AI ได้กลายเป็นหนึ่งในกลไกสำคัญอันดับแรกที่โรงพยาบาลใช้ในการตรวจสอบ คัดกรองผู้ป่วยและระบุผู้มีแนวโน้มเสี่ยงต่อการติดเชื้อ นอกจากการตรวจเช็คอุณหภูมิ ควบคุมและติดตามข้อมูลของผู้ติดเชื้อหรือกลุ่มเสี่ยงแล้ว ยังใช้ AI ในการประเมินสถานการณ์เพื่อเตรียมพร้อมรับมือ เพื่อให้รู้ว่าผู้ติดเชื้อคือใคร กลุ่มเสี่ยงหรือบุคคลที่มีความเสี่ยงจะได้รับการแพร่กระจายของเชื้อนี้จากผู้ติดเชื้อเป็นอย่างไร ไปจนถึงคาดการ์ณและวางแผนทางด้านอุปกรณ์ทางการแพทย์ที่จะต้องใช้เพื่อให้เพียงพอต่อการรองรับสถานการณ์ที่เกิดขึ้น (ที่มา: บทความ STAT ล่าสุด)
ภาพถ่ายทางการแพทย์กับ COVID-19
การคัดแยก COVID-19 จากโรคปอดอื่น โดยใช้ภาพถ่ายทางการแพทย์มีเป็นความหวังสำคัญ เพราะเป็นทางเลือกในการทดสอบในช่วงเวลาที่การตรวจหาสารพันธุกรรมของไวรัสด้วยวิธี Real-time (RT PCR) หรือทางแล็บขาดแคลน หรือใช้ในการสนับสนุนผลจากการทดสอบจากแล็บอีกชั้นหนึ่ง
ในช่วงเดือนมีนาคม โอเพนซอร์สชื่อว่า COVID-Net ได้นำ Convolutional Neural Network (CNN) มาใช้ในการวิเคราะห์ภาพจำนวนกว่า 6,000 ภาพ จากผู้ป่วยมากกว่า 2,800 คน การทดสอบสามารถจำแนกผลการเอ็กซ์เรย์สภาพปอดของผู้ป่วย เช่น เกิดจากแบคทีเรีย ไวรัสที่ไม่ใช่โควิด-19 และไวรัส โควิด-19 และยังมีความพยายามในการสร้างแบบจำลองที่คล้ายกันเพิ่มเติมจาก COVID-Net
สถาปัตยกรรมที่อ้างอิงภาพถ่ายทางการแพทย์
ไม่นานมานี้ NetApp ได้นำเสนอโซลูชันสำหรับภาพถ่ายทางการแพทย์แบบบูรณาการโดยใช้ NVIDIA Clara Train SDK v2.0 ซึ่งใช้ประโยชน์จากการจัดเก็บแฟลช NVIDIA DGX-2 และ NetApp AFF ที่เหมาะสมกับ COVID-19 และการจำแนกภาพและการแบ่งส่วนทางการแพทย์อื่น โซลูชั่นที่สมบูรณ์จะแสดงให้เห็นถึงสถาปัตยกรรมการขับเคลื่อนข้อมูล ตั้งแต่จากขั้นการบันทึกข้อมูลภาพ การจัดเก็บข้อมูลภาพอย่างเป็นระเบียบ การระบุคุณลักษณะเฉพาะของแต่ละภาพโดยใช้ AI และการนำสิ่งที่เรียนรู้จากข้อมูลมาใช้ปรับแต่งโมเดล AI ที่มีอยู่ต่อไป
ความก้าวหน้าทางเทคโนโลยีภาพถ่ายทางการแพทย์รวมถึงความสามารถในการวิเคราะห์ 3D, 4D แบบเรียลไทม์ และการประมวลผลด้วย GPU ช่วยสร้างเครื่องมือที่ทรงพลังให้กับนักรังสีวิทยาในการวินิจฉัยและให้คำแนะนำได้รวดเร็วขึ้น โดยเฉพาะอย่างยิ่งอัลกอริทึมของการแบ่งเซกเมนต์ (Semantic Segmentation Algorithms) จะทำให้สามารถใช้ประโยชน์ได้หลายด้านมากขึ้น และสามารถปรับใช้ในงานใหม่และกรณีใช้งานอื่นๆ ได้ รูปแบบการทำงานนอกกรอบที่หลากหลายของงานวิจัยและภาพถ่ายทางการแพทย์จะมีผลอย่างมากต่อการดูแลสุขภาพ
เวิร์คโหลดของงานด้านการดูแลสุขภาพนี้สามารถบรรจุข้อมูลได้หลากหลายแบบ อาทิ:
- บันทึกสุขภาพอิเล็กทรอนิกส์
- การบันทึกภาพการผ่าตัดของหุ่นยนต์
- การถ่ายภาพรังสีที่มีความทึบแตกต่างกัน
- ภาพจอประสาทตา
- ภาพอัลตราซาวด์
- ภาพซีที สแกน (CT)
- เอกซเรย์โพซิตรอน (PET)
- ภาพ (MRI)
ข้อมูลทั้งหมดนี้จะนำไปใช้ด้านบริการด้านสุขภาพต่างๆ เช่น ภาพถ่ายทางการแพทย์ พยาธิวิทยาแบบดิจิทัล จีโนมิกส์ และอื่นๆ ในโมเดลเทรนนิ่งมีความต้องการชนิดข้อมูