当下,人工智能的到来让我们见证了医疗科技的进步,其将助力医学科研、临床诊断、仪器设备研发、健康管理、数据库标准化等各个领域。
在NVIDIA 2022年GTC大会上,NVIDIA发布Clara Holoscan MGX,这是一个可供医疗设备行业在边缘开发和部署实时AI应用的平台,专为满足必要的监管标准而设计。
NVIDIA医疗健康业务副总裁Kimberly Powell表示:“在医疗健康和生命科学领域部署实时AI对推动手术、诊断和药物研发的下一轮前沿创新至关重要。Clara Holoscan MGX凭借其AI、加速计算和高级可视化的独特组合,加速了AI产品化,并为医疗设备行业提供软件即服务业务模式。”
Clara Holoscan MGX能够扩展Clara Holoscan平台,提供一体化的医疗级参考架构以及长期软件支持,以加速医疗设备行业的创新。它通过处理高吞吐量数据流来提供实时洞见,将最新的传感器创新带到了边缘计算。从机器人手术到研究生物学的新方法,外科医生和科学家需要医疗设备逐步发展成为持续传感系统,进而更好地推动疾病的研究和治疗。
Clara Holoscan MGX将高性能NVIDIA Jetson AGX Orin工业级模块、NVIDIA RTX A6000 GPU和NVIDIA ConnectX-7智能网卡整合到一个可扩展的AI平台中,提供高达每秒254-619万亿次运算的AI性能。
对于高吞吐量设备,ConnectX-7能够提供高达200GbE的带宽以及用于GPU处理的GPUDirect RDMA 路径,有助于加快处理速度。它还集成了最新嵌入式安全模块,该模块包含负责监控关键操作、提供远程软件更新和系统恢复的控制器,以及可实现最先进嵌入式安全的硬件信任根。
医疗设备制造商可以直接嵌入Clara Holoscan MGX,或将其连接到现有的医疗设备安装平台,从而使开发者能够加速AI部署和监管审批。
Clara Holoscan SDK专为高性能流式数据应用程序而设计,用于构建新一代软件定义设备。它汇集了预训练模型和可扩展微服务框架,允许在设备和边缘数据中心管理和部署应用程序,开创了行业的软件即服务业务模式。
Clara Holoscan从医疗设备延伸至NVIDIA边缘服务器,再到数据中心或云端的 NVIDIA DGX系统。
作为Clara Holoscan MGX的一部分,NVIDIA提供基于长使用寿命NVIDIA组件的硬件参考设计,以及10年的长期软件支持,包括针对软件的IEC62304文档,以及来自嵌入式计算合作伙伴的IEC60601认证报告。
多家嵌入式计算制造商,包括ADLINK、Advantech、Dedicated Computing、Kontron、Leadtek、MBX Systems、Onyx Healthcare、Portwell、Prodrive Technologies、RYOYO Electro和Yuan High-Tech将率先基于Clara Holoscan MGX参考设计开发产品,以满足全球医疗设备行业的需求。
一些大型医疗设备制造商和数十家机器人手术和医学成像初创公司已基于Clara Holoscan平台进行开发。
结语
如今医疗行业积极拥抱数字化技术,而AI和边缘设备正好符合医疗机构的业务需求。Clara Holoscan MGX的推出显然会加速医疗行业的数字化与智慧化水平。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。