量的画像バイオマーカーは、サイズベースの測定よりも早く薬剤反応を検出できます。測定がサイト、スキャナー、時間を通じて同じ意味を持たない限り、これらは機能しません。そのため、RSNAのQIBAは、取得と分析を規定された精度に固定するプロファイルを策定しています。変動性は治験エンドポイントの敵です。

4つの異なる業務、1つの共通のボトルネック。ピクセルはどこにでもあるが、どこからもクエリできない。

なぜコラボレーションがすべてであり、なぜそれがこれほど難しいのか

単一の機関だけでは、汎化するモデルを構築するのに十分な多様なデータを保持していません。これまでの最も強力な共同研究がその点を証明しています。EXAM研究（Nature Medicine、2021年）では、20の機関が、患者データを互いに移動させることなく、胸部X線写真とEMRデータからCOVID-19の酸素必要量を予測する共有モデルをトレーニングしました。モデルの重みのみが移動し、フェデレーテッドモデルは、単一サイトモデルと比較して、AUCで平均16%、汎化性で38%向上しました。その仕組みは、聞こえるほど異質なものではありません。各サイトがローカルでトレーニングし、コーディネーターがデータではなくモデルの重みを平均化し（古典的なフェデレーテッドアベレージングの手法）、セキュアアグリゲーションと差分プライバシーによって、いずれかのサイトの記録がこれらの重みから再構築されるのを防ぎます。

それが期待されることです。現実には、技術的な理由ではなく構造的な理由から、コラボレーションは本当に困難です。

• データ異質性。異なるスキャナー、プロトコル、ラベリング規則は、「同じ」検査がしばしばそうではないことを意味します。フェデレーテッドモデルは、バッチ正規化平均化やサイト認識型ハーモナイゼーションなどの手法で意図的に設計されない限り、この非IIDで取得スキューのあるデータでは性能が低下します。
• プライバシーとガバナンス。すべての機関横断的な研究には、サイトごとのIRB承認、データ利用契約、および防御可能な非識別化が必要です。
• 共通基盤の欠如。MIDRC（ACR、RSNA、AAPMが共同で主導）のようなコンソーシアムが存在するのは、取り込み、キュレーション、非識別化、ラベリング、共有があまりにも困難であるため、国家的な取り組みが必要だからです。

画像分野におけるコラボレーションは、あれば良いというものではありません。それは、トレーニングされた建物外で機能するモデルへの唯一の道であり、その実現はほとんどデータ基盤とガバナンスによって制限されています。

この分野外のほとんどの人が決して目にしない複雑さ

人々が「医用画像」と言うとき、通常は胸部X線写真を思い浮かべます。現実には、汎用データツールが対応できないほどの多様なフォーマットとスケールが存在します。

「医用画像」は単一のものではなく、フォーマットとスケールの宝庫です。研究アーカイブはペタバイト規模に達し、大規模な非識別化自体が独立した研究分野として発表されています。

研究を静かに破綻させる第二の種類の複雑さがあります。それは、数値自体がサイト間で比較可能ではないことです。2つのスキャナーと2つのプロトコルで測定された標準化された取り込み値や腫瘍体積は、同じ測定値ではありません。これが、定量的画像診断がQIBAプロファイルや放射線ゲノミクス特徴のIBSI定義のような標準に依拠する理由であり、生の精度ではなく再現性が通常失敗する原因である理由です。

JPEGのフォルダを扱うツールでは、これらすべてを処理することはできません。これが、画像データがゲノミクスやEHRデータに比べて分析準備が遅れている大きな理由です。

画像はより大きな問題の最先端

画像だけに焦点を当てると見落としがちなことですが、ここでのすべてはR&Dの他の分野にも当てはまります。画像は、データが最も大きく、最も特殊であるため、問題が最初に現れる場所です。

