Künstliche Intelligenz einschließlich maschinelles Lernen (ML) und Deep Learning (DL) ist auf dem besten Weg, medizintechnische Anwendungen nachhaltig zu verändern. Alle Anwendungsbereiche werden von ML-gesteuerten Werkzeugen profitieren. Von anatomisch-geometrischen Messungen über die Krebserkennung bis hin zur Radiologie, Chirurgie, Arzneimittelentwicklung und Genomik. Denn die Möglichkeiten sind endlos. ML kann zu erhöhter Effizienz und damit zu einem höherem Ertrag bei erheblicher Kostensenkung führen.
Perspektiven für maschinelles Lernen im Gesundheitswesen
Es gibt ein breites Spektrum von Möglichkeiten, wie ML zur Lösung wichtiger Probleme im Gesundheitswesen eingesetzt werden kann. Zum Beispiel verwenden die digitale Pathologie, Radiologie, Dermatologie, Gefäßdiagnostik und Augenheilkunde Standard-Bildverarbeitungstechniken.
Das Röntgen des Brustkorbs ist das am häufigsten durchgeführte radiologische Verfahren mit weltweit über zwei Milliarden Scans pro Jahr. Was 548.000 Scans pro Tag entspricht. Jedenfalls stellt eine solch riesige Menge an Scans eine hohe Belastung für Radiologen dar. Und auch eine hohe Anforderungen an die Effizienz der Arbeitsabläufe. Häufig übertreffen ML-, Deep-Neural-Network-(DNN-) und Convolutional-Neural-Networks-(CNN-)Methoden den Radiologen in Geschwindigkeit und Genauigkeit. Die Kenntnisse und Erfahrungen eines Radiologen sind nach wie vor von größter Bedeutung. Jedoch kann unter Stress, z.B. während eines schnellen Entscheidungsprozesses, die menschliche Fehlerquote bis zu 30 Prozent betragen. Die Unterstützung des Entscheidungsprozesses durch ML-Methoden kann die Qualität der Ergebnisse verbessern. Außerdem kann sie den Radiologen und anderen Spezialisten als ein zusätzliches Werkzeug an die Hand geben.
Maschinelles Lernen auf dem Prüfstand
Die Validierung von ML kommt heute aus mehreren und sehr zuverlässigen Quellen. In einer Studie der Stanford ML Group wurde ein 121-Schicht-CNN ausgebildet, um Lungenentzündungen besser als vier Radiologen zu erkennen. In mehreren anderen Studien des National Institute of Health erreichten Versuche zur Früherkennung, unter Verwendung eines DNN-Modells, eine bessere Genauigkeit. Sogar besser als die Diagnose mehrerer Radiologen gleichzeitig – von bösartigen Lungenknoten bis hin zur Diagnose von Lungenkrebs.
Viele Eingriffe in der Radiologie, Pathologie, Dermatologie, Gefäßdiagnostik und Augenheilkunde werden mit hohen Auflösungen durchgeführt und erfordern eine komplexe Bildverarbeitung. Außerdem kann der ML-Workflow rechen- und speicherintensiv sein. Die vorherrschende Berechnung ist die lineare Algebra. Sie erfordert viele Rechenschritte und berücksichtigt eine Vielzahl von Parametern.
Dies führt zu Milliarden von Multiply-Accumulate-(MAC-)Operationen und Hunderten von Megabyte an Parameterdaten. Außerdem nutzt es eine Vielzahl von Operatoren sowie ein hochgradig verteiltes Speichersubsystem. Daher ist es ineffizient, genaue Bildinferenzen für die Gewebeerkennung oder -klassifizierung mit herkömmlichen Rechenmethoden auf PCs und GPUs durchzuführen. Entsprechend suchen Unternehmen des Gesundheitssektors nach alternativen Techniken, um dieses Problem zu lösen.
Verbesserte Effizienz mit ACAP-Systemen
Die Xilinx-Technologie bietet eine heterogene Architektur, um eine Verteilung auf viele Rechenkerne und zugehörige Speicher zu ermöglichen. Dies löst das beschriebene Problem für Unternehmen im Gesundheitswesen. Die Xilinx Versal Adaptive-Compute-Acceleration-Platform-(ACAP-)Familie besteht aus System-on-Chips (SoCs) mit anpassungsfähigen Field Programmable Gate Arrays (FPGAs), integrierten digitalen Signalprozessoren (DSPs), integrierten Beschleunigern für Deep Learning, SIMD VLIW-Engines mit einer hochgradig verteilten lokalen Speicherarchitektur und Multiprozessorsystemen. Sie sind bekannt für ihre Fähigkeit, mit hoher Geschwindigkeit massiv parallele Signalverarbeitungen von Daten in nahezu Echtzeit durchzuführen.
Darüber hinaus kann Versal ACAP über ein Network-on-Chip (NoC) mit einer Bandbreite von mehreren Terabit pro Sekunde vernetzt werden und verfügt über eine fortschrittliche AI-Engine mit Hunderten von eng integrierten VLIW-SIMD-Prozessoren. Dies bedeutet, dass die Rechenkapazität über 100 Tera operations per second (TOPS) hinausgehen kann.
Die Bausteineigenschaften verbessern das Verhältnis von Performance zu Verlustleistung bei der Anwendung komplexer ML-Algorithmen erheblich und tragen dazu bei, medizintechnische Anwendungen mit weniger Ressourcen, Kosten und Energie durchzuführen und trotzdem deutlich zu beschleunigen. Versal ACAP hat somit die Unterstützung für rekursive Netzwerke und der zugehörigen Bibliotheken bereits in seiner Architektur eingebaut.
Xilinx verfügt über ein innovatives Ecosystem für Algorithmen- und Anwendungsentwickler. Die Softwareplattformen Vitis für die Anwendungsentwicklung und Vitis AI für die Optimierung sowie für den Einsatz beschleunigter ML-Inferenz machen es einfach, hochentwickelte Prozessoren aus der Familie der ACAPs einzusetzen.
Arbeitsabläufe im Gesundheitswesen und bei medizinischen Geräten sind großen Veränderungen unterworfen. Künftig werden medizinische Workflows „Big Data“ nutzen, was deutlich höhere Anforderungen an Rechenleistung, Schutz vor unberechtigtem Zugriff, Patientensicherheit und Präzision stellt. Verteilte, nichtlineare, parallele und heterogene Rechenplattformen sind der Schlüssel dazu, diese Komplexität in den Griff zu bekommen. ICs von Xilinx und speziell die Familie Xilinx Versal und die Software-Plattform Vitis sind ideal für die Bereitstellung der optimierten Architekturen für Künstliche Intelligenz in medizintechnischen Anwendungen in der Zukunft.
Erfahren Sie mehr über Xilinx www.xilinx.com.