Skip to main content

AI • 物聯網 • 網路邊緣

AI 革命推動醫療成像技術向前邁進

醫師與技師正在尋求運用 AI 和深度學習的新方式,以利減輕醫生的工作負擔並協助診斷疾病。但是在資料中心外部署 AI 模型的障礙一直以來難以克服。

在醫療成像等應用中,儲存需求向來特別是問題所在,因為這類應用中的 AI 模型必須全力應付大量資料。例如以光學同調斷層掃描術 (OCT) 等技術記錄的眼部橫切平面與橫斷面 3D 影像,其解析度的細膩程度可能達 2 至 5 微米,因此影像會十分龐大。

雖然資料中心能夠處理此等工作負載,但由於網路頻寬限制與病患隱私考量等層面使然,將影像放入資料中心內也是一大難題。因此,開發人員正在尋找將深度學習部署至資料收集階段的方法。

此時面臨的挑戰在於運算需求。為了處理與成像相關的工作負載,開發人員已改為混合採用異質的 CPU、GPU、FPGA 與其他處理器。然而這種複雜的架構可能難以設定與編寫程式。

開發人員可採取的另一項替代方式則是運用現成技術。專門針對邊緣應用所設計的新一代 AI 硬體與軟體,可望大幅簡化開發作業。開發人員應考量利用這些 API 與架構,讓深度學習能達到最高的可攜性、彈性與擴充性。

從概念到臨床

IEI 的情況為例,其深度學習解決方案是以 Intel® FPGA Deep Learning Acceleration Suite 和 OpenVINO 工具組等現成技術為建置基礎。

圖 1 所示的 IEI 解決方案屬於快速部署電腦視覺系統的一部分,該系統包含工作站、深度學習軟體開發套件,以及來自該公司 QNAP 儲存部門的強大網路連接儲存裝置 (NAS)。

圖 1. IEI 解決方案結合大量的高度平行運算能力、儲存與網路能力,並且具備最佳化的效能,可在單一完整系統中更快速地進行資料分析。(資料來源:IEI)

我們與 IEI 產品管理主任 Don Yu 進行了討論,以瞭解嵌入 AI 的深度學習邊緣解決方案如何提升疾病診斷的準確度,以及相關技術的運作方式。

Yu 解釋:「我們選擇 OCT 影像作為主要使用案例,這是非侵入式的成像試驗,可用於診斷多種眼疾,包括青光眼、老年性黃斑部病變 (AMD) 與糖尿病眼疾等。」

根據 Yu 的說明,專家必須經過大量訓練才能解讀 OCT 影像。檢閱病患的試驗影像也極為耗時。「這類應用是 AI 與深度學習的理想選擇。」Yu 表示,「我們開發了可處理訓練與推論作業的邊緣系統,大規模地削減了診斷疾病所需的時間。」(請參閱 圖 2。)

圖 2. IEI 解決方案可加速診斷老年性黃斑部病變。(資料來源:IEI)

先進的技術實現早期診斷

迅速診斷出 AMD 可讓病患實際受惠。就像其他許多疾病一樣,AMD 在早期階段並不會出現明顯的症狀,因此常常未曾察覺,直到病患的視力衰退時才會發現。屆時病情已進入中期或末期階段,針對此病變進行手術的可能性隨之降低,治療的效果也較差。

但是若能早期發現此病變,就可開始治療。開始治療的時間愈早,病患保有視力的可能性也會愈高。許多其他疾病也存在同樣情況,若能早期診斷就能大幅改善最終結果。

在已開發世界中,AMD 是喪失中心視覺的主要原因,在 65 歲以上的人士中有 10% 的人受此疾病侵襲,而 75 歲以上的人士中則有超過 25% 的人受到影響。美國有大約 200 萬人罹患末期 AMD,並且有超過 800 萬人患有中度 AMD。根據預測,前述數據在 2020 年時會增加 50%,因此早期診斷至關重要。

解讀醫療影像的傳統方式雖然準確度高,但卻需要極長的時間才可完成。這類方式必須讓超過一位的專家進行多次檢視並討論。若領域內缺乏這類專家,就需要將醫療影像寄往他處以供進行診斷。此時通常需要等待數週才能完成診斷,並開始治療。

利用嵌入 AI 的深度學習邊緣解決方案,位於中央的醫師即能以較少時間做出準確的診斷。如此一來,病患即能提早展開治療,通常可改善最終結果。

拼湊拼圖

在討論中,Yu 表示深度學習的成功需要仰賴三項因素:資料、運算能力與演算法。針對第一項因素,他表示:「QNAP 的 NAS 是儲存醫療資料的理想選擇。我們也推出了 QPACS 應用程式作為醫療數位影像傳輸協定 (DICOM) 伺服器應用程式使用。」

不過還不止於此。此解決方案的 NAS 支援 AI 擴充卡,可提供更多所需的運算能力,進而以更高效率執行作業。例如 Mustang-F100-A10 加速卡運用 Intel FPGA Deep Learning Acceleration Suite,以滿足極端嚴苛的運算需求(圖 3)。此公司也提供以 Intel® Core 處理器和 Intel® Movidius 處理器為基礎的 AI 卡,讓開發人員能享有更為靈活的選擇。

圖 3.  IEI 提供各種不同的 AI 加速器卡。

在演算法方面,系統支援架構與 Caffe、MXNet、TensorFlow 和 CNTK 等程式庫。現有的容器化解決方案可輕鬆移轉至平台上,同時也可迅速開始使用新的解決方案。其中也包含容器工作站,支援 Docker 和其他容器技術。使用者可透過容器選擇多種 AI 架構與程式庫,讓開發作業更輕鬆。

「IEI 也提供裸機 AI 解決方案,讓使用者搭配 QuAI 程式庫運用,進而滿足廣泛的 AI 模型訓練需求。」Yu 解釋。

AI、深度學習與更好的結果

若要為醫師與病患帶來價值,嵌入 AI 的深度學習邊緣解決方案必須:

  • 提供大規模的運算能力、儲存與網路連線能力;醫療專業人員必須擁有此等能力才可管理大量醫療影像、基因資料和病患資料。
  • 結合大多數醫療專業人員和研究人員沒有的多種高科技跨領域技能,以針對醫療保健領域建置深度學習平台與資料管理系統。
  • 設立超越大多數資料科學家專業能力的驅動程式、容器、資料備份/傳輸以及網路組態。
  • 提供可於各種規模的醫院與診所運作的可擴充性。
  • 遵循 HIPAA 與其他法規的規定。

IEI 創新的解決方案展現了開發人員如何利用現成解決方案來達成這些目標。這對醫師和病患來說都是絕佳的好消息。AI 和深度學習的能力有助於以更少的時間診斷疾病並提高準確度,人們的生活也可望藉此獲得大幅改善。不用多久,嵌入 AI 的深度學習邊緣解決方案就會普遍存在於醫療設施內。

作者簡介

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