211service.com
Hvordan en gaming-chip en dag kunne redde dit liv
NVIDIA Corporation
Jensen Huang, milliardær CEO for Nvidia, har tjent en formue ved at levere den hardware, der bruges til kunstig intelligens algoritmer. Han satser nu på, at AI er ved at blive en uundværlig del af medicin.
I begyndelsen af 1990'erne erkendte Huang, at begrænsningerne af computerchips til generelle formål og fremkomsten af computerspil sandsynligvis ville øge efterspørgslen efter specialiserede grafikprocessorer. I slutningen af 90'erne og 2000'erne fandt virksomheden, han var medstifter af, stor succes med at lave avancerede grafikchips til gamere.
For nylig har Huang og Nvidia redet på en anden teknologibølge og leveret den hardware, der bruges til at træne og køre de dybe læringsalgoritmer, der har været nøglen til en nylig renæssance inden for kunstig intelligens. Deep learning kræver enorme mængder træningsdata og kraftfuld computerhardware, og Nvidias grafikprocessorer tilbyder den helt rigtige form for parallel behandling til at få disse algoritmer til at flyve.
Huang regner nu med, at AI-algoritmerne kommer til at revolutionere medicin og sundhedspleje, og han satser på, at hospitaler, læger og medicinske forskere bliver Nvidias næste store kundebase. Mængden af data, som sundhedsvæsenet har, er enorm, og det er det perfekte eksempel på ustrukturerede data. Og alligevel er den beregningsmæssige brug af disse data ret begrænset, fortalte Huang MIT Technology Review . Et område, der er en perfekt første indgang, er medicinsk billeddannelse.
Et voksende antal forskningsartikler viser, at dyb læring i princippet kan bruges til at automatisere identifikation af sygdom i medicinske billeder. Forskere ved Stanford har vist, at teknikken kan opdage hudkræft på billeder . Et team hos Google fandt ud af, at det kan bruges til at identificere anomalier i røntgenbilleder af thorax. Nvidia siger, at mere end halvdelen af de artikler, der blev præsenteret på den internationale konference om medicinsk billedberegning og computerassisteret intervention, den vigtigste begivenhed for det medicinske billedbehandlingsfelt, involverede en form for dyb læring.
Denne 3-D visualisering af en hjerteventrikel blev skabt ved hjælp af Nvidias hardware. NVIDIA Corporation
Nvidia arbejder allerede med en række virksomheder, der laver medicinske billedbehandlingsinstrumenter, og disse virksomheder søger alle at tilføje flere beregningsmæssige analyser til deres systemer, siger Huang. Han mener, at det også burde være muligt at koble eksisterende udstyr til sådan et system, så billeder analyseres, og resultaterne præsenteres for teknikere og læger.
I fremtiden, siger Huang, vil disse maskiner blive udvidet med supercomputere, der gør dem til moderne, fantastiske medicinske instrumenter, ligesom cloud computing har gjort for mobiltelefoner.
Sidste måned, Nvidia annonceret et produkt, der har til formål at gøre sådan noget. Den består af stativer med kraftige computerchips, og den kommer fyldt med software til opgaver som at skærpe MR-billeder og skabe visualiseringer af ultralydsdata. Systemet kunne også understøtte maskinlæringsteknikker til at identificere tegn på sygdom i billeder.
John Guttag , professor i datalogi ved MIT, siger, at medicinsk billeddannelse vil blive transformeret ved brug af maskinlæring og især dyb læring. Han siger dog, at den mest umiddelbare indvirkning af AI på medicin vil være i medicinsk forskning. Der kommer til at ske en dramatisk ændring i, hvordan vi forsker, og det vil have en indirekte effekt på omsorgen, siger han. Vi kan se på 20.000 scanninger af Alzheimers patienter og lære ting, vi ikke kunne lære med det blotte øje.
Relateret historie
Relateret historie Ingen ved rigtigt, hvordan de mest avancerede algoritmer gør, hvad de gør. Det kunne være et problem.Guttag siger, at teknologien i sidste ende også vil ende på hospitaler og klinikker, men tingene går langsommere. Det kan vise sig at være svært at få læger og patienter til at acceptere AI-diagnose, siger han, hvis systemet ikke også giver anbefalinger eller en god forklaring på sin konklusion. Mange maskinlæringsmodeller, især inden for deep learning, er notorisk svære at udspørge (se Den mørke hemmelighed i hjertet af AI).
Udfordringerne har ikke afskrækket et stigende antal virksomheder, der nu ønsker at omdanne forskningsfremskridt til kliniske værktøjer. US Food and Drug Administration har allerede godkendt nogle AI-teknikker til klinisk brug, bl.a teknologi til identifikation af tegn på diabetisk retinopati i nethindebilleder, en produkt til genkendelse af tegn på slagtilfælde i CT-scanninger, og en cloud-baseret onkologi platform .
Men det er simpelthen ikke realistisk at forestille sig, at meget af det, læger gør, kunne automatiseres. Algoritmer kan måske hjælpe dem med at analysere flere data, end det ellers ville være muligt, og de kunne blive bedre til simple former for diagnose. Men en patients prognose og behandlingsmuligheder kan afhænge af en lang række faktorer, herunder denne persons unikke sygehistorie. At dømme under disse omstændigheder er langt mere udfordrende for en maskine.
Uanset udfordringerne er mulighederne for Nvidia for gode til at ignorere.
Atul Butte , en professor ved UCSF School of Medicine og en ekspert i brugen af teknologi i sundhedsvæsenet, siger, at hospitaler uundgåeligt vil investere mere i den hardware, der er nødvendig for at køre deep-learning algoritmer. Han siger: Der er fakulteter på UCSF og andre steder, der allerede bruger Nvidia-tavler og -udstyr til at træne deep-learning-modeller på medicinske billeder, inklusive mammografi, ultralyd og mere.