AI 革命推動醫療成像技術向前邁進

December 13, 2018

Robert Moss

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

以 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。