Xilinx libère la puissance de l'intelligence artificielle dans l'imagerie médicale

Ceci est un message d'invité de Subhankar Bhattacharya, responsable marketing pour les sciences de la santé et les dispositifs médicaux

L'utilisation de l'intelligence artificielle (IA) - y compris l'apprentissage automatique (ML) et les techniques d'apprentissage profond (DL) est en passe de devenir une force de transformation dans l'imagerie médicale. Les patients, les prestataires de services de santé, les hôpitaux, les professionnels et diverses parties prenantes de l'écosystème devraient tous bénéficier d'outils axés sur le ML. Des mesures géométriques anatomiques à la détection du cancer, les possibilités sont infinies. Dans ces scénarios, le ML peut conduire à une efficacité opérationnelle accrue et générer des résultats positifs. 

Il existe un large éventail de façons d'utiliser le ML en imagerie médicale. Par exemple, la radiologie, la dermatologie, le diagnostic vasculaire, la pathologie numérique et l'ophtalmologie utilisent tous des techniques de traitement d'image standard. 

En radiologie, les radiographies thoraciques sont la procédure radiologique la plus courante avec plus de 2 milliards de scans effectués dans le monde chaque année, soit 548,000 30 scans par jour. Une telle quantité de scans impose une lourde charge aux radiologues et nuit à l'efficacité du flux de travail. Bien que l'expertise d'un radiologue soit toujours d'une importance capitale, les méthodes ML, Deep Neural Network (DNN) et Convolutional Neural Networks (CNN) surpassent souvent les radiologues en termes de rapidité et de précision. Dans des conditions stressantes au cours d'un processus décisionnel rapide, le taux d'erreur humaine peut atteindre XNUMX%. Aider le processus de prise de décision avec des méthodes ML peut améliorer la qualité du résultat, en fournissant aux radiologues et autres spécialistes un outil supplémentaire.

Le soutien réglementaire augmente régulièrement et la Federal Drug Administration (FDA) des États-Unis approuve de plus en plus de méthodes de ML pour l'aide au diagnostic et d'autres applications. La FDA a également créé un nouveau cadre réglementaire pour les produits basés sur le ML. Ce nouveau cadre fait référence aux techniques de ML en tant que «logiciel en tant que dispositif médical» (SaMD) et envisage des avantages significatifs pour la qualité et l'efficacité des soins.

Les grands défis de la mise en œuvre du Machine Learning en imagerie médicale

De nombreuses procédures en radiologie, pathologie, dermatologie, diagnostic vasculaire et ophtalmologie pourraient être sur de grandes tailles d'image, parfois 5 mégapixels ou plus, nécessitant un traitement d'image complexe. En outre, le flux de travail ML peut être gourmand en calcul et en mémoire. Le calcul prédominant est l'algèbre linéaire et demande de nombreux calculs et une multitude de paramètres. Cela se traduit par des milliards d'opérations à accumulation multiple (MAC), des centaines de mégaoctets de données de paramètres et nécessite une multitude d'opérateurs et un sous-système de mémoire hautement distribué. Ainsi, effectuer efficacement des inférences d'images précises pour la détection ou la classification des tissus à l'aide de méthodes de calcul traditionnelles sur PC et GPU est inefficace, et les entreprises de soins de santé recherchent des techniques alternatives pour résoudre ce problème.

Alors, Que propose Xilinx pour l'apprentissage automatique en imagerie médicale?

Xilinx propose une architecture hétérogène et hautement distribuée pour résoudre ce problème pour les entreprises de santé. Xilinx Versal ™ Adaptive Compute Acceleration Platform (ACAP), la famille de systèmes sur puces (SoC) multiprocesseurs avec ses accélérateurs intégrés pour l'apprentissage en profondeur et ses moteurs SIMD VLIW `` AI '' sont connus pour leur capacité à effectuer un traitement de signal massivement parallèle à haute vitesse données en temps quasi réel. Cela signifie que la capacité de calcul peut être déplacée au-delà de 100 opérations Tera par seconde (TOPS).

Ces appareils améliorent considérablement l'efficacité de la résolution des algorithmes complexes de ML dans le domaine de la santé et contribuent à accélérer considérablement les applications de soins de santé à la périphérie, le tout avec moins de ressources, de coûts et de puissance. Avec Versal Dispositifs ACAP, la prise en charge des réseaux récurrents pourrait être inhérente en raison de la nature simple de l'architecture et de ses bibliothèques de support.

Xilinx dispose d'un écosystème innovant pour les développeurs d'algorithmes et d'applications. Plates-formes logicielles unifiées, telles que Vitis ™ pour le développement d'applications et Vitis AI ™ pour optimiser et déployer l'inférence accélérée de ML, les développeurs peuvent utiliser des appareils avancés - tels que les ACAP - dans leurs projets.

Les flux de travail des soins de santé et des dispositifs médicaux subissent des changements majeurs. À l'avenir, les flux de travail médicaux seront des entreprises «Big Data» avec des exigences nettement plus élevées en matière de besoins informatiques, de confidentialité des données, de sécurité, de sécurité des patients et d'exactitude. Les plates-formes informatiques distribuées, non linéaires, parallèles et hétérogènes sont essentielles pour résoudre et gérer cette complexité. Appareils Xilinx comme Versal et par Vitis Les plates-formes logicielles sont idéales pour fournir les architectures IA optimisées du futur.

Pour en savoir plus sur les cybersolutions IoT de la santé et de l'industrie, optimisées par Xilinx -

https://www.xilinx.com/applications/medical.html

https://www.xilinx.com/applications/industrial.html

Source : https://forums.xilinx.com/t5/AI-and-Machine-Learning-Blog/Xilinx-Unleashes-the-Power-of-Artificial-Intelligence-in-Medical/ba-p/1097606