Суперкомп'ютер для радіологів

Компанія NVIDIA вже давно перестала асоціюватися тільки з ігровими комп'ютерами і відеокартами - в останні кілька років вона активно займається дослідженнями в області прискорення обчислень, розвитком штучного інтелекту і автономного водіння. Ще одна сфера застосування технологій NVIDIA - охорона здоров'я: ось уже кілька років компанія використовує свої суперкомп'ютери для поліпшення методів медичної візуалізації. У рамках конференції GTC Europe 2018 ми поговорили з Кімберлі Пауелл, віце-президентом NVIDIA за рішеннями для охорони здоров'я, що розповіла нам про застосування сучасних технологій для поліпшення результатів медичної діагностики.

: У обивательському розумінні компанія NVIDIA випускає відеокарти і процесори, але в останні роки вона також займається дослідженнями штучного інтелекту і безпілотного транспорту. Тепер NVIDIA веде розробки і в галузі охорони здоров'я. А які саме?

Кімберлі Пауелл: Ми займаємося охороною здоров'я вже більше десяти років, і наш основний фокус - це медична візуалізація (мова йде про отримання зображень за допомогою технологій рентгенографії, комп'ютерної, магнітної томографії та ряду інших, а також їх подальшого аналізу. — ). В останні роки ці методики стали дуже технологічно розвиненими: наприклад, для того, щоб створити якісне тривимірне зображення внутрішніх органів, необхідні досить складні алгоритми.

Скажімо, ми хочемо знизити дозу радіації, яку отримує пацієнт, але це призведе до того, що зображення буде дуже низької якості. При цьому існують комп'ютерні методи, які дозволяють повернути якість. Саме цим ми і займаємося останні десять років спільно з медичними центрами: графічні процесори NVIDIA використовуються для реконструкції зображень.

Можете розповісти про свої останні великі проекти і найближчі плани в галузі візуалізації?

Наш останній великий проект - співпраця з Королівським коледжем Лондона. Університет тісно працює з кількома лікарнями, що входять в систему під контролем Національної служби охорони здоров'я Великобританії. Їхнє керівництво стурбоване тим, що в популяції зростає частка літніх людей і, відповідно, також зростає кількість зареєстрованих хронічних захворювань. При цьому діагностика вимагає використання різних методів візуалізації, а обсяги отриманих даних з кожним роком зростають на 10-15 відсотків. Однак число професіоналів, зайнятих у цій сфері, наприклад радіологів (йдеться про фахівців, зайнятих у галузі медичної візуалізації та діагностики. -), збільшується всього на один відсоток.

Навіщо використовувати ШІ в медичній візуалізації?

У галузі радіології спостерігається нестача кваліфікованих фахівців. Причому це помітно навіть у розвинених країнах: наприклад, у США на 10 тисяч осіб припадає один радіолог, а на кожен мільйон жителів Японії - всього 35; число фахівців такого профілю в країнах, що розвиваються, ще менше. При цьому радіологи важливі для діагностики раку, особливо зараз, коли кількість хворих зростає: за оцінками фахівців з Американського онкологічного товариства, до 2030 року кількість онкохворих зросте до 21,7 мільйона осіб (на 7 мільйонів більше, ніж у 2012 році).

Завдання, таким чином, полягає в розробці методів, які дозволили б обмеженій кількості радіологів взаємодіяти з великою кількістю даних. Наша робота тут полягає в тому, щоб допомогти у створенні алгоритмів для обробки даних тривимірної візуалізації - дуже важливої для радіологів. Завдання це дуже витратне в плані обчислень, тому зараз Королівський коледж використовує DGX-2 (перша двопетафлопсна система NVIDIA з 16 взаємопов'язаними графічними процесорами. - один з найбільш просунутих на сьогоднішній день суперкомп'ютерів для навчання штучного інтелекту.

Ми також плануємо створювати спеціальні засоби, які дозволять радіологам і розробникам користуватися тривимірною візуалізацією для різних цілей.

Крім того, ми активно застосовуємо так зване федеративне машинне навчання: коли використовуються дані про пацієнтів, гостро постає питання про безпеку. Саме тому ми намагаємося зробити так, щоб алгоритми навчалися, але дані при цьому не поширювалися (федеративне машинне навчання, розроблене в Google, дозволяє використовувати єдину модель для прогнозування при машинному навчанні, але при цьому не ділитися первинно використаними для навчання даними. — ). Мені здається, що це та проблема, яку намагається вирішити весь технологічний світ, але конкретно ми націлені на те, щоб захистити саме клінічні дані.

Нарешті, стоїть питання про те, як, розробивши алгоритми, можна використовувати їх надалі. Для цього ми будемо використовувати нашу платформу Clara.

Платформа Clara, представлена компанією цього року, поєднує в собі систему-на-чіпі Xavier і кілька графічних процесорів Turing. Також цього року розробники компанії представили Clara SDK - набір бібліотек і алгоритмів для створення систем обробки медичних зображень на основі технологій NVIDIA. При цьому сама медична система не обов'язково будується на Clara цілком: платформу можна підключити і використовувати у вже існуючому обладнанні для візуалізації.

У січні в Стенфордському університеті зібрали базу даних з більш ніж 40 тисяч рентгенівських знімків пошкоджених кінцівок. На цій базі даних навчили нейромережу, яка згодом довела свою ефективність у визначенні травм кінцівок і обігнала за цим показником професійного радіолога. Чи плануєте ви зайнятися тим же самим - замінити медичних професіоналів на штучний інтелект?

Не думаю. Як я вже казала, в Королівському коледжі ми працюємо разом з радіологами: саме завдяки цьому наша взаємодія з медичними центрами настільки успішна. Візуалізація - це багатошаговий процес. Якщо пацієнт почувається погано, медичний працівник замовляє, наприклад, МРТ-дослідження. Потім спеціальна людина перевіряє роботу апарату і робить знімок, а потім вже його інтерпретують лікарі. Виходить якесь міні-дослідження щодо візуалізації, в результаті якого радіолог ставить діагноз. І шляхів для поліпшення за допомогою ШІ-алгоритмів тут дуже багато.

Наприклад, існує статистика, відповідно до якої близько 75 відсотків всіх даних при візуалізації виявляються нормальними. Можливо, нові алгоритми можуть допомогти з цим: фільтрувати нормальні зображення так, щоб залишилися тільки ті, які становлять реальний інтерес для радіологів: це дозволить фахівцям ретельніше вивчати знімки і витрачати більше часу на пацієнта. Тому, я думаю, що тут стоїть питання не про те, як замінити лікарів штучним інтелектом, але, швидше - як він може їм допомогти.

nvidia