亨利·沙因公司利用Amazon SageMaker AI實現牙科影像實時驗證

在牙科領域，圖像質量決定理賠是否獲批。高達20%的保險理賠最初被拒，其中缺失或低質量圖像是主要原因之一。然而，質量評估傳統上是手動且事後進行的。臨牀醫生在拍攝數小時或數天後才檢查X光片，只有當理賠被拒或治療計劃無法進行時才發現問題。如果圖像模糊、錯位或不完整，患者必須返回重新拍攝，這增加了成本、延誤和各方的不滿。根本差距在於時機：質量反饋在患者離開、臨牀時機過去很久後才到來。

本文描述了亨利·沙因公司如何通過構建Image Verify來填補這一差距。Image Verify是一個基於Amazon SageMaker AI的AI驅動質量驗證系統，可在拍攝時實時評估牙科X光片質量，覆蓋數千個場所。該系統在數月內從概念發展到超過10,000個活躍場所，已處理超過1100萬張X光片，並以每週150萬張的速度增長。亨利·沙因公司目前正朝着全球四個區域的40,000個場所擴展。

Image Verify是一個質量解決方案，而非診斷工具。它不識別病理，只回答一個問題：這張圖像是否足夠好以供臨牀使用？這一區別使團隊能夠在沒有臨牀AI相關監管限制的情況下進行迭代。

對於診所而言，影響是立竿見影的：減少患者回訪、提高保險理賠質量、改善新技師的培訓，以及遊戲化元素——它本身就能推動技師的參與度。

亨利·沙因公司在AWS上從頭構建了Image Verify，使用Amazon SageMaker AI進行大規模機器學習推理。應用層運行在Amazon Elastic Kubernetes Service（Amazon EKS）上，協調從診所管理應用程序到SageMaker AI推理端點的請求，並將質量評分返回給臨牀醫生。

當圖像在牙科診所被捕獲後，它流經託管在SageMaker AI上的多模型機器學習推理管線。該管線按順序運行：分類階段識別圖像類型（如咬合翼、全景或根尖周），並將其路由到相應的質量評估模型；質量評估階段評估清晰度、對齊、覆蓋和完整性；分數聚合階段將結果合併為1-5分的質量評分。整個過程從圖像捕獲到屏幕上顯示質量評分的中位時間為1.4秒，P90為2.2秒，且在數百萬次推理中錯誤率僅為0.01%。

優化方面，團隊識別出基礎設施瓶頸：預處理管線完全在CPU上運行，導致GPU資源利用不足。通過將圖像預處理從CPU轉移到GPU，並採用異步推理和A/B測試框架，團隊將GPU實例從15個減少到10個（減少33%），同時延遲下降。目前，系統以約70%的GPU利用率運行，已完成60%的優化待辦事項，並持續交付改進。

展望未來，該架構已驗證可支持全球四個區域的40,000個場所。當前10,000個場所約佔該產能的26%，為持續增長提供了充足空間，無需重新架構。團隊將基礎設施效率視為產品特性，而非一次性項目，通過零停機A/B部署每週交付優化，不影響客户且無需計劃維護窗口。