04-03-2020 4:53 am Gepubliceerd door Nederland.ai Laat uw gedicht achter

Kunstmatige intelligentie (AI) belooft een revolutie in de gezondheidszorg teweeg te brengen. De onderliggende combinatie van Machine Learning en analytics kan medische datasets verwerken die zo groot zijn en medische beelden die zo talrijk zijn dat ze buiten de schaal van onderzoekers, artsen en medewerkers vallen. Dit AI-duo belooft daarmee te helpen bij het identificeren van risicopatiënten en het voorkomen van het ontstaan van ziekten en medische aandoeningen. Voor bestaande patiënten is de hoop dat AI verborgen ziekten kan identificeren, medische problemen kan lokaliseren en in de ontwikkeling en toepassing van behandelingen die het herstel van de patiënt bevorderen.

Toch is de adoptie vertraagd door de kosten en de complexiteit van het bouwen en bezitten van het soort hoogwaardige systemen die nodig zijn. Dat is echter aan het veranderen, omdat de processors geoptimaliseerd worden voor AI-training en -inferentie en omdat ze gecombineerd worden met de krachtigere software.

Een voorbeeld hiervan zijn de tweede generatie Intel® Xeon® Scalable processoren. Ze leveren tot wel 30 keer meer prestaties voor AI-inferentie in vergelijking met de vorige generatie Xeon®. Intel® Deep Learning Boost bevat ondertussen specifieke x86-extensies die helpen bij het versnellen van convolutionele, op het neurale netwerk gebaseerde algoritmen. De prestaties zijn verder verbeterd voor zowel batch als real-time inferentie met behulp van de vectorneurale netwerkinstructie (VNNI) functie die het aantal en de complexiteit van de convolutiebewerkingen die nodig zijn voor AI-inferentie vermindert. VNNI vermindert ook het volume van de benodigde rekenkracht en geheugentoegang, waardoor de latentie verder afneemt en de prestaties van AI-toepassingen toenemen.

Het draaien van productie-achtige AI op schaal gaat verder dan alleen hardware – er is ook krachtige software voor nodig. Hier lijkt de industrie samen te smelten rond Google’s open-source TensorFlow for Machine Learning – een raamwerk voor het bouwen en trainen van het soort grootschalige numerieke berekeningen waar AI om vraagt. TensorFlow gebruikt Python om een front-end API te leveren voor het bouwen van toepassingen, maar voert deze uit in C++. Het is zeer geschikt voor het trainen en uitvoeren van neurale netwerken voor de beeldherkenningswerklast die vereist is in gangbare medische omgevingen zoals radiologie en CT-scans.

Intel® heeft nauw samengewerkt met Google om de opeenvolgende generaties van Intel® Xeon® te optimaliseren met behulp van de Intel® Math Kernel Library (MKL). Het is ook een stap verder gegaan met de tweede generatie Intel® Xeon®, door ondersteuning toe te voegen voor 8-bits precisie-inferentie op modellen die gebruikt worden voor beeldclassificatie, objectdetectie en aanbevelingssystemen. Deze systemen maakten al gebruik van 32-bits floating point om de snelheid van de rekenkundige bewerkingen die per seconde worden uitgevoerd te verhogen en het systeemgeheugen met ongeveer 75 procent te verminderen, dus MKL is een echte stap voorwaarts.

AI, niet röntgenstraling

Het Intel® Xeon® platform wordt al opgepakt voor intensieve analyses in de gezondheidszorg.

Een van de adoptanten is de LineSafe National Imaging Academy of Wales die AI gebruikt om de juiste plaatsing van naso-gastrische (NG) buisjes bij patiënten te garanderen, om voedsel en medicijnen door de neusholte naar de maag te dragen. Het is een gevestigde praktijk voor artsen en verpleegkundigen om handmatige processen met behulp van röntgenfoto’s te gebruiken om te beoordelen of ze de buis op de juiste manier in de slokdarm hebben gebracht in plaats van in de luchtpijp. Het kan moeilijk zijn voor personeel dat onervaren is in de radiologie om deze organen uit elkaar te houden door te kijken naar röntgenfoto’s vanwege hun nabijheid, en het kan levensbedreigend zijn om dit verkeerd te doen.

LineSafe traint nu een machinaal leermodel voor een perfecte plaatsing van de buis. Het model wordt gevoed met duizenden röntgenfoto’s van de borstkas, opgeslagen in de National Imaging Academy Wales, zodat het systeem nauwkeurig kan zien of de NG-buizen correct zijn geplaatst.

Het team van Intel® UK Health and Life Sciences (HLS) werkt sinds begin 2019 samen met LineSafe aan het project. Hun rol is geweest om te helpen bij het identificeren van de beste hardwareconfiguratie en AI-geoptimaliseerde software voor de training en productie van de applicatie. De betrokken AI-modellering maakt gebruik van systemen met de tweede generatie Intel® Xeon® Scalable-processoren om de prestaties van de algoritmen die hoge-resolutie beelden analyseren te versnellen. Intel® Xeon® maakt het daardoor mogelijk om sneller en nauwkeuriger vergelijkingen te maken dan voorheen.

Cameradetectie

CorporateHealth International (CHI) is een andere zorgorganisatie die AI met Intel® omarmt. Het in Denemarken gevestigde bedrijf biedt in het Verenigd Koninkrijk een beheerde endoscopiedienst met darmcapsules aan die berust op een kleine videocamera die niet groter is dan een vitaminepil en die door de patiënt wordt ingeslikt. De camera neemt tot 400.000 beelden op terwijl hij door het spijsverteringsstelsel reist op zijn missie om de symptomen van maag- en darmziekten te helpen opsporen. De beelden worden geanalyseerd door een team van verpleegkundigen.

