A Xilinx felszabadítja a mesterséges intelligencia erejét az orvosi képalkotásban

Ez egy vendégbejegyzés Subhankar Bhattacharyától, az egészségügyi tudományokért és az orvosi eszközökért felelős marketingvezetőtől

A mesterséges intelligencia (AI) alkalmazása – beleértve a gépi tanulást (ML) és a mély tanulási technikákat (DL) – várhatóan az orvosi képalkotás átalakító erőjévé válik. A betegek, az egészségügyi szolgáltatók, a kórházak, a szakemberek és az ökoszisztéma különböző érdekelt felei egyaránt profitálnak az ML-vezérelt eszközökből. Az anatómiai geometriai mérésektől a rákfelderítésig a lehetőségek végtelenek. Ezekben a forgatókönyvekben az ML növelheti a működési hatékonyságot, és pozitív eredményeket hozhat. 

Az ML számos módon használható fel az orvosi képalkotásban. Például a radiológia, a bőrgyógyászat, az érdiagnosztika, a digitális patológia és a szemészet egyaránt szabványos képfeldolgozási technikákat alkalmaz. 

A radiológiában a mellkasröntgen a leggyakoribb radiológiai eljárás, évente több mint 2 milliárd vizsgálatot végeznek világszerte, ami elképesztő napi 548,000 30 vizsgálat. Az ilyen hatalmas mennyiségű szkennelés nagy terhet ró a radiológusokra, és megnehezíti a munkafolyamat hatékonyságát. Bár a radiológus szakértelme továbbra is kiemelkedő jelentőségű, az ML, a Deep Neural Network (DNN) és a Convolutional Neural Networks (CNN) módszerek gyakran felülmúlják a radiológusokat gyorsaságban és pontosságban. Stresszes körülmények között egy gyors döntéshozatali folyamat során az emberi hibaarány akár XNUMX%-ot is elérhet. A döntéshozatali folyamat ML módszerekkel történő segítése javíthatja az eredmény minőségét, további eszközt biztosítva a radiológusok és más szakemberek számára.

A szabályozási támogatás folyamatosan növekszik, és az Egyesült Államok Szövetségi Gyógyszerügyi Hatósága (FDA) egyre több ML-módszert hagy jóvá diagnosztikai segítségnyújtásra és egyéb alkalmazásokra. Az FDA új szabályozási keretet is hozott létre az ML alapú termékek számára. Ez az új keretrendszer az ML technikákat „Szoftver mint orvosi eszköz” (SaMD) néven említi, és jelentős előnyöket képzel el az ellátás minősége és hatékonysága szempontjából.

A gépi tanulás alkalmazásának fő kihívásai az orvosi képalkotásban

A radiológia, a patológia, a bőrgyógyászat, az érdiagnosztika és a szemészet területén számos eljárás történhet nagy, esetenként 5 megapixeles vagy nagyobb képméreteken, amelyek összetett képfeldolgozást igényelnek. Ezenkívül az ML munkafolyamat számításigényes és memóriaigényes lehet. Az uralkodó számítás a lineáris algebra, és sok számítást és számos paramétert igényel. Ez több milliárd MAC-műveletet, több száz megabájt paraméteradatot eredményez, és sok operátort és nagymértékben elosztott memória-alrendszert igényel. Tehát a pontos képkövetkeztetések hatékony végrehajtása a szövetek detektálásához vagy osztályozásához hagyományos számítási módszerekkel PC-ken és GPU-kon nem hatékony, és az egészségügyi vállalatok alternatív technikákat keresnek a probléma megoldására.

Szóval, mit kínál a Xilinx az orvosi képalkotás gépi tanulásához?

A Xilinx heterogén és erősen elosztott architektúrát kínál ennek a problémának a megoldására az egészségügyi vállalatok számára. Xilinx Versal™ Az Adaptive Compute Acceleration Platform (ACAP) többprocesszoros System-on-Chips (SoC) családja a mély tanuláshoz integrált gyorsítókkal és a SIMD VLIW „AI” motorjaival ismert arról, hogy képesek nagy sebességű jelfeldolgozásra masszívan párhuzamosan. az adatok közel valós időben. Ez azt jelenti, hogy a számítási kapacitás a másodpercenkénti 100 Tera-művelet fölé (TOPS) mozgatható.

Ezek az eszközök drámaian javítják a komplex egészségügyi ML algoritmusok megoldásának hatékonyságát, és jelentősen felgyorsítják az egészségügyi alkalmazásokat a széleken, mindezt kevesebb erőforrással, költséggel és energiával. Val vel Sokoldalú Az ACAP eszközök, az ismétlődő hálózatok támogatása az architektúra és a támogató könyvtárak egyszerű természete miatt velejárója lehet.

A Xilinx innovatív ökoszisztémával rendelkezik az algoritmus- és alkalmazásfejlesztők számára. Egységes szoftverplatformok, mint pl Vitis™ alkalmazásfejlesztéshez és Vitis AI™ A gyorsított ML következtetések optimalizálásához és telepítéséhez a fejlesztők fejlett eszközöket – például ACAP-okat – használhatnak projektjeikben.

Az egészségügy és az orvostechnikai eszközök munkafolyamatai jelentős változásokon mennek keresztül. A jövőben az orvosi munkafolyamatok „Big Data” vállalkozások lesznek, amelyek lényegesen magasabb követelményeket támasztanak a számítási igények, az adatvédelem, a biztonság, a betegek biztonsága és a pontosság tekintetében. Az elosztott, nemlineáris, párhuzamos és heterogén számítási platformok kulcsfontosságúak ennek a komplexitásnak a megoldásában és kezelésében. Xilinx eszközök, mint Sokoldalú és a vitis szoftverplatform ideálisak a jövő optimalizált mesterséges intelligencia architektúráinak megvalósításához.

Ha többet szeretne megtudni a Xilinx által üzemeltetett egészségügyi és ipari IoT kibermegoldásokról –

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

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

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