倫敦大學(xué)國(guó)王學(xué)院，連同合作醫(yī)院和大學(xué)合作者，公布了關(guān)于第一個(gè)項(xiàng)目的新細(xì)節(jié)。 Cambridge-1 ，英國(guó)最強(qiáng)大的超級(jí)計(jì)算機(jī)。

合成大腦項(xiàng)目的重點(diǎn)是建立深度學(xué)習(xí)模型，可以合成人腦的人工 3D MRI 圖像。這些模型可以幫助科學(xué)家了解人類大腦在不同年齡、性別和疾病中的樣子。

人工智能模型是由倫敦國(guó)王學(xué)院和 NVIDIA 數(shù)據(jù)科學(xué)家和工程師開(kāi)發(fā)的，是倫敦醫(yī)學(xué)成像和人工智能價(jià)值醫(yī)療中心的一部分。這項(xiàng)研究是由英國(guó)研究和創(chuàng)新和威康旗艦計(jì)劃（與倫敦大學(xué)學(xué)院合作）資助的。

開(kāi)發(fā)人工智能模型的目的是幫助根據(jù)腦部核磁共振掃描診斷神經(jīng)系統(tǒng)疾病。它們還可以用來(lái)預(yù)測(cè)大腦隨著時(shí)間的推移可能發(fā)展出的疾病，從而實(shí)現(xiàn)預(yù)防性治療。

使用合成數(shù)據(jù)還有一個(gè)額外的好處，那就是確保患者隱私，并使 King ‘ s 有能力向更廣泛的英國(guó)醫(yī)療保健界開(kāi)放這項(xiàng)研究。如果沒(méi)有 Cambridge-1 ，人工智能模型將需要數(shù)月而不是數(shù)周的時(shí)間來(lái)訓(xùn)練，而且最終的圖像質(zhì)量也不會(huì)那么清晰。

King 和 NVIDIA 的研究人員使用 Cambridge-1 使用多個(gè) GPU 將模型縮放到必要的大小，然后應(yīng)用一種稱為超參數(shù)調(diào)整的過(guò)程，這大大提高了模型的精度。

倫敦國(guó)王學(xué)院人工醫(yī)學(xué)智能高級(jí)講師豪爾赫·卡多佐說(shuō)：“劍橋一號(hào)能夠加速生成合成數(shù)據(jù)，使國(guó)王學(xué)院的研究人員能夠了解不同因素如何影響大腦、解剖和病理。”我們可以要求我們的模型生成幾乎無(wú)限量的數(shù)據(jù)，包括規(guī)定的年齡和疾病；有了這個(gè)，我們就可以開(kāi)始解決諸如疾病如何影響大腦以及何時(shí)存在 MIG ht 異常等問(wèn)題。”

介紹 NVIDIA Cambridge-1 超級(jí)計(jì)算機(jī)為像合成大腦項(xiàng)目這樣的突破性研究提供了新的可能性，并且可以用來(lái)加速疾病、藥物設(shè)計(jì)和人類基因組的數(shù)字生物學(xué)研究。

作為世界上速度最快的 50 臺(tái)超級(jí)計(jì)算機(jī)之一， Cambridge-1 基于 80 個(gè) DGX A100 系統(tǒng)，集成了 NVIDIA A100 GPU s 、 Bluefield-2 DPU s 和 NVIDIA HDR InfiniBand 網(wǎng)絡(luò)。

倫敦國(guó)王學(xué)院正在利用 NVIDIA 硬件和開(kāi)源軟件 MONAI 軟件框架 由 PyTorch 支持，與 cuDNN 和 Omniverse 合作開(kāi)發(fā)他們的合成大腦項(xiàng)目。 MONAI 是一個(gè)免費(fèi)提供的、基于社區(qū)支持的 PyTorch 框架，用于醫(yī)療成像領(lǐng)域的深度學(xué)習(xí)。 CUDA 深度神經(jīng)網(wǎng)絡(luò)庫(kù)（ cuDNN ）是一個(gè)用于 深層神經(jīng)網(wǎng)絡(luò) 是一個(gè)開(kāi)放的虛擬協(xié)作和實(shí)時(shí)仿真平臺(tái)。 King ‘ s 公司剛剛開(kāi)始使用它對(duì)大腦進(jìn)行可視化，這可以幫助醫(yī)生更好地了解腦部疾病的形態(tài)學(xué)和病理學(xué)。

隨著深度學(xué)習(xí)體系結(jié)構(gòu)效率的提高以及硬件的改進(jìn)，醫(yī)學(xué)體數(shù)據(jù)在更高分辨率下的復(fù)雜和高維建模成為可能。矢量量化變分自動(dòng)編碼器（ VQ-VAE ）是一種高效的生成式無(wú)監(jiān)督學(xué)習(xí)方法，它可以將圖像編碼成與初始尺寸相比相當(dāng)壓縮的表示形式，同時(shí)保持解碼的保真度。

King ‘ s 采用 VQ-VAE 啟發(fā)和 3D 優(yōu)化網(wǎng)絡(luò)，有效地對(duì)全分辨率腦體積進(jìn)行編碼，將數(shù)據(jù)壓縮到原始大小的 1% 以下，同時(shí)保持圖像保真度，性能優(yōu)于以前的最新技術(shù)。

在對(duì)圖像進(jìn)行 VQ-VAE 編碼后，通過(guò)針對(duì)數(shù)據(jù)的體積性質(zhì)和相關(guān)序列長(zhǎng)度進(jìn)行優(yōu)化的遠(yuǎn)程變壓器模型來(lái)學(xué)習(xí)潛在空間。由數(shù)據(jù)的三維性質(zhì)引起的序列長(zhǎng)度需要?jiǎng)?1 號(hào)提供的多 GPU 和多節(jié)點(diǎn)縮放所能提供的無(wú)與倫比的模型尺寸。

通過(guò)從這些大型變壓器模型中采樣，并對(duì)感興趣的臨床變量（如年齡或疾病）進(jìn)行調(diào)節(jié)，可以生成新的潛在空間序列，并使用 VQ-VAE 將其解碼為體積腦圖像。變壓器 AI 模型采用注意機(jī)制，對(duì)輸入數(shù)據(jù)各部分的重要性進(jìn)行差異權(quán)衡，并用來(lái)理解這些序列長(zhǎng)度。

創(chuàng)建與現(xiàn)實(shí)生活中神經(jīng)放射學(xué)研究驚人相似的 生成性腦圖像 有助于理解大腦是如何形成的，創(chuàng)傷和疾病是如何影響它的，以及如何幫助它恢復(fù)。使用合成數(shù)據(jù)代替真實(shí)的患者數(shù)據(jù)，可以緩解數(shù)據(jù)訪問(wèn)和患者隱私方面的問(wèn)題。

作為倫敦國(guó)王學(xué)院合成大腦生成項(xiàng)目的一部分，代碼和模型是 open-source NVIDIA 為改進(jìn) fast-transformers 項(xiàng)目 合成大腦項(xiàng)目所依賴的。

關(guān)于作者

Vanessa Braunstein 在 NVIDIA 的醫(yī)療團(tuán)隊(duì)從事產(chǎn)品營(yíng)銷工作。此前，她在基因組學(xué)、醫(yī)學(xué)成像、制藥、化學(xué)和診斷公司從事產(chǎn)品開(kāi)發(fā)和營(yíng)銷。她學(xué)習(xí)分子和細(xì)胞生物學(xué)、公共衛(wèi)生和商業(yè)。

審核編輯：郭婷