醫學成像(medical imaging)在近幾年已有長足的進步,主要歸功於診斷影像的數位化、資料和影像品質的提升,以及影像取得的速度加快。人工智慧(artificial intelligence;AI)與深度學習的普及,讓我們得以進入下一個革新階段。與傳統的電腦輔助診斷系統相較,AI的自主學習系統比靜態系統更能掌握新的狀況,同時提供更高的自主性,使診斷更快速、安全且可靠。

AI可發揮哪些效益?

各領域的研究結果均指出,搭載AI技術的醫學成像系統目前在準確性與速度方面已表現得十分出色。例如,休士頓衛理公會研究所(Houston Methodist Research Institute)系統醫學與生物工程設計部的研究人員已經開發出一款AI軟體,在500張乳房攝影X光片的現場試驗中,其檢測乳癌的速度比醫生快30倍,且準確率高達99%。此類系統不僅能更輕易地辨識乳癌,在檢測偽陽性反應的表現上也更佳,能讓患者免於進行不必要的切片檢查。另一組AI研究團隊則專注於皮膚癌的診斷,其所使用的系統可根據相片診斷皮膚癌,其可靠度與皮膚科醫師無異。紐約市西奈山伊坎醫學院(Icahn School of Medicine at Mount Sinai Hospital)所進行的專案,也證實了AI系統預測肝癌的準確度與專業的腫瘤科醫師不相上下。在該院團隊研究期間,科學家發現系統在未來也可用於預測患者的思覺失調症或其他精神疾病傾向。

需要大規模採用

經研究證實,在提升許多重大疾病的早期偵測、診斷與治療品質方面,AI與深度學習皆可發揮極大的效益。如果AI智慧能夠透過醫學影像直接提供給所有的醫生使用,不僅能拯救許多生命、避免錯誤的治療與不必要的手術,醫生也能因此取得前所未有的龐大資訊,並利用AI的卓越專業能力進行自動診斷與治療。如此一來,即便是醫生數十年專業經驗中未曾經歷的最小或最罕見的指標,也能透過AI可靠地辨識。這對於患者、醫師與醫療保健制度的所有利害關係人均十分有益。一份由PWC商業顧問公司所作的研究指出,在整個歐洲廣泛使用人工智慧,可望在十年內省下將近2千億歐元的預測醫療與病後護理成本。而這當中引發的問題是:哪一項技術平台能夠帶動AI的普及化?

20180809_Cognex_TA31P1 使用康佳特搭載AMD的COM Express模組化電腦可修改採用其他處理器技術的現有COM Express設計,輕鬆將其移轉至AI

準備迎接AI時代來臨

先從好消息說起,最新的嵌入式平台在運算能力、能源效率以及可編程性方面提供了所有必要條件,能將高效能的AI整合至每一部超音波裝置、診斷X光片電腦系統以及醫生診間的醫用PC。現在,您可能會好奇,整個資料中心的AI要如何與低功率的嵌入式平台整合。而事實是事實是二者並未整合,而且也不需要整合,因為目前的深度學習——即資源密集的機器學習類型——仍仰賴伺服器執行。醫學裝置只會使用資料中心所收集的「智慧」資訊。這個過程稱為推論。

資料中心的深度學習

無論是何種類型的任務,流程幾乎一模一樣,也就是將由許多電腦運算單元組成的網路——主要為通用繪圖處理單元(GPGPU)——結合至深度神經網路(DNN)。這個深度學習網路接著必須經過訓練。就診斷成像技術層面而言,這可能包括使用X光片進行乳癌或肝癌早期檢測,或使用一般皮膚的照片訓練系統來辨識皮膚癌。然而,這些都需要十分龐大的影像資料。實際研究專案的影像資料量涵蓋130,000至700,000幅陽性與陰性反應診斷影像,而具備此資料後,神經網路可以根據特定個案的演算法,擬定參數與常式,其準確度與經驗豐富的專業人士不相上下。