Directeur Hagen Wenzek: “AI kan een zeer waardevol instrument zijn. We trainen een neuraal netwerk met gegevens van eerdere procedures die ons team al heeft, zodat het neuraal netwerk wordt gebruikt om verpleegkundigen te helpen alle verdachte beelden te belichten”. CHI werkte samen met Intel® AI Builders – een netwerk van softwareproducenten, integratoren en fabrikanten van apparatuur – om de beste hard- en softwarecombinatie voor de toepassing te selecteren. AI Builders hielp ook bij de implementatie en integratie binnen de bedrijfssystemen van CHI, om de gegevens van patiënten veilig te verwerken.

CHI gebruikt twee servers met Intel® Xeon®, één voor gegevensverwerking en de andere voor AI-ontwikkeling. De gegevensverwerkingsserver verwerkt en analyseert de originele RAW-videobestanden, iets wat veel sneller gaat met de nieuwe Intel® Xeon®-architectuur en voordeliger is dan het leasen van infrastructuur, met vergelijkbare mogelijkheden, van cloud-serviceproviders.

“Als je dat via de cloud verhuurt, wordt het eigenlijk vrij snel duur”, merkt Wenzek op. Het inhuren van AI-specialisten zou ook voor CHI duur zijn geweest. In plaats daarvan maakte CHI gebruik van de competenties en mogelijkheden van het Intel® AI Builders-programma.

Planning van de radiotherapie

Intel werkt ook samen met de Velindre University NHS Trust en de Cardiff University School of Engineering aan het ASPIRE-project. Het doel van het project is het ontwikkelen van deep-learning systemen die in staat zijn om de planning van de behandeling van slokdarmkanker met radiotherapie te automatiseren.

Een dergelijke planning is meestal afhankelijk van een opgeleide oncoloog die een diagnostische computertomografie (CT-scan) uitvoert om de positie van een tumor te bepalen – een proces dat enkele dagen kan duren. ASPIRE streeft ernaar om die prognose te verkorten met een machinemodel dat getraind is om de locatie van een tumor nauwkeurig te bepalen. Het model wordt aangeleerd met behulp van meer dan duizend 3D-scans met gelabelde structuren.

Ook hier heeft Intel® het ASPIRE-team geholpen bij de keuze van de hardware- en softwareconfiguratie, waarbij ook workshops zijn gegeven aan personeel dat betrokken is bij de training en het optimaliseren van de prestaties en de nauwkeurigheid van het machinemodel. Omdat de nauwkeurigheid van de ASPIRE wordt verbeterd, wordt aangenomen dat de opdracht kan worden uitgebreid tot het plannen van radiotherapie tegen tumoren op andere plaatsen in het menselijk lichaam.

Beeldherkenning

Beeldherkenning is een veelbelovend onderdeel van de geneeskunde en hier heeft Intel® de Open Visual Inference & Neural Network Optimisation, oftewel OpenVINO, ontwikkeld die kan helpen. Het is een toolkit om ontwikkelaars te helpen snel computervisie te bouwen en te implementeren voor camera’s in IP-gebaseerde apparaten. OpenVINO werkt met populaire open-source raamwerken zoals TensorFlow en Caffe en met Intel® processoren.

De Intel® distributie van OpenVINO™ is geoptimaliseerd voor Intel® Xeon®. Een van de voordelen is dat de AI-werklast kan worden versneld zonder dat er dure GPU’s nodig zijn op randapparaten die anders relatief goedkoop zijn om aan te schaffen en te draaien. Het helpt bedrijven zoals MaxQ AI, specialist in medische diagnostiek, die de Intel® distributie heeft gebruikt om de rekenkracht van zijn Accipio intracraniële bloeding (ICH) en slagdetectieplatform te verdrievoudigen. Accipio maakt gebruik van vision-algoritmen die zijn getraind met behulp van Machine Learning en neurale netwerken.

Een ander bedrijf dat gebruik maakt van het Intel®-platform in de geneeskunde is AI-platformleverancier JLK Inspection. Het bedrijf heeft 37 algoritmen gebouwd voor gebruik bij medische inspecties van verschillende delen van het lichaam. Veel van deze algoritmen worden gebruikt op goedkope, kleine Intel® NUC mini PC’s met Intel® Distribution of OpenVINO™ voor beeldherkenning. Intel® Distribution of OpenVINO™ geeft AI-softwareontwikkelaars zoals JLK Inspection een kant-en-klare set van convolutionele neurale netwerk (CNN)-gebaseerde deep-learning tools voor visuele inferencing taken zoals beeldclassificatie en objectdetectie.

De rode draad hier is – duidelijk – dat AI-gedreven analyse begint door te dringen in sommige belastende gebieden van de geneeskunde. Het helpt een aantal lastige problemen aan te pakken dankzij de kracht van AI om uitdagende volumes gestructureerde en ongestructureerde data te kraken, ter ondersteuning van medische professionals. Achter deze ontwikkelingen schuilt een versnelde hardware- en softwarestack van Intel® die de computationele efficiëntie levert die nodig is voor een snelle en nauwkeurige analyse tegen een prijspunt dat cruciaal is voor AI.

Tags : , , , , , , , , , , ,

Geef een antwoord

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *

3 × een =

The maximum upload file size: 256 MB. You can upload: image, audio, video, document, spreadsheet, interactive, text, archive, code, other. Links to YouTube, Facebook, Twitter and other services inserted in the comment text will be automatically embedded. Drop file here