211service.com
Hvordan en spillbrikke en dag kan redde livet ditt
NVIDIA Corporation
Jensen Huang, milliardærsjefen i Nvidia, har tjent en formue ved å levere maskinvaren som brukes til kunstig intelligens-algoritmer. Han satser nå på at AI er i ferd med å bli en uunnværlig del av medisinen.
På begynnelsen av 1990-tallet erkjente Huang at begrensningene for generelle databrikker og fremveksten av dataspill sannsynligvis ville øke etterspørselen etter spesialiserte grafikkprosessorer. På slutten av 90- og 2000-tallet fant selskapet han var med å grunnlegge stor suksess med å lage avanserte grafikkbrikker for spillere.
Nylig har Huang og Nvidia kjørt en annen teknologibølge, og levert maskinvaren som brukes til å trene og kjøre dyplæringsalgoritmene som har vært nøkkelen til en nylig renessanse innen kunstig intelligens. Dyplæring krever enorme mengder treningsdata og kraftig datamaskinvare, og Nvidias grafikkprosessorer tilbyr akkurat den rette typen parallell prosessering for å få disse algoritmene til å fly.
Huang regner nå med at AI-algoritmene kommer til å revolusjonere medisin og helsevesen, og han satser på at sykehus, leger og medisinske forskere vil bli Nvidias neste store kundebase. Mengden data som helsevesenet har er enorm, og det er det perfekte eksempelet på ustrukturerte data. Og likevel er beregningsmessig bruk av disse dataene ganske begrenset, fortalte Huang MIT Technology Review . Et område som er en perfekt første oppføring er medisinsk bildediagnostikk.
Et økende antall forskningsartikler viser at dyp læring kan brukes – i prinsippet – for å automatisere identifisering av sykdom i medisinske bilder. Forskere ved Stanford har vist at teknikken kan oppdage hudkreft på bilder . Et team hos Google fant ut at det kan brukes til å identifisere anomalier ved røntgen av thorax. Nvidia sier at mer enn halvparten av papirene som ble presentert på den internasjonale konferansen om medisinsk bildeberegning og datamaskinassistert intervensjon, den viktigste begivenheten for medisinsk bildebehandling, innebar en form for dyp læring.
Denne 3D-visualiseringen av en hjerteventrikkel ble laget ved hjelp av Nvidias maskinvare. NVIDIA Corporation
Nvidia jobber allerede med en rekke selskaper som lager medisinske bildeinstrumenter, og disse selskapene er alle ute etter å legge til flere beregningsmessige analyser til systemene sine, sier Huang. Han mener det også bør være mulig å koble eksisterende utstyr til et slikt system, slik at bilder analyseres og resultatene presenteres for teknikere og leger.
I fremtiden, sier Huang, vil disse maskinene bli utvidet med superdatamaskiner, og gjøre dem om til moderne, fantastiske medisinske instrumenter, akkurat som cloud computing har gjort for mobiltelefoner.
Forrige måned, Nvidia annonsert et produkt som har som mål å gjøre noe slikt. Den består av stativer med kraftige databrikker, og den er lastet med programvare for oppgaver som å skjerpe MR-bilder og lage visualiseringer av ultralyddata. Systemet kan også støtte maskinlæringsteknikker for å identifisere tegn på sykdom i bilder.
John Guttag , professor i informatikk ved MIT, sier at medisinsk bildebehandling kommer til å bli transformert ved bruk av maskinlæring, og spesielt dyp læring. Imidlertid sier han at den mest umiddelbare effekten av AI på medisin vil være i medisinsk forskning. Det kommer til å bli en dramatisk endring i hvordan vi forsker, og det vil ha en indirekte effekt på omsorgen, sier han. Vi kan se på 20 000 skanninger av Alzheimers-pasienter og lære ting vi ikke kunne lære med det blotte øye.
Relatert historie
Relatert historie Ingen vet egentlig hvordan de mest avanserte algoritmene gjør det de gjør. Det kan være et problem.Guttag sier at teknologien til slutt vil ende opp på sykehus og klinikker også, men ting går saktere. Det kan vise seg vanskelig å få leger og pasienter til å akseptere AI-diagnose, sier han, hvis systemet ikke også gir anbefalinger eller en god forklaring på konklusjonen. Mange maskinlæringsmodeller, spesielt innen dyp læring, er notorisk vanskelige å avhøre (se The dark secret at the heart of AI).
Utfordringene har ikke skremt et økende antall selskaper som nå ønsker å gjøre forskningsfremskritt om til kliniske verktøy. US Food and Drug Administration har allerede godkjent noen AI-teknikker for klinisk bruk, inkludert teknologi for å identifisere tegn på diabetisk retinopati i netthinnebilder, a produkt for å gjenkjenne tegn på hjerneslag i CT-skanninger, og a skybasert onkologiplattform .
Men det er rett og slett ikke realistisk å forestille seg at mye av det leger gjør kan automatiseres. Algoritmer kan hjelpe dem med å analysere mer data enn det ellers ville vært mulig, og de kan bli bedre på enkle diagnoseformer. Men en pasients prognose og behandlingsalternativer kan avhenge av en lang rekke faktorer, inkludert den personens unike medisinske historie. Å foreta vurderinger under disse omstendighetene er langt mer utfordrende for en maskin.
Uavhengig av utfordringene er mulighetene for Nvidia for gode til å ignorere.
Atul Butte , professor ved UCSF School of Medicine og ekspert på bruk av teknologi i helsevesenet, sier sykehus uunngåelig vil investere mer i maskinvaren som trengs for å kjøre dyplæringsalgoritmer. Han sier: Det er fakulteter ved UCSF og andre steder som allerede bruker Nvidia-kort og utstyr for å trene dyplæringsmodeller på medisinske bilder, inkludert mammografi, ultralyd og mer.