211service.com
Hur ett spelchip en dag kan rädda ditt liv
NVIDIA Corporation
Jensen Huang, miljardärs vd för Nvidia, har tjänat en förmögenhet på att leverera hårdvaran som används för artificiell intelligens algoritmer. Han slår nu vad om att AI är på väg att bli en oumbärlig del av medicinen.
I början av 1990-talet insåg Huang att begränsningarna av datorchips för allmänna ändamål och framväxten av datorspel sannolikt skulle öka efterfrågan på specialiserade grafikprocessorer. Under slutet av 90-talet och 2000-talet fann företaget han var med och grundade enorma framgångar med att göra avancerade grafikkretsar för spelare.
På senare tid har Huang och Nvidia ridit på en annan teknikvåg och levererat den hårdvara som används för att träna och köra algoritmerna för djupinlärning som har varit nyckeln till en ny renässans inom artificiell intelligens. Deep learning kräver enorma mängder träningsdata och kraftfull datorhårdvara, och Nvidias grafikprocessorer erbjuder precis rätt sorts parallell bearbetning för att få dessa algoritmer att flyga.
Huang räknar nu med att AI-algoritmerna kommer att revolutionera medicin och hälsovård, och han satsar på att sjukhus, läkare och medicinska forskare kommer att bli Nvidias nästa stora kundbas. Mängden data som sjukvården har är enorm, och det är det perfekta exemplet på ostrukturerad data. Och ändå är den beräkningsmässiga användningen av dessa data ganska begränsad, berättade Huang MIT Technology Review . Ett område som är en perfekt första ingång är medicinsk bildbehandling.
Ett växande antal forskningsartiklar visar att djupinlärning kan användas – i princip – för att automatisera identifieringen av sjukdomar i medicinska bilder. Forskare vid Stanford har visat att tekniken kan upptäcka hudcancer i bilder . Ett team på Google fann att det kan användas för att identifiera anomalier i lungröntgen. Nvidia säger att mer än hälften av artiklarna som presenterades vid den internationella konferensen om medicinsk bildberäkning och datorstödd intervention, den viktigaste händelsen för det medicinska bildbehandlingsområdet, involverade någon form av djupinlärning.
Denna 3D-visualisering av en hjärtkammare skapades med hjälp av Nvidias hårdvara. NVIDIA Corporation
Nvidia samarbetar redan med ett antal företag som tillverkar medicinska bildinstrument, och dessa företag vill alla lägga till mer beräkningsanalys till sina system, säger Huang. Han menar att det också borde vara möjligt att koppla befintlig utrustning till ett sådant system, så att bilder analyseras och resultaten presenteras för tekniker och läkare.
I framtiden, säger Huang, kommer dessa maskiner att utökas med superdatorer, vilket gör dem till moderna, fantastiska medicinska instrument, precis som molnbaserad datoranvändning har gjort för mobiltelefoner.
Förra månaden, Nvidia meddelat en produkt som syftar till att göra något liknande. Den består av rack med kraftfulla datorchips, och den levereras laddad med programvara för uppgifter som att skärpa MRI-bilder och skapa visualiseringar av ultraljudsdata. Systemet skulle också kunna stödja maskininlärningstekniker för att identifiera tecken på sjukdom i bilder.
John Guttag , professor i datavetenskap vid MIT, säger att medicinsk bildbehandling kommer att förvandlas genom användning av maskininlärning, och i synnerhet djupinlärning. Han säger dock att den mest omedelbara effekten av AI på medicin kommer att vara i medicinsk forskning. Det kommer att bli en dramatisk förändring i hur vi forskar, och det kommer att ha en indirekt effekt på vården, säger han. Vi kan titta på 20 000 skanningar av Alzheimers patienter och lära oss saker som vi inte kunde lära oss med blotta ögat.
Relaterad berättelse
Relaterad berättelse Ingen vet riktigt hur de mest avancerade algoritmerna gör vad de gör. Det kan vara ett problem.Guttag säger att tekniken så småningom kommer att hamna på sjukhus och kliniker också, men saker går långsammare. Det kan visa sig vara svårt att få läkare och patienter att acceptera AI-diagnos, säger han, om systemet inte också ger rekommendationer eller en bra förklaring till sin slutsats. Många maskininlärningsmodeller, särskilt inom djupinlärning, är notoriskt svåra att förhöra (se Den mörka hemligheten i hjärtat av AI).
Utmaningarna har inte avskräckt ett växande antal företag som nu vill omvandla forskningsframsteg till kliniska verktyg. US Food and Drug Administration har redan godkänt vissa AI-tekniker för klinisk användning, inklusive teknologi för att identifiera tecken på diabetisk retinopati i näthinnebilder, a produkt för att känna igen tecken på stroke vid datortomografi, och a molnbaserad onkologiplattform .
Men det är helt enkelt inte realistiskt att föreställa sig att mycket av det läkare gör skulle kunna automatiseras. Algoritmer kan hjälpa dem att analysera mer data än vad som annars skulle vara möjligt, och de skulle kunna bli bättre på enkla diagnoser. Men en patients prognos och behandlingsalternativ kan bero på en lång rad faktorer, inklusive den personens unika medicinska historia. Att göra bedömningar under dessa omständigheter är mycket mer utmanande för en maskin.
Oavsett utmaningarna är möjligheterna för Nvidia för bra för att ignorera.
Atul Butte , en professor vid UCSF School of Medicine och expert på användningen av teknik inom hälso- och sjukvården, säger att sjukhus oundvikligen kommer att investera mer i den hårdvara som behövs för att köra algoritmer för djupinlärning. Han säger att det finns fakulteter vid UCSF och på andra håll som redan använder Nvidia-kort och utrustning för att träna djupinlärningsmodeller på medicinska bilder, inklusive mammografi, ultraljud och mer.