20180809_Cognex_TA31P2 資料中心深度學習/本機醫療裝置智慧概圖架構圖

將智慧資訊整合至嵌入式電腦

然而,這個階段的智慧仍位於雲端或中央的資料中心,尚未轉移至醫學裝置。此時就是推論發揮作用的時候。推論的功能就是將深度學習整合至本機裝置。為了把儲存在資料中心的神經網路智慧整合至單一處理器,軟體必須更精簡。因此,任何在訓練成功後不再需要的神經網路部份通常會被移除——因為這部份不會在決策過程中發揮作用,故可安全移除。此外,原始神經網路的數個決策層現在已能與單一運算結合。同樣地,這也不會帶來任何不良影響,因為本機系統並不需要自我學習——即便有需要,也不會因此受影響。很顯然地,使用新資料持續訓練大型系統,然後透過定期軟體更新,使本機裝置維持最新知識等級,才是更有效率的做法。這也說明了連接裝置至技術供應商雲端與伺服器的醫學物聯網(IoT)介面,將成為日後此類技術發展的關鍵。

正確的處理器技術

儘管這大幅降低了醫學裝置本機電腦的運算效能需求,但對於單一處理器而言,所需的處理能力仍相當高。此外,本機和資料中心的電腦運算架構必須相容,才能減少移植軟體和演算法的額外成本。最新的嵌入式加速處理單元能以標準的x86處理器以及專為AI和機器學習設計的強大GPGPU,滿足靈活的電腦運算需求。由於能源需求量低,這些功能可以整合至目前所有的影像處理應用領域——包括行動式無風扇X光機以及RIS (放射科資訊系統)和PACS (醫療影像擷取與傳輸系統)等邊緣儲存裝置。

大幅提升的運算能力與顯示效能,讓全新AMD Ryzen嵌入式V系列尤其適合此一用途。這款多用途CPU可發揮3.6TFLOP的運算能力,搭配強大的GPGPU,能提供幾年前必須以數百瓦(W)耗能的系統才能達到的靈活運算效能。如今更有15W以上的運算功耗選擇,使其得以整合至無風扇、嚴格密封、高度無菌且堅固耐用的醫學裝置,提供以患者為中心的行動照護。

深度學習與AI不是巫術

這些嵌入式處理器也能針對TensorFlow、Caffe和Keras等需要,迅速且全面導入AI及深度學習的工具和架構,提供全方位軟體支援。開發人員也可造訪 https://gpuopen.com/professional-compute/ ,了解各式各樣的深度學習與AI應用的軟體工具與編程環境,如GPGPU應用常用的開放來源ROCm平台。開放來源的概念是確保OEM不單獨仰賴專用解決方案的關鍵,包括可將專用的CUDA應用程式轉換成可移植HIP C++應用程式,以便套用至各廠牌硬體的HIPfy工具。一旦可存取此類生態系統,深度學習與AI的實作性便相對提高,不被Google、Apple、Microsoft和Facebook等IT巨擎所限。現在,就連行動應用程式開發商也開始在實際應用中實作深度學習和本機介面,例如能夠準確辨識手機照片上各種熱狗圖片的Not Hotdog應用程式——此即私人產業開始引進AI的最佳證明。

以模組化電腦實現快速導入設計

現在,剩下的唯一問題就是,醫療裝置製造商如何以迅速、高效的方式,將這些可啟用AI的要件設計至醫學影像裝置上。其中一種最有效的做法就是使用標準化的模組化電腦(Computer-on-Module;CoM)。模組化的做法可使醫療裝置不受限於處理器技術,並為製造商產品提供一致的標準,確保高度的長期可用性,且自行開發的成果也可達到高效的重複利用。只要更換模組,便可將新的效能等級整合至現有設計中,使OEM能以上述創新特色輕鬆延伸設計的功能性。先進的模組規格COM Express目前已經廣泛應用於眾多醫療裝置中,只要透過隨插即用的模組更換方式,就能為OEM的醫療硬體實現與AI的兼容性。

例如,德國康佳特(congatec)利用conga-TR4模組搭配AMD Ryzen嵌入式V1000處理器,在數種系統設計中測試這項工作的完成速度。將模組移轉至採用另一個COM Express Type 6模組的既有系統時,合作公司的開發人員所需的時間與安裝經過評估硬體所需的時間相同,且軟體設定僅需要一般的安裝常式。由於康佳特的所有模組產品均採用標準化API,因此不需額外進行硬體編程。這麼一來,每一個模組的GPIO控制均相同,進而有利於系統設計師量測環境亮度等級,達成顯示器亮度的自動調整。

20180809_Cognex_TA31P3 專為本機醫學AI設計的最新COM Express Type 6基準模組:搭載 AMD嵌入式Ryzen處理器的conga-TR4