Skip to main content

AI • 物联网 • 网络边缘

人工智能革命促进医学成像发展

医生和技术人员正在寻找新的方法来使用人工智能和深度学习减轻医生的工作量并协助诊断疾病。但是,过去在数据中心以外部署人工智能模型的障碍一直难以攻克。

在人工智能模型必须处理巨量数据的医学成像等应用中,存储要求是尤其突出的问题。例如,光学相干层析成像术 (OCT) 等技术记录的眼睛横截面 3D 图像的分辨率可能小至 2 到 5 微米,因此会产生海量图像。

数据中心可以轻松处理这些工作负载,但是由于网络带宽限制和患者隐私问题,将图像传输到数据中心也是个问题。因此,开发人员正在寻找各种方法来在数据收集点部署深度学习。

在这里面临的挑战是计算要求之一。为了处理与成像关联的工作负载,开发人员转向了 CPU、GPU、FPGA 和其它处理器的异构混合。但是,这些复杂的架构可能难以配置和编程。

作为备选方案,开发人员可以利用现成的技术。专为边缘应用而设计的新一代人工智能硬件和软件可以大幅简化开发工作。开发人员应考虑使用这些 API 和框架来取得其深度学习工作的最大可移植性、灵活性和可扩展性。

从概念到诊所

一个例子来自 IEI,其深度学习解决方案构建在英特尔® FPGA 深度学习加速套件和 OpenVINO 工具包等现成的技术之上。

图 1 中所示的 IEI 解决方案是快速部署的计算机视觉系统的一部分,该系统包括工作站、深度学习软件开发套件和源自该公司的 QNAP 存储部门的功能强大的网络连接存储 (NAS)。

图 1. 该 IEI 解决方案结合了大量高度并行的计算能力、存储和网络功能,加上性能优化,可在一个功能完备的系统中进行更快的数据分析。(资料来源:IEI)

我们访问了 IEI 的产品管理总监的 Don Yu,以了解嵌入了人工智能的深度学习边缘解决方案如何提高疾病诊断的准确性以及该技术的工作原理。

Yu 解释说,“我们选择 OCT 图像作为主要使用案例。这项技术是一种无创成像检查,可用于诊断许多眼部疾病,包括青光眼、与年龄相关的黄斑变性 (AMD) 和糖尿病患者的眼部疾病。”

根据 Yu 的介绍,专家必须经过全面培训才能能够阅读 OCT 图像。另外,审阅患者检查图像还需要花费大量的时间。“这种类型的应用最适合人工智能和深度学习,” Yu 说道,“我们开发了一个边缘系统,可用于处理训练和推理,显著缩短诊断疾病所需的时间。”(请参见图 2。)

图 2. IEI 解决方案加快了与年龄相关的黄斑变性诊断的速度。(资料来源:IEI)

先进技术实现早期诊断

快速诊断 AMD 可为患者提供切实的好处。与许多疾病一样,AMD 在早期阶段没有明显症状,通常在患者的视力出现问题后才发现。到了那个时候,疾病发展到了中期或晚期,错过了最佳手术时间,治疗效果差。

但是,如果能够在早期发现疾病,就可以及早开始治疗。而治疗越早开始,患者保持视力的可能性越大。许多其它疾病也一样,及早检查出来,治疗效果会好得多。

AMD 是发达国家/地区的中枢视觉丧失的主要原因,影响 10% 65 岁及以上的人群,影响超过 25% 75 岁以上的人群。在美国,大约 200 万人患有晚期 AMD,超过 800 万人患有中期 AMD。预计到 2020 年,这些数字将上升到 50%,因此及早检查出来极其重要。

以高精确度解读医学影像的传统方法需要相当长的时间才能完成。它们需要由多位专家多次阅片并展开讨论。在医院没有领域专家的情况下,必须将医学影像发送给外部专家以进行诊断。这样一来,通常需要等待几周时间才能获得诊断结论并开始治疗。

通过使用嵌入了人工智能的深度学习边缘解决方案,位于中心位置的医生可以在更短的时间内做出准确的诊断。因此,患者可以更早开始治疗,治疗效果往往更好。

集多项功能于一体

在我们的讨论中,Yu 表示深度学习的成功取决于三个因素:数据、计算能力和算法。针对第一个因素,他说:“QNAP 的 NAS 是医学数据存储的理想选择。我们还推出了 QPAC 应用以用作医学数字成像和通信 (DICOM) 服务器应用。”

这个案例还有很多细节。该解决方案的 NAS 支持人工智能扩展卡,可提供更加高效地运行任务所需的额外计算能力。例如,Mustang-F100-A10 加速卡利用英特尔 FPGA 深度学习加速套件来满足极端计算需求(图 3)。该公司还提供了基于英特尔® 酷睿 处理器和英特尔® Movidius 处理器的人工智能扩展卡,为开发者提供灵活的选项。

图 3. IEI 提供了多种人工智能加速器卡。

在算法方面,该系统支持 Caffe、MXNet、TensorFlow 和 CNTK 等框架和库. 现有的容器化解决方案可以轻松地迁移到该平台,而新的解决方案可以快速开始。它还包括一个容器站,其支持 Docker 和其他容器技术。通过容器,用户可以从广泛的人工智能框架和库中进行选择,使得开发工作更容易。

“IEI 还提供了裸机人工智能解决方案,供用户与 QuAI 库结合使用,来满足各种各样的人工智能模型训练需求,” Yu 解释说。

人工智能、深度学习和改善的效果

为了向医生和患者提供价值,嵌入了人工智能的深度学习边缘解决方案必须:

  • 提供巨量计算能力、存储容量和网络连接,因为医学专业人士必须管理海量医学影像以及基因和患者数据。
  • 结合大多数医学专业人员和研究人员未掌握的众多跨学科高新技术技能集,构建面向医疗保健行业的深度学习平台和数据管理系统。
  • 设置超出大多数数据科学家的专业知识范畴的驱动程序、容器、数据备份/传输和网络配置。
  • 提供可扩展性以在各种规模的医院和诊所中工作。
  • 符合 HIPAA 和其它法规的要求。

IEI 的创新解决方案展示了开发人员可如何通过现成的解决方案满足这些目标。这为医生和患者等人群带来福音。人工智能和深度学习帮助缩短诊断疾病的时间和提高准确度的能力大大改善了人们的生活。在不久的将来,嵌入了人工智能的深度学习边缘解决方案将在医疗机构中普遍存在。

作者简介

Robert Moss is an independent consultant and strategist who focuses on the value gained through IoT, AI, machine learning and other technologies. He also helps give voice to executives at leading technology companies, enabling their personal stories to show how they encourage innovation, overcome obstacles, and improve their leadership skills. Tweets @RobertMoss_IoT

Profile Photo of Robert Moss