關於 MD.ai
About
MD.ai 是什麼
MD.ai 是一套雲端的醫學影像 AI 平台，由受過哈佛、杜克與哥倫比亞訓練的醫師創立。旗下有兩個產品。Annotator 讓團隊上傳檢查影像，畫出遮罩、標記與檢查範圍的發現，累積訓練資料。Reporting 讓放射科醫師口述發現，再由語言模型協助整理成一份可簽署的臨床報告。
兩半處理的是同一種客戶的不同問題。研究團隊與影像 AI 新創需要乾淨、經專家審核的資料集，還需要一個能把模型跑在這些資料上的地方。醫院與放射科診所要的是更快寫出報告，而且不必更動 PACS 或電子病歷。很少有廠商同時做兩邊。
註冊之前，先弄清楚限制。平台沒有公開價目表，也沒有自助結帳，要透過業務洽談才能開通。Annotator 完全在瀏覽器裡跑，吃網路與記憶體，手機和平板只能套用檢查範圍的標記。整套系統是為放射科設計的，離開影像流程，多數功能派不上用場。
開始使用
- 用電子郵件、Google 或 Microsoft 帳號在 md.ai 建立帳號，或直接開啟專案邀請信裡的連結。
- 請管理員開通專案或資料集的權限，新使用者是透過邀請加入，而不是自行註冊。
- 直接上傳檢查、連接雲端儲存桶，或用 DICOM C-STORE 把影像推入資料集。
- 在 Annotator 開啟病例、選擇標記群組，畫遮罩或加入檢查範圍發現。建議用 Chrome，電腦記憶體 16 GB 以上。
- 把 JSON 匯出，用於醫學影像標記與訓練；也可以部署模型，先替其餘病例做預標註。
- 在 Reporting 選範本或讓系統建議，口述主要發現，檢查自動產生的結論，然後簽署。
產品資訊
快速了解 MD.ai 的定價、支援平台與效能。
適合對象
這項工具最適合的使用者、任務與情境。
使用者
- 放射科醫師：Reporting 把口述內容整理成結構化草稿，並套用 BI-RADS、LI-RADS 等指引，例行檢查能省下不少時間。前提是所屬機構已開通為站點。
- 影像 AI 研究者：Annotator 讓醫療團隊共用遮罩、標記與審閱工具，權限可依使用者控管。要拿到帳號，仍需機構出面支持。
- 打造影像模型的新創：可以在短時間內標註數百個檢查，並在合作醫院之間做聯合驗證，不必搬動病人資料。
- 醫學生與住院醫師：公開專案可直接瀏覽，能在被專案負責人邀請進真實病例之前，先試閱片器與標註工具。
任務
- 建立訓練資料集：團隊上傳檢查、分派標註任務，再把遮罩與標記匯出成 JSON，直接接進訓練流程。
- 用模型預標註：部署自家模型，對一批檢查跑推論，標註人員只負責修正結果，不必從零手畫。
- 在平台內訓練模型：跑推論、比對模型表現與人工標記，可在網頁介面操作，也能用連上 Vertex AI 的 Jupyter 筆記本。
- AI 模型驗證跨院進行：聯合標註讓每家醫院把資料留在本地，模型改在合併後的結果上評估。
- 撰寫放射科報告：自動選範本、對應主要發現、自動生成結論，先產出草稿，再由醫師修改簽署。
- 健康資料去識別化：內建的 PHI 偵測會清掉影像與中繼資料中的身分資訊，之後資料才離開機構。
情境
- 實驗室整理肺部 CT 資料集：住院醫師在 Annotator 標結節，主治醫師處理有爭議的病例，匯出的 JSON 直接拿去訓練。
- 放射科試辦 AI：團隊部署廠商模型，跑過去的檢查，再在兩個站點比對模型發現與專家標記。
- 閱片室報告積壓：醫師把發現口述進 Reporting，模型補上結論，簽署時自動產生計費代碼。
- 新創準備法規送件：需要一份品質可追溯的標註資料集，Annotator 會保留任務分派與審閱紀錄。
主要功能
原生 DICOM 資料集
MD.ai 既是放射科標註工具，也是同一批資料的閱片器。平台從底層就以 DICOM 設計，不是把它當成順手支援的匯入格式。檢查可以直傳、接上 Google Cloud、Amazon S3 或 Azure 的儲存桶，也能用 DICOM C-STORE 推進來。JPEG、PNG、TIFF 與影片則可透過以病人為單位的資料夾結構匯入，遇到影像與臨床影片混在一起的檢查時很管用。