今日、ライフサイエンスR&D組織に入ってみると、真のフロンティアは単一のデータタイプではありません。それは、それぞれ独自のフォーマットとサイロを持つマルチオミクス（ゲノミクス、トランスクリプトミクス、プロテオミクス、メタボロミクス）です。それは、実世界データと臨床試験データ、EHRとレジストリと波形です。それは、メディカルアフェアーズと文献です。プログラムを実際に動かす質問、つまりどの患者が反応し、なぜ反応するのか、画像と分子シグネチャと結果が合わせて何を語るのか、といった疑問は、これらのドメイン間の結合部に存在し、いずれかのドメイン内にあるわけではありません。

これらのデータタイプはすべて、画像データと同じ問題を抱えています。それらは豊富で、高次元で、ほとんどが非構造化されており、ドメイン固有のシステムに閉じ込められ、ガバナンスが難しく、リンクするのがさらに困難です。全スライド画像、ゲノム変異コール、治験エンドポイントは、それぞれ単独でも十分に困難です。価値は、それらを同じ文脈に置くことから生まれます。それはAIの問題である以前にデータ基盤の問題であり、チームが最も過小評価している点です。

これは医療だけの話ではありません。AI予算が増加し続ける一方でリターンが得られない理由に関する最近のベインの分析では、データアクセスと統合がAIに対する最大の障壁であり、企業の41%がこれを挙げ、遅れている企業よりもリーダー企業の方がさらに頻繁に指摘しています。彼らの率直な見解は、ほとんどの組織が依然として自社のデータに確実にアクセスできないということです。医療分野では、この問題から目を背けることがより困難になります。

パートII — 基盤

ここからが具体的でより技術的な内容になります。プラットフォームを構築していない読者にとっては、要するにシンプルです。すべてを一元的に管理し、ピクセルをクエリ可能にし、大規模に非識別化し、画像を患者の他のデータとリンクさせることです。このセクションの残りの部分は、その方法について説明します。

データ基盤が実際にすべきこと

分野固有の要素を取り除くと、要件は同じになります。プラットフォームは以下のことを行う必要があります。

1. 非構造化画像ファイルとその抽出されたメタデータを一元的に管理し、規制当局の質問に耐えうるアクセス制御、リネージ、監査可能性を備えること。
2. ペタバイト規模、ギガピクセル、多次元データ（2D X線、3D CT/MRIボリューム、4D動態研究、ギガピクセル病理スライド）を、システムが停止することなく処理します。
3. ヘッダーとピクセルの両方で、大規模に匿名化します。
4. 画像データをEHR、ゲノミクス、波形、テキストとリンクさせ、単一の研究課題がこれらすべてにアクセスできるようにします。
5. 機関間の共有を、6ヶ月間の交渉ではなく、設定ステップにします。

これがレイクハウスの形です。Databricksで機能するパターンを使用して、実際にどのようにマッピングされるかをご紹介します。

Pixelsのためのメダリオンアーキテクチャ

画像データを扱いやすくする思考モデルは、チームが表形式データにすでに使用しているメダリオンパターンと同じで、バイナリファイル向けに適合されています。

• Bronze: 生の調査データはまず、アクセス制限されたクラウドオブジェクトストレージまたはVolumeに格納され、そこで他の何よりも先にヘッダーとピクセルに対して匿名化ジョブが実行されます。匿名化されたファイルは、Unity Catalog Volumesの管理されたブロンズ層を形成し、ファイルごとに1つのカタログ行が作成されます。Auto Loaderがインクリメンタルな到着を処理するため、新しい調査データは不安定な夜間バッチではなく、継続的に流入します。
• Silver: テキスト値のDICOMタグはDeltaテーブルに抽出され（ピクセルデータのようなバイナリブロブはファイルに残ります）、ファイル内に閉じ込められていたメタデータがプレーンなSQLでクエリ可能になります。これは、「ビューアで開ける」状態を「アナリストがクエリできる」状態に変えるステップです。オープンソースのPixelsアクセラレーターはまさにこれを実行し、ファイルを並行してカタログ化し、タグを大規模に抽出します。
• Gold: 厳選され、分析準備が整ったコホートで、臨床およびオミクスデータと結合され、トレーニング、BI、または規制当局向けの調査に使用できます。

