Henry Schein One 借助 Amazon SageMaker AI 实现牙科 X 光片实时质量审核
在牙科行业，影像质量直接决定保险理赔是否获批。据统计，高达 20% 的初始保险索赔被拒，其中影像缺失或质量低下是主因之一。然而，传统的质量评估流程往往是事后人工审核——临床医生在拍摄后数小时甚至数天才查看 X 光片，发现问题时索赔已被拒或治疗无法推进。若影像模糊、错位或不完整，患者不得不返回诊所重拍，增加了成本、延误和各方的不满。
Henry Schein One 通过构建 Image Verify 系统解决了这一痛点。该系统基于 Amazon SageMaker AI，在牙科 X 光片拍摄的瞬间进行实时质量评估，覆盖数千个诊所。从概念到部署，Image Verify 在数月内便推广至 10,000 多个活跃站点，已处理超过 1,100 万张 X 光片，且每周新增约 150 万张。目前，Henry Schein One 正将该系统扩展至全球 40,000 个站点，覆盖四个地区。
挑战：大规模实时影像质量审核
Henry Schein One 之前的影像审核方案运行在另一个云平台上，但无法满足临床工作流对延迟和成本效率的要求。在 AWS 上重建并非简单的迁移，而需要设计一个能同时满足五项严格要求的系统：
- 延迟：质量评估必须在 3 秒内 完成，以无缝融入临床工作流。
- 准确性：多个机器学习模型需评估清晰度、对齐度和完整性等不同维度，避免误报损害临床信任。
- 规模：系统需同时服务数万个站点，日处理量达数十万张。
- 成本效率：大规模 GPU 推理若不精心优化，成本将难以承受。
- 全球覆盖：医疗场景具有本地化特征，但平台必须在多个区域保持一致的性能表现。
Image Verify 的解决方案
Henry Schein One 利用 Amazon SageMaker AI 构建了端到端的影像质量验证流水线。系统在 X 光片拍摄后立即触发推理，调用多个专用模型分别评估不同质量指标，并在 亚秒级 内返回结果。如果检测到质量问题，系统会实时提示操作人员，从而在患者离开前完成重拍，避免了后续的理赔纠纷。
关键设计亮点
- 多模型并行推理：针对不同质量维度（如清晰度、解剖结构完整性）部署独立模型，并通过 SageMaker 的模型编排能力实现并行推理，确保整体延迟在 3 秒以内。
- 成本优化：通过 GPU 实例自动缩放 和 批量推理，在高峰期保持性能，在低谷期降低成本。此外，利用 Amazon Elastic Inference 或 SageMaker 推理加速器 进一步降低单位推理成本。
- 全球部署：采用多区域架构，利用 AWS 全球基础设施 将推理端点部署在靠近诊所的区域，确保低延迟并符合数据本地化法规。
成果与展望
Image Verify 上线后，Henry Schein One 的影像质量审核流程从“事后补救”转变为“即时预防”。诊所端重拍率显著下降，保险索赔通过率提升，患者体验得到改善。目前系统每周处理 150 万张 X 光片，并持续增长。未来，Henry Schein One 计划将该平台扩展至 40,000 个站点，并探索在正畸、种植等更复杂牙科影像中的应用。
这一案例表明，实时 AI 推理 在医疗影像领域具有巨大价值——不仅提升运营效率，更直接改善临床结果和患者满意度。对于希望构建类似系统的企业，关键在于平衡延迟、准确性和成本，而 Amazon SageMaker AI 提供了灵活的基础设施和工具来应对这些挑战。