通過 FDA 510(k) 的網頁閱片器
閱片器取得 FDA 510(k) 許可，臨床判讀、審閱與報告都在通過審查的工具裡完成，而不是在附帶免責聲明的研究用閱片器上。它支援縮放、平移、窗寬窗位、顯示協定、多平面重建與量測工具。標註與影像在同一工作區，標記和閱片不必切換畫面。
AI 輔助標註
你可以部署自家模型，對資料集執行分散式推論。結果以預標註的形式送進來，標註人員決定採用、調整或捨棄。每個專案能掛自己的模型與設定，平台也會記錄模型相對於人工標記的表現，這個回饋迴路是多數標註工具沒做的部分。
跨站聯合驗證
聯合標註讓多家機構參與同一個模型評估，而不用把病人資料集中到一處。各站點自行標註或跑推論，只有結果會移動。對送件前需要外部驗證的廠商來說，這往往是取得多院證據、又不必談上幾個月資料共享合約的唯一辦法。
PHI 偵測與去識別化
內建的 PHI 偵測會掃描影像與中繼資料，找出身分資訊並在匯出前移除。像素層級的去識別化則處理直接燒錄在影像上的文字。這一步決定資料集能不能離開醫院，平台內建之後，就不必另外開一個法遵專案。
語言模型輔助報告
作為放射科報告軟體，Reporting 把語言模型用在吃掉放射科醫師一整天的環節：挑對範本、把口述發現放進正確欄位、草擬結論、校對，並在簽署時產生計費代碼。你可以走 AI 引導模式，也可以維持傳統口述，需要時再叫出協助。
臨床指引與舊片比對
報告可以套用 BI-RADS、LI-RADS、TI-RADS 等指引的邏輯，也能加入自訂指引。系統還會把新檢查與先前的報告比對，標出哪裡改變。兩項功能都能省掉來回翻找的時間，讓寫報告不再比閱片本身更久。
開發者 API 與整合
命令列工具與 Python 函式庫讓團隊用程式建立專案、上傳資料、取出標註、管理使用者。Reporting 透過 HL7 與 DICOM 連接 EHR、HIS 與 RIS，也能用 iframe 與權杖驗證嵌進其他系統，報告直接開在醫院自己的工作流程裡。
優缺點
優點
- 標註與報告在同一平台，研究團隊與臨床團隊共用閱片器與資料層，不必買兩套系統。
- 閱片器取得 FDA 510(k) 許可，同一個介面要同時處理資料集與臨床閱片時，這一點很關鍵。
- 聯合驗證能在不動病人資料的前提下產出多院證據，對面對法規審查的模型廠商是實質優勢。
- PHI 偵測與去識別化在平台內執行，匯出時的法遵成為流程的一部分，不必再找另一家廠商。
- Reporting 支援 12 種語言，含即時翻譯與轉錄，跨國團隊與多語病人訊息都用得上。
缺點
- 沒有公開價格，也不能自助註冊，評估平台得先跟業務談，再等客製報價。
- Annotator 需要桌機瀏覽器，記憶體與頻寬都要夠，手機或平板只能套用檢查範圍標記，不能畫遮罩。
- 新使用者只能靠邀請加入，想這週就開試辦的團隊會卡住。
- 產品預設放射科情境，報告與標註功能離開醫學影像幾乎沒有用處。
常見問題
MD.ai 涵蓋醫學影像 AI 的兩端。Annotator 讓醫師與研究者標註 DICOM 檢查，建立訓練與驗證資料集；報告工具則協助放射科醫師在語言模型輔助下口述、整理並簽署臨床報告。
相關內容
探索與 MD.ai 相關的工具、技能與文章。
MD.ai 替代方案
Google EmbeddingGemma 2
Google DeepMind · 寫作 · 圖片 · 程式設計Google EmbeddingGemma 2 是 7.4 億參數的開源模型，能把文字、程式碼、圖片、音訊與影片畫面轉成同一個 768 維空間裡的向量，在手機與筆電上就能執行。
Tractionwave
TractionWave · 圖片 · 行銷TractionWave 是針對靜態廣告的 AI 注意力熱圖工具。上傳 PNG 或 JPG，就能取得預測注意力、排序後的熱點與修正建議，不必等預算花完才知道問題在哪。
Imejis.io
Imejis.io · 圖片 · 行銷Imejis.io 是給代理與行銷團隊使用的 AI 設計工作室。你用日常說法描述一張圖，它會寫好文案、排出版面、自動調整成各種尺寸，最後匯出完成檔。