これが簡単ではない理由はスループットです。DICOM解析ライブラリはシングルコアであるため、それらを分散させることが鍵となります。実際には、クラスター全体で解析を分散させるためにpandas UDFとmapInPandasを使用するか、カスタムのSparkデータソースを使用します。Pixelsチームが公開した研究では、zipdcmデータソースがzipアーカイブからDICOMメタデータをメモリに直接読み込み、元のファイルを圧縮されたままにしています。これにより、2つの8コアワーカーで約3.5分で107,000以上のDICOMをカタログ化し、以前のアプローチよりも約7倍高速でした。ボトルネックはディスクおよびネットワークI/Oから純粋なCPU解析に移行し、これはまさにクラスターが得意とすることです。

監査に耐えうるガバナンス

画像データは究極の非構造化データガバナンス問題であり、ほとんどのプラットフォームが静かに失敗する要件です。Unity Catalog Volumesは、S3、ADLS、またはGCS内の生ファイルを3レベルの名前空間で管理し、抽出されたメタデータはDeltaに格納されます。両者は、データでトレーニングされたモデルにまで及ぶ単一のアクセス制御およびリネージモデルの下にあり、これにより数ヶ月後に「このコホートに誰が触れ、何がそれから構築されたのか」という問いに答えることが可能になります。行および列レベルのセキュリティと属性ベースのルールにより、組織は匿名化されたメタデータを広く公開しつつ、基盤となるピクセルを厳重に保護できます。

匿名化は、ここで現実のものとなります。ヘッダーのPHIは、フォーマット保存型暗号化によって処理されるため、同じ患者識別子は常に同じ仮名にマッピングされます。この詳細は見た目以上に重要です。つまり、患者のCTスキャンを、実際の識別子を公開することなく、データセットを横断して病理データや検査データにリンクできるということです。DICOM標準の機密性プロファイルは、何を削除し、何を保持するかを定義しています。より困難な問題は、ピクセルに焼き付けられたPHI、つまり超音波画像やスキャンされたフォームに埋め込まれた患者名です。Presidioのような従来のツールはフリーテキストをうまく処理しますが、画像を見落とします。この焼き付けられたPHIの除去は活発な研究課題であり、最近の研究では、視覚言語モデルがOCRのみのパイプラインよりもその検出と隠蔽において優れた性能を発揮することが示されています（Lee et al., Radiology 2025）。また、DICOMメタデータのサニタイズと焼き付けられたテキストに対するターゲットOCRを組み合わせた本番環境での匿名化手法は、10種類のモダリティにわたる数十万枚の画像で検証されています（Macdonald et al., 2024）。ピクセルについては、PixelsチームはOCRとVLMを組み合わせ、pandas UDFで分散実行される視覚言語モデルパイプラインを公開しました。MIDI-Bベンチマークのバランスの取れたサンプルでは、GPT-4oとClaude 3.7 Sonnetがほぼ100%のリコールと精度を達成し、オープンなLlama 4 Maverickはコストの一部で100%のリコールを達成しました。そしてSparkは、1,000フレームの匿名化時間を105分から6分に短縮しました。チームはさらにこれを推進するため、より軽量なVLMのみのアプローチも模索しています。

同じ管理されたデータ上でのトレーニングと提供

ピクセルがクエリ可能で管理されるようになれば、ML層はもはや難しい部分ではありません。セグメンテーションモデルと分類モデルは、MLflowモデルと同じカタログに登録され、トレーニングに使用された正確なコホートへのリネージが保持されます。画像処理に特化して、NVIDIA MONAIとVISTA-3D（127の解剖学的クラスをカバーする基盤セグメンテーションモデル）が自動セグメンテーションとファインチューニングに組み込まれ、Databricks AppにOHIFビューアが埋め込まれているため、放射線科医や病理医はプラットフォームのセキュリティモデルの下でレビュー、修正、再ラベル付けを行うことができます。

