Xilinx Melepaskan Kekuatan Kecerdasan Buatan dalam Pencitraan Medis

Ini adalah posting tamu dari Subhankar Bhattacharya, Marketing Lead for Healthcare Sciences & Medical Devices

Penggunaan kecerdasan buatan (AI) – termasuk pembelajaran mesin (ML) dan teknik pembelajaran mendalam (DL) siap menjadi kekuatan transformasional dalam pencitraan medis. Pasien, penyedia layanan kesehatan, rumah sakit, profesional, dan berbagai pemangku kepentingan dalam ekosistem semuanya mendapat manfaat dari alat berbasis ML. Dari pengukuran geometris anatomi hingga deteksi kanker, kemungkinannya tidak terbatas. Dalam skenario ini, ML dapat meningkatkan efisiensi operasional dan menghasilkan hasil yang positif. 

Ada banyak cara agar ML dapat digunakan dalam pencitraan medis. Misalnya, radiologi, dermatologi, diagnostik vaskular, patologi digital, dan oftalmologi semuanya menggunakan teknik pemrosesan gambar standar. 

Dalam radiologi, rontgen dada adalah prosedur radiologi yang paling umum dengan lebih dari 2 miliar pemindaian dilakukan di seluruh dunia setiap tahun, itu adalah 548,000 pemindaian yang mengejutkan setiap hari. Jumlah pemindaian yang begitu besar membebani ahli radiologi dan membebani efisiensi alur kerja. Meskipun keahlian ahli radiologi masih sangat penting, seringkali metode ML, Deep Neural Network (DNN) dan Convolutional Neural Networks (CNN) mengungguli ahli radiologi dalam hal kecepatan dan akurasi. Dalam kondisi stres selama proses pengambilan keputusan yang cepat, tingkat kesalahan manusia bisa setinggi 30%. Membantu proses pengambilan keputusan dengan metode ML dapat meningkatkan kualitas hasil, menyediakan alat tambahan bagi ahli radiologi dan spesialis lainnya.

Dukungan peraturan terus meningkat dan US Federal Drug Administration (FDA) menyetujui semakin banyak metode ML untuk bantuan diagnostik dan aplikasi lainnya. FDA juga telah membuat kerangka peraturan baru untuk produk berbasis ML. Kerangka kerja baru ini mengacu pada teknik ML sebagai “Software as a Medical Device” (SaMD) dan membayangkan manfaat yang signifikan terhadap kualitas dan efisiensi perawatan.

Tantangan utama untuk menerapkan Pembelajaran Mesin dalam Pencitraan Medis

Banyak prosedur dalam radiologi, patologi, dermatologi, diagnostik vaskular, dan oftalmologi dapat menggunakan ukuran gambar yang besar, terkadang 5 Megapiksel atau lebih besar, yang membutuhkan pemrosesan gambar yang kompleks. Selain itu, alur kerja ML dapat menggunakan komputasi dan memori intensif. Komputasi yang dominan adalah aljabar linier dan menuntut banyak komputasi dan banyak parameter. Ini menghasilkan miliaran operasi akumulasi-multiplikasi (MAC), ratusan Megabita data parameter dan membutuhkan banyak operator dan subsistem memori yang sangat terdistribusi. Jadi, melakukan inferensi gambar yang akurat secara efisien untuk deteksi atau klasifikasi jaringan menggunakan metode komputasi tradisional pada PC dan GPU tidak efisien, dan perusahaan layanan kesehatan sedang mencari teknik alternatif untuk mengatasi masalah ini.

Jadi, apa yang ditawarkan Xilinx untuk Pembelajaran Mesin dalam Pencitraan Medis?

Xilinx menawarkan arsitektur yang heterogen dan sangat terdistribusi untuk mengatasi masalah ini bagi perusahaan layanan kesehatan. Xilinx Versal™ Keluarga Adaptive Compute Acceleration Platform (ACAP) dari multi-prosesor System-on-Chips (SoCs) dengan akselerator terintegrasi untuk pembelajaran mendalam dan mesin SIMD VLIW 'AI'-nya dikenal karena kemampuannya untuk melakukan pemrosesan sinyal paralel berkecepatan tinggi secara masif data mendekati real-time. Ini berarti kapasitas komputasi dapat dipindahkan melebihi 100 operasi Tera per detik (TOPS).

Perangkat ini secara dramatis meningkatkan efisiensi penyelesaian algoritme ML layanan kesehatan yang rumit dan membantu mempercepat aplikasi layanan kesehatan secara signifikan di edge, semuanya dengan sumber daya, biaya, dan daya yang lebih sedikit. Dengan sebaliknya Perangkat ACAP, dukungan untuk jaringan berulang dapat melekat karena sifat sederhana dari arsitektur dan perpustakaan pendukungnya.

Xilinx memiliki ekosistem inovatif untuk pengembang algoritme dan aplikasi. Platform perangkat lunak terpadu, seperti Vitis™ untuk pengembangan aplikasi dan Vitis AI™ untuk mengoptimalkan dan menerapkan inferensi ML yang dipercepat, berarti pengembang dapat menggunakan perangkat lanjutan – seperti ACAP – dalam proyek mereka.

Alur kerja perawatan kesehatan dan perangkat medis sedang mengalami perubahan besar. Di masa mendatang, alur kerja medis akan menjadi perusahaan 'Big Data' dengan persyaratan yang jauh lebih tinggi untuk kebutuhan komputasi, privasi data, keamanan, keselamatan pasien, dan akurasi. Platform komputasi terdistribusi, non-linier, paralel, dan heterogen adalah kunci untuk memecahkan dan mengelola kompleksitas ini. Perangkat Xilinx suka sebaliknya dan Vitis platform perangkat lunak ideal untuk menghadirkan arsitektur AI masa depan yang dioptimalkan.

Untuk mempelajari lebih lanjut tentang Solusi Cyber ​​IoT Kesehatan & Industri yang Didukung oleh Xilinx –

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

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

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