无论是推进癌症筛查、减少假阳性,还是改进肿瘤识别和治疗方案,AI都是医疗健康创新和加速的强大推动力。然而,尽管前景光明,但将AI集成到实际解决方案中却可能会给许多IT组织带来挑战。
为此,NVIDIA提供诸多解决方案帮助医疗健康行业更好地拥抱AI,其中NVIDIA AI Enterprise软件套件和NVIDIA FLARE便是重要落地举措。
加速实现医疗健康研究的突破
NVIDIA AI Enterprise为在虚拟化基础设施上托管各种医疗健康和运营应用程序的组织简化了AI部署体验。
利用NVIDIA AI Enterprise软件套件(可通过NVIDIA LaunchPad获得),可以使用VMware vSphere在主流加速服务器(包括戴尔科技慧与、联想和许多其他公司的系统)上运行高级AI工作负载。
NVIDIA AI Enterprise能够统一医疗健康组织的数据中心,从而推动创建以NVIDIA技术为核心的生态系统。通用的NVIDIA和VMware基础设施让这些解决方案的部署和管理变得更加容易,从而惠及软件供应商和医疗健康组织。
NVIDIA AI Enterprise使IT管理员能够将Vyasa和iCAD等AI应用程序与医院的核心应用程序结合运行,从而在他们熟悉的环境中简化工作流程。
只需单击几下即可调整计算资源,让医院可以转换对患者和医疗健康提供商的护理。
Vyasa是医疗健康和生命科学深度学习分析工具的提供商,使用NVIDIA AI Enterprise构建可以搜索非结构化内容(如患者护理记录)的应用程序。
借助该软件,Vyasa可以加速开发他们的深度学习应用程序,并帮助深入研究非结构化数据和PDF,来评估哪些患者的风险更高。它可以识别出超过一年没有接受检查的患者,并可以根据年龄和种族等其他风险因素进行优化。
由于实现了平台需求的快速调配,无需再手动下载和集成软件包,NVIDIA AI Enterprise将部署时间缩短了一半。
放射科医生使用iCAD的创新ProFound AI软件协助解读乳房X光片。这些AI解决方案可帮助更早地发现癌症、对乳房密度进行分类,并根据每位女性的乳房X光筛查结果,准确评估个人短期内的乳腺癌风险。使用VMware vSphere运行高级工作负载对于iCAD的医疗健康客户至关重要,因为他们可以轻松地将其数据密集型应用程序集成到任何医院的基础设施中。
对于医疗健康IT和软件公司而言,将AI集成到医院环境中是头等大事。许多NVIDIA Inception合作伙伴都将在此类环境中测试在NVIDIA AI Enterprise上部署其产品的难易程度。其中包括Aidence、Arterys、contextflow、ImageBiopsy Lab、InformAI、MD.ai、Medo AI、 methinks.ai、PhenoMx、RADLogics、Sciberia、Subtle Medical和VUNO。
目前,荷兰癌症研究所(NKI)正在使用NVIDIA AI Enterprise软件套件在比目前常用的3D癌症扫描精度更高的3D癌症扫描中测试AI工作负载。
利用FLARE进行联邦学习
联邦学习是一种隐私保护技术,在处理稀疏、保密或缺乏多样性的数据时特别有用。但它对于大型数据集也很有用,因为组织的数据采集方法或者患者或客户统计技术在处理此类数据集时可能会出现偏差。
许多其他软件制造商(如美国放射学会的AI LAB和Rhino Health)开始通过其联合学习平台在NVIDIA AI Enterprise上验证他们的软件,通过集成到通用的医疗健康IT基础设施中来简化部署。
NVIDIA FLARE(全称为Federated Learning Application Runtime Environment,联邦学习应用程序运行时环境)是NVIDIA Clara Train联邦学习软件的底层引擎,该软件已用于医学成像、基因分析、肿瘤学和新冠肺炎(COVID-19)研究中的AI应用程序。利用此SDK,科研人员和数据科学家可以使其现有的机器学习和深度学习工作流程适应分散工作范式。
提供NVIDIA FLARE的源代码可为科研人员和平台开发者带来更多工具来定制其联邦学习解决方案,从而更好地推动在各行各业中应用先进的AI技术。
利用此SDK,科研人员可以选择不同的联邦学习架构,并根据各个领域特有的应用来定制方法。平台开发者可以使用NVIDIA FLARE为客户提供构建多方协作应用程序所需的分布式基础设施。
联邦学习参与者协同训练或评估AI模型,同时无需汇集或交换每个组的专有数据集。为实现这一点,NVIDIA FLARE提供了不同的分布式架构,包括点对点、循环式和服务器-客户端方法等。
通过使用服务器-客户端方法(每个参与者学习的模型参数均发送到公共服务器并聚合为一个全局模型),NVIDIA牵头开展了多个联邦学习项目,以帮助划分胰腺癌种类、对乳房X光检查中的乳房密度进行分类以告知乳腺癌风险,以及预测新冠肺炎患者的氧气需求。
在使用NVIDIA FLARE进行的两个联邦学习协作项目中也使用了服务器/客户端架构:NVIDIA与Roche Digital Pathology的科研人员合作,通过使用全视野数字切片进行分类成功完成内部仿真;以及与荷兰的Erasmus Medical Center合作开发AI应用程序,以识别与精神分裂症病例相关的基因变异。
NVIDIA FLARE可与现有的AI方案(包括适用于医学成像的开源MONAI框架)相集成。
结语
近年来,AI(人工智能)技术与医疗行业深度融合,为人们的健康生活和医疗服务带来更多可能。 不管是NVIDIA AI Enterprise还是NVIDIA FLARE,NVIDIA为医疗健康行业拥抱AI提供了可兹落地的抓手。
好文章,需要你的鼓励
皮尤研究中心最新分析显示,谷歌搜索结果页面的AI概述功能显著降低了用户对其他网站的点击率。研究发现,没有AI回答的搜索点击率为15%,而有AI概述的搜索点击率降至8%。目前约五分之一的搜索会显示AI概述,问题类搜索中60%会触发AI回答。尽管谷歌声称AI概述不会影响网站流量,但数据表明用户看到AI生成的信息后更容易结束浏览,这可能导致错误信息的传播。
约翰霍普金斯大学研究团队开发了ETTIN模型套件,首次实现了编码器和解码器模型的公平比较。研究发现编码器擅长理解任务,解码器擅长生成任务,跨界训练效果有限。该研究为AI模型选择提供了科学依据,所有资料已开源供学术界使用。
GlobalData研究显示,人工智能驱动的预测性维护正成为电力行业追求高可靠性和成本效益的关键组成部分。该技术结合数据分析、机器学习和实时监控,能够更准确预测设备未来状况,有望降低维护成本30%,提高设备可用性20%。GE Vernova、西门子等公司提供先进解决方案,而数字孪生技术、物联网和边缘计算等新兴技术正进一步提升维护策略的准确性和效率。
博洛尼亚大学团队开发出情感增强的AI系统,通过结合情感分析和文本分类技术,显著提升了新闻文章中主观性表达的识别准确率。该研究覆盖五种语言,在多项国际评测中取得优异成绩,为打击虚假信息和提升媒体素养提供了新工具。