AI的面世，伴生出了不少新興職業(yè)，比如人社部和工信部日前就制定了六項新的國家職業(yè)技能標準，人工智能訓練赫然在列。但在AI技術的輻射下，這些訓練工作也開始逐步滲透進醫(yī)療行業(yè)，醫(yī)療研究人員也開始學起了“煉丹”。

醫(yī)療設備中的大算力

Clara Holoscan與醫(yī)療設備橋接 / Nvidia

今年秋季的GTC大會上，英偉達發(fā)布了Clara Holoscan醫(yī)療影像解決方案，大幅擴展了GPU在醫(yī)學領域的應用。Clara Holoscan是基于英偉達AGX Orin打造的平臺，集成了12核Cortex-A78AE CPU、2048核的安培GPU和2個NVDLA 2.0加速器，在15W至50W的功耗下，可實現(xiàn)200 TOPS(INT8)的算力。Clara Holoscan將醫(yī)療設備與邊緣服務器無縫橋接，并以此創(chuàng)建相關的AI微服務，要求低延遲的應用程序在設備上運行，復雜任務則傳回數(shù)據(jù)中心處理。

超聲波彩色多普勒成像，也就是我們常說的彩超，是一種非侵入式觀察體內(nèi)血流的方法，可用于檢測動脈或靜脈中的血塊。然而在掃描過程中，血流速度很可能會超過儀器準確測量的速度范圍，因此生成的混疊偽影會阻止最終的可視化成像。

Clara Holoscan消除偽影 / Nvidia

而成像問題早就是AI應用中老生常談的挑戰(zhàn)了，醫(yī)療領域也不例外?；F盧大學的一組研究人員通過1000多張圖像訓練了一個U-Net卷積神經(jīng)網(wǎng)絡，用于檢測與去除偽影。他們將超聲波探頭接入us4us公司的開發(fā)的超聲波前端設備，再接入英偉達的Clara開發(fā)者套件，借助Clara Holoscan SDK、CUDA和Tensor RT等工具，不僅成功消除的混疊的偽影，還將FPS提高了一大截，從過去的每秒2幀提升到了每秒30幀。

醫(yī)患保密協(xié)議，AI如何解決隱私問題

人工智能技術已經(jīng)成功賦能了我們生活中的各行各業(yè)，借助大數(shù)據(jù)和模型，我們已經(jīng)深受其益。但與此同時，隨之而來的隱私問題不斷滋生，不僅是金融領域，在醫(yī)療領域也是如此。這就為醫(yī)療領域AI模型的研究帶來了困難，因為醫(yī)療研究人員不得向外界泄露任何病人隱私，必須保存在數(shù)據(jù)創(chuàng)建所在地。但不少研究都要用到不同地區(qū)或不同人種之間的數(shù)據(jù)，所以只能走傳統(tǒng)的合作共享方式。

聯(lián)邦學習是一種用于訓練來自多個數(shù)據(jù)源的人工智能模型的方法，這種方法只會分享AI模型的權重，而不會將數(shù)據(jù)外傳。在做到數(shù)據(jù)共享的同時，又能保持數(shù)據(jù)匿名，從而消除了研究人員和機構對數(shù)據(jù)分享與合作的抵觸。

今天秋季，英偉達組織了全球最大的一項聯(lián)邦學習研究，研究人員使用了全球20多個機構的數(shù)據(jù)來訓練聯(lián)邦學習模型，將其稱為EXAM（EMR胸部X光AI模型），該模型使用生命體征、實驗室數(shù)據(jù)和胸部X光作為數(shù)據(jù)輸入，來確定確診新冠病人未來所需補充的氧氣量。從上圖也可以看出，在輸入年齡這項參數(shù)時，僅僅給出了最小值、最大值、平均值和標準差，并未透露任何具體的患者數(shù)據(jù)。

英偉達于近日的RSNA21大會上開源了FLARE，一個開源可擴展的SDK，可讓研究人員和數(shù)據(jù)科學家們對已有的機器學習和深度學習工作做適應。FLARE代表的是Federated Learning Application Runtime Environment（聯(lián)邦學習應用運行時環(huán)境），這也是英偉達已有的Clara Train聯(lián)邦學習軟件所用到的底層引擎，這套軟件早已用于醫(yī)療成像、基因分析、腫瘤學和新冠病毒研究。

美國AI醫(yī)療軟件公司Rhino Health已經(jīng)將FLARE集成到其聯(lián)邦學習解決方案中，馬薩諸塞州總醫(yī)院在使用這套方案后，直接用上了全球其他六大機構的數(shù)據(jù)，開發(fā)出了一種更準確針對腦動脈瘤的AI模型。

英偉達稱FLARE可以與現(xiàn)有的AI框架集成，比如已經(jīng)在醫(yī)學成像中獲得應用的MONAI框架。此外，由于FLARE基于模塊化的架構，所以研究人員可以自行組建工作流，迅速嘗試不同的實驗。

反射治療中的醫(yī)學影像技術

在如今的癌癥篩查、減少誤診和改善腫瘤識別與治療項目中，AI同樣賦予了強大的推動力。在臨床醫(yī)學中，為了精確定位腫瘤的位置，醫(yī)生往往會在CT和MRI上來回檢視，花費數(shù)十分鐘以上勾畫出腫瘤輪廓。該步驟對于放射線治療來說至關重要，如果勾畫的太小，放射線可能沒有覆蓋到整個腫瘤，給了腫瘤再度生長的空間，但如果勾畫的太大，又容易傷害到正常的組織。因此通過GPU加速運算生成AI模型，就可以準確在圖像中勾勒出腫瘤的邊界。

過去許多研究機構與治療中心的AI模型是在低分辨率的圖像上進行訓練的，借助英偉達提供的AI企業(yè)套件，其研究人員可以利用A100 Tensor Core GPU對高分辨率圖像進行訓練，如此一來生成的模型，在臨床醫(yī)生對病人進行診斷時，可以更好地定位腫瘤的大小和位置。不過AI并沒有起到取代醫(yī)生的作用，更像是作為CT掃描的替代方案，在治療當天用其來優(yōu)化治療方案，驗證放射治療的計劃。

小結

醫(yī)療領域在數(shù)字化進程上已經(jīng)開始加速，無論是醫(yī)療器械還是醫(yī)療影像，AI在其中成了一股不可忽視的助力。當然這并不是指所有醫(yī)療人員都要具備“煉丹”知識，但醫(yī)療器械+AI已經(jīng)成為趨勢，未來疾病診斷和治療都會愈發(fā)智能。