Xilinx libera o poder da inteligência artificial em imagens médicas

Esta é uma postagem de convidado de Subhankar Bhattacharya, líder de marketing para ciências da saúde e dispositivos médicos

O uso de inteligência artificial (IA) – incluindo aprendizado de máquina (ML) e técnicas de aprendizado profundo (DL) – está prestes a se tornar uma força transformadora em imagens médicas. Pacientes, prestadores de serviços de saúde, hospitais, profissionais e várias partes interessadas no ecossistema podem se beneficiar das ferramentas orientadas a ML. De medidas geométricas anatômicas à detecção de câncer, as possibilidades são infinitas. Nesses cenários, o ML pode levar ao aumento da eficiência operacional e gerar resultados positivos. 

Há um amplo espectro de maneiras pelas quais o ML pode ser usado em imagens médicas. Por exemplo, radiologia, dermatologia, diagnóstico vascular, patologia digital e oftalmologia usam técnicas de processamento de imagem padrão. 

Na radiologia, as radiografias de tórax são o procedimento radiológico mais comum, com mais de 2 bilhões de varreduras realizadas em todo o mundo a cada ano, ou seja, 548,000 varreduras por dia. Uma quantidade tão grande de exames impõe uma carga pesada aos radiologistas e sobrecarrega a eficiência do fluxo de trabalho. Embora a experiência de um radiologista ainda seja de suma importância, muitas vezes os métodos ML, Deep Neural Network (DNN) e Convolutional Neural Networks (CNN) superam os radiologistas em velocidade e precisão. Sob condições estressantes durante um rápido processo de tomada de decisão, a taxa de erro humano pode chegar a 30%. Auxiliar o processo de tomada de decisão com métodos de ML pode melhorar a qualidade do resultado, fornecendo aos radiologistas e outros especialistas uma ferramenta adicional.

O suporte regulatório está aumentando constantemente e a US Federal Drug Administration (FDA) está aprovando cada vez mais métodos de ML para assistência diagnóstica e outras aplicações. A FDA também criou uma nova estrutura regulatória para produtos baseados em ML. Essa nova estrutura se refere às técnicas de ML como “Software as a Medical Device” (SaMD) e prevê benefícios significativos para a qualidade e eficiência do atendimento.

Os principais desafios para implementar Machine Learning em Imagem Médica

Muitos procedimentos em radiologia, patologia, dermatologia, diagnóstico vascular e oftalmologia podem ser em tamanhos de imagem grandes, às vezes 5 megapixels ou maiores, exigindo processamento de imagem complexo. Além disso, o fluxo de trabalho de ML pode consumir muita memória e computação. A computação predominante é a álgebra linear e exige muitas computações e uma infinidade de parâmetros. Isso resulta em bilhões de operações de acumulação múltipla (MAC), centenas de Megabytes de dados de parâmetros e requer uma infinidade de operadores e um subsistema de memória altamente distribuído. Portanto, realizar inferências precisas de imagens com eficiência para detecção ou classificação de tecidos usando métodos computacionais tradicionais em PCs e GPUs é ineficiente, e as empresas de assistência médica estão procurando técnicas alternativas para resolver esse problema.

então, o que a Xilinx oferece para aprendizado de máquina em imagens médicas?

A Xilinx oferece uma arquitetura heterogênea e altamente distribuída para resolver esse problema para empresas de saúde. Xilinx Versal® A família Adaptive Compute Acceleration Platform (ACAP) de multiprocessadores System-on-Chips (SoCs) com seus aceleradores integrados para aprendizado profundo e seus mecanismos SIMD VLIW 'AI' são conhecidos por sua capacidade de executar processamento de sinal massivamente paralelo de alta velocidade dados quase em tempo real. Isso significa que a capacidade de computação pode ser movida para além de 100 operações Tera por segundo (TOPS).

Esses dispositivos melhoram drasticamente a eficiência de como os complexos algoritmos de ML de saúde são resolvidos e ajudam a acelerar significativamente os aplicativos de saúde na borda, tudo com menos recursos, custo e energia. Com Versal Dispositivos ACAP, o suporte para redes recorrentes pode ser inerente devido à natureza simples da arquitetura e suas bibliotecas de suporte.

A Xilinx possui um ecossistema inovador para desenvolvedores de algoritmos e aplicativos. Plataformas de software unificadas, como Vitis™ para desenvolvimento de aplicativos e Vitis AI™ para otimizar e implantar inferência de ML acelerada, significa que os desenvolvedores podem usar dispositivos avançados – como ACAPs – em seus projetos.

Os fluxos de trabalho de dispositivos médicos e de assistência médica estão passando por grandes mudanças. No futuro, os fluxos de trabalho médicos serão empresas de 'Big Data' com requisitos significativamente maiores para necessidades computacionais, privacidade de dados, segurança, segurança do paciente e precisão. Plataformas de computação distribuídas, não lineares, paralelas e heterogêneas são fundamentais para resolver e gerenciar essa complexidade. Dispositivos Xilinx como Versal e os votos de Vitis plataforma de software são ideais para fornecer as arquiteturas de IA otimizadas do futuro.

Para saber mais sobre as soluções cibernéticas de IoT para saúde e indústria desenvolvidas pela Xilinx –

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

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

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