倫敦大學國王學院，連同合作醫院和大學合作者，公布了關于第一個項目的新細節。 Cambridge-1 ，英國最強大的超級計算機。

合成大腦項目的重點是建立深度學習模型，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王學院和 NVIDIA 數據科學家和工程師開發的，是倫敦醫學成像和人工智能價值醫療中心的一部分。這項研究是由英國研究和創新和威康旗艦計劃（與倫敦大學學院合作）資助的。

開發人工智能模型的目的是幫助根據腦部核磁共振掃描診斷神經系統疾病。它們還可以用來預測大腦隨著時間的推移可能發展出的疾病，從而實現預防性治療。

使用合成數據還有一個額外的好處，那就是確保患者隱私，并使 King ‘ s 有能力向更廣泛的英國醫療保健界開放這項研究。如果沒有 Cambridge-1 ，人工智能模型將需要數月而不是數周的時間來訓練，而且最終的圖像質量也不會那么清晰。

King 和 NVIDIA 的研究人員使用 Cambridge-1 使用多個 GPU 將模型縮放到必要的大小，然后應用一種稱為超參數調整的過程，這大大提高了模型的精度。

倫敦國王學院人工醫學智能高級講師豪爾赫·卡多佐說：“劍橋一號能夠加速生成合成數據，使國王學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限量的數據，包括規定的年齡和疾病；有了這個，我們就可以開始解決諸如疾病如何影響大腦以及何時存在 MIG ht 異常等問題。”

介紹 NVIDIA Cambridge-1 超級計算機為像合成大腦項目這樣的突破性研究提供了新的可能性，并且可以用來加速疾病、藥物設計和人類基因組的數字生物學研究。

作為世界上速度最快的 50 臺超級計算機之一， Cambridge-1 基于 80 個 DGX A100 系統，集成了 NVIDIA A100 GPU s 、 Bluefield-2 DPU s 和 NVIDIA HDR InfiniBand 網絡。

倫敦國王學院正在利用 NVIDIA 硬件和開源軟件 MONAI 軟件框架 由 PyTorch 支持，與 cuDNN 和 Omniverse 合作開發他們的合成大腦項目。 MONAI 是一個免費提供的、基于社區支持的 PyTorch 框架，用于醫療成像領域的深度學習。 CUDA 深度神經網絡庫（ cuDNN ）是一個用于 深層神經網絡 是一個開放的虛擬協作和實時仿真平臺。 King ‘ s 公司剛剛開始使用它對大腦進行可視化，這可以幫助醫生更好地了解腦部疾病的形態學和病理學。

隨著深度學習體系結構效率的提高以及硬件的改進，醫學體數據在更高分辨率下的復雜和高維建模成為可能。矢量量化變分自動編碼器（ VQ-VAE ）是一種高效的生成式無監督學習方法，它可以將圖像編碼成與初始尺寸相比相當壓縮的表示形式，同時保持解碼的保真度。

King ‘ s 采用 VQ-VAE 啟發和 3D 優化網絡，有效地對全分辨率腦體積進行編碼，將數據壓縮到原始大小的 1% 以下，同時保持圖像保真度，性能優于以前的最新技術。

在對圖像進行 VQ-VAE 編碼后，通過針對數據的體積性質和相關序列長度進行優化的遠程變壓器模型來學習潛在空間。由數據的三維性質引起的序列長度需要劍橋 1 號提供的多 GPU 和多節點縮放所能提供的無與倫比的模型尺寸。

通過從這些大型變壓器模型中采樣，并對感興趣的臨床變量（如年齡或疾病）進行調節，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 模型采用注意機制，對輸入數據各部分的重要性進行差異權衡，并用來理解這些序列長度。

創建與現實生活中神經放射學研究驚人相似的 生成性腦圖像 有助于理解大腦是如何形成的，創傷和疾病是如何影響它的，以及如何幫助它恢復。使用合成數據代替真實的患者數據，可以緩解數據訪問和患者隱私方面的問題。

作為倫敦國王學院合成大腦生成項目的一部分，代碼和模型是 open-source NVIDIA 為改進 fast-transformers 項目 合成大腦項目所依賴的。

關于作者

Vanessa Braunstein 在 NVIDIA 的醫療團隊從事產品營銷工作。此前，她在基因組學、醫學成像、制藥、化學和診斷公司從事產品開發和營銷。她學習分子和細胞生物學、公共衛生和商業。

審核編輯：郭婷