亨利·沙因公司利用Amazon SageMaker AI实现牙科影像实时验证

在牙科领域，图像质量决定理赔是否获批。高达20%的保险理赔最初被拒，其中缺失或低质量图像是主要原因之一。然而，质量评估传统上是手动且事后进行的。临床医生在拍摄数小时或数天后才检查X光片，只有当理赔被拒或治疗计划无法进行时才发现问题。如果图像模糊、错位或不完整，患者必须返回重新拍摄，这增加了成本、延误和各方的不满。根本差距在于时机：质量反馈在患者离开、临床时机过去很久后才到来。

本文描述了亨利·沙因公司如何通过构建Image Verify来填补这一差距。Image Verify是一个基于Amazon SageMaker AI的AI驱动质量验证系统，可在拍摄时实时评估牙科X光片质量，覆盖数千个场所。该系统在数月内从概念发展到超过10,000个活跃场所，已处理超过1100万张X光片，并以每周150万张的速度增长。亨利·沙因公司目前正朝着全球四个区域的40,000个场所扩展。

Image Verify是一个质量解决方案，而非诊断工具。它不识别病理，只回答一个问题：这张图像是否足够好以供临床使用？这一区别使团队能够在没有临床AI相关监管限制的情况下进行迭代。

对于诊所而言，影响是立竿见影的：减少患者回访、提高保险理赔质量、改善新技师的培训，以及游戏化元素——它本身就能推动技师的参与度。

亨利·沙因公司在AWS上从头构建了Image Verify，使用Amazon SageMaker AI进行大规模机器学习推理。应用层运行在Amazon Elastic Kubernetes Service（Amazon EKS）上，协调从诊所管理应用程序到SageMaker AI推理端点的请求，并将质量评分返回给临床医生。

当图像在牙科诊所被捕获后，它流经托管在SageMaker AI上的多模型机器学习推理管线。该管线按顺序运行：分类阶段识别图像类型（如咬合翼、全景或根尖周），并将其路由到相应的质量评估模型；质量评估阶段评估清晰度、对齐、覆盖和完整性；分数聚合阶段将结果合并为1-5分的质量评分。整个过程从图像捕获到屏幕上显示质量评分的中位时间为1.4秒，P90为2.2秒，且在数百万次推理中错误率仅为0.01%。

优化方面，团队识别出基础设施瓶颈：预处理管线完全在CPU上运行，导致GPU资源利用不足。通过将图像预处理从CPU转移到GPU，并采用异步推理和A/B测试框架，团队将GPU实例从15个减少到10个（减少33%），同时延迟下降。目前，系统以约70%的GPU利用率运行，已完成60%的优化待办事项，并持续交付改进。

展望未来，该架构已验证可支持全球四个区域的40,000个场所。当前10,000个场所约占该产能的26%，为持续增长提供了充足空间，无需重新架构。团队将基础设施效率视为产品特性，而非一次性项目，通过零停机A/B部署每周交付优化，不影响客户且无需计划维护窗口。