MONAI Labelのアクティブラーニングループは、各修正が次のバッチを改善することを意味し、これによりチームは開始する前に完全にアノテーションされたデータセットが必要という罠から抜け出せます。推論は、リアルタイムGPUモデルサービング（めったに使用されないモデルがGPUを消費しないようにスケール・トゥ・ゼロ）として、または数百万の調査にわたる分散バッチ推論として実行されます。そして、新しいPixelsの作業ではDICOMwebサービス（QIDO-RS、WADO-RS、STOW-RS）が提供されるため、レイクハウスは臨床またはPACS/VNAワークフローに直接組み込むことができ、脇に置かれることはありません。

安全性の証明：検証、ドリフト、規制経路

モデルのトレーニングは始まりであり、終わりではありません。単一のサイトのスキャナーでは優れた性能を発揮するモデルも、別のサイトでは静かに劣化する可能性があるため、真の作業はサイト、ベンダー、プロトコルを横断する外部検証であり、その後、スキャナーがアップグレードされ、本番環境でプロトコルが変更される際のドリフト監視です。MLflowは評価と追跡を処理しますが、より困難な規律は、すべてのモデルをコホート、メトリクス、承認が添付されたバージョン管理された資産として扱うことです。臨床応用を目指すものについては、規制当局は適応型AIに歩み寄りを始めています。FDAの事前変更管理計画（PCCP）は、モデルを毎回新たに提出することなく再トレーニングおよび更新する方法をチームが事前に指定することを可能にし、優良機械学習実践（GMLP）はデータ、検証、監視に関する期待を設定します。これらのガードレールを後から追加するのではなく、データ基盤に組み込むことが、デモと病院が実際に導入するものを分けるものです。

データを移動させないコラボレーション

EXAMが示すように、機関横断的な多様性を得るには2つの補完的な方法があり、それぞれ異なる問題を解決します。

フェデレーテッドラーニングは、データを物理的にその場に保持し、モデルの重みのみを移動させます。フェデレーテッドアベレージングでそれらを結合し、セキュアアグリゲーションと差分プライバシーによって、どのサイトのデータも外部に漏洩しないようにします。データが法的に一切移動できない場合に適切なツールです。

レイクハウスは、実際にはよりシンプルな第2の選択肢を追加します。Delta SharingとClean Roomsは、機関が管理されたテーブルやファイル（または匿名化されたコホートに対する共同分析）を、何もコピーすることなく、データエクスポートではなくクレデンシャルベンディングを使用して共有することを可能にします。多くの多施設研究において、「コホートの管理されたビューを共有する」ことは、フェデレーテッドトレーニングリングを構築するよりもはるかに負担が少なく、両者を組み合わせることも可能です。

画像データをマルチモーダル化する

これは、画像データを単一のモダリティから患者の一部へと変える要件です。メタデータは単なるDeltaであるため、画像データはEHRからのFHIRおよびHL7フィード、ゲノムバリアントテーブル、波形、臨床テキストと結合でき、患者のIDは仮名化層を通じて解決されます。OMOPのような共通データモデルは、観察データが格納される共有スキーマを提供します。さらに、Vector Searchはセマンティック検索のために埋め込みをインデックス化し（Pixelsは平易な英語の用語を適切なDICOMタグにマッピングする関数も提供しています）、Genieのような自然言語ツールを使用すると、科学者はSQLを書く代わりに質問することでコホートを構築できます。

生体信号波形は、それ自体が独自の種類のデータです。ECG、動脈圧波形、IVUSやOCTのプルバックは、1秒間に数百から数千回サンプリングされる高周波時系列であり、通常DICOMではなくWFDBのような形式で保存されます。技術的な課題はアライメントです。プルバックフレームやECG拍動は、それが属する画像や臨床イベントと時間同期されている場合にのみ意味を持ちます。これを正しく行い、リサンプリングし、タイムスタンプを調整し、シリーズを研究の隣に保存することは、「患者がなぜ反応したのか」という問いに対して、「反応したかどうか」だけでなく、大きな成果をもたらす結合の一種です。

埋め込みは、検索よりも強力なものを解き放ちます。ペアになったスキャンとレポートでトレーニングされた画像-テキストモデル（BiomedCLIPやCheXzeroの研究ライン）は、画像と言語を共有のベクトル空間に配置するため、システムは類似のケースを検索したり、明示的なラベルなしで所見をフラグ付けしたり、生成モデルをトレーニングデータだけでなく患者の実際の画像や過去のレポートに基づいて根拠づけたりすることができます。最後のパターンである、画像とレポートを組み合わせた検索拡張生成は、レポート作成や症例要約を臨床医に見せるのに十分な信頼性を持たせるものです。モデルが見たものを指し示すことができるからです。これは、画像、レポート、およびそれらの埋め込みが、単一の統制された環境下に一緒に存在する場合にのみ機能します。これは、この全体像を縮小したものです。

これは、新しい基盤モデルの波が必要としているものでもあります。Prov-GigaPath（Nature、2024）は、171,189枚の全スライド画像から得られた13億のタイルで自己教師あり学習により事前学習されており、大規模で多様性があり、統制され、マルチモーダルなデータでのみ機能します。サイロ化されたデータでは対応できませんが、レイクハウスなら可能です。

成果：研究者にとっての共同科学者、臨床医にとっての相棒

これらすべての具体的な形は、誰かを置き換える自律システムではありません。それは、オープンインターネットではなく、機関自身の統制されたデータに基づいた、研究者にとってのAI共同科学者であり、臨床医にとっての副操縦士（相棒）です。

研究者にとって、共同科学者エージェントは質問を具体的な作業に変えます。「ベースラインCT、病理学的所見、EGFRステータスが一致する未治療のNSCLC患者を見つけ、追跡調査で病変がどのように変化したかを要約してください」と尋ねると、エージェントは手順を計画し、Genieスペースを通じて画像および臨床テーブルをクエリし、Vector Searchで類似のケースを検索し、セグメンテーションエンドポイントを呼び出して病変を測定し、関連文献に基づいて要約を作成します。その際、すべての主張は使用したデータにまで遡ることができます。

「AI共同科学者」システムの新たなクラスは、まさにここに焦点を当てています。単なる検索の回答だけでなく、仮説の生成とトリアージを支援することです。おもちゃと信頼できる共同作業者を分けるのは、それが統制されたマルチモーダルデータに基づいているかどうかです。

臨床医にとって、同じ仕組みは、放射線科医や腫瘍医が手作業で行うであろう下準備を行う相棒となります。患者の過去の記録を抽出し、病変を測定・比較し、適用されるガイドライン基準を提示し、レビュー用のレポートを作成します。AIが最終承認することはありません。人間が行います。これは制限ではなく、設計です。今日の承認された画像AIのほとんどは人間が監督しており、その作業を示し、情報源を引用する相棒こそが、その監督を単なる形式的なものではなく、真に意味のあるものにするのです。

どちらのシステムも安全にするのは、その下にある基盤です。エージェントが呼び出すすべてのツールは、統制されたオブジェクト、Unity Catalog関数、モデルサービングエンドポイント、Vector Searchインデックス、Genieスペースであり、ピクセルを保護するのと同じアクセス制御、リネージ、および代理IDが、エージェントが見て実行できることを制限します。監督者の下で、放射線科エージェント、ゲノミクスエージェント、医療関連エージェントなどの専門家を組み合わせることで、エージェントチームはデータ基盤がすでに可能にしているマルチモーダルな結合を反映します。基盤が正しければ、相棒は簡単な部分です。

画像診断を超えて：同じ基盤がR&Dの残りを支える

これが放射線科を超えて重要である理由は、まったく同じアーキテクチャがR&Dデータ資産の残りを吸収するからです。マルチオミクス（ゲノミクス、トランスクリプトミクス、プロテオミクス、メタボロミクス）は、画像診断データや臨床データと同じUnity Catalogに格納されます。バリアント用のVCF、アラインされたシーケンスリード用のBAMおよびCRAM、相互運用性を維持するGA4GH仕様、集団規模分析用のGlowやHailのようなエンジンなど、独自の重い形式と標準をもたらしますが、レイクハウスのパターンは同じです。ファイルを統制し、クエリ可能なレイヤーを抽出し、他のすべてと結合します。

これは、BioNeMoやNIMsのようなNVIDIAスタックがシーケンスおよび構造モデルに接続する場所でもあります。実世界のデータや臨床試験データ、レジストリ、波形は、エクスポートなしで画像診断コホートに結合されます。医療関連情報や文献は、同じガバナンスとAI/BIおよびGenieインターフェースの下でクエリ可能なテキストになります。どの患者が反応し、なぜ反応するのかを解明する、前進するプログラムは、これらのドメイン間の結合に存在し、レイクハウスは、ギガピクセルスライド、バリアントコール、および試験エンドポイントを1つのガバナンスモデルの下で保持し、それらを一緒にクエリできる稀なアーキテクチャです。

結論

この種のデータの上にAIとGenAIを構築するチームは、同じ教訓に繰り返し直面しています。モデルは1週間でうまくデモできます。しかし、その後数ヶ月かかるのは、データをクリーンにし、リンクさせ、匿名化し、科学者や規制当局の前で信頼できるほどに統制することです。データの問題は、プロジェクトの地味な部分ではありません。それ自体がプロジェクトなのです。

同じ組織内の画像診断、オミクス、臨床、医療関連データ全体を見ると、結論は単純です。医療画像診断のフロンティアは、より良いアーキテクチャではありません。より良い基盤です。アルゴリズムは存在します。データはどこかに存在します。欠けていたのは、医療が要求するプライバシーと厳密さを犠牲にすることなく、画像診断を統制され、クエリ可能で、リンク可能で、共有可能にし、研究上の問いが触れる他のすべてと結合する方法でした。

R&Dで成功するチームは、まずモデルを追いかけるチームではありません。まずデータを正しく扱い、AIをそれに従わせるチームです。それを解決すれば、モデルは常にそうであったように、簡単な部分になります。

始めるには

これをテストする最も速い方法は、ご自身のデータで行うことです。

• オープンソースのPixelsアクセラレーター（databricks-industry-solutions/pixels）から始めて、DICOMのフォルダーを統制され、クエリ可能なDeltaテーブルに変換し、メダリオンパターンが実際に機能する様子を確認してください。
• Databricksで実行します。ワークスペースを立ち上げ、Unity Catalog VolumesをTCIAやMIMIC-CXRのような公開データセットに指定し、保護されたデータを取り込む前に、取り込み、匿名化、OHIFビューアをエンドツーエンドで設定します。
• 上記でリンクされている、7倍の取り込み、VLM匿名化、MONAI/VISTA-3Dの解説など、ここにある数字の背後にあるエンジニアリングをさらに深く掘り下げます。
• 1つのコホートからデータ資産全体にスケールします。単一の研究タイプが取り込まれ、匿名化され、1つの臨床テーブルに結合されると、同じパターンがマルチオミクス、実世界データ、およびその上のエージェント層に拡張されます。

もしあなたのチームがDatabricks上で医療画像診断やマルチモーダルR&Dの構築を進めているのであれば、著者たちはそのアプローチについて聞きたいと思っています。ご連絡いただくかコメントを残してください。パイロットから本番環境への移行準備が整った際には、Databricks Healthcare and Life Sciencesチームがお手伝いいたします。

(このブログ記事はAI翻訳ツールを使用して翻訳されています) 原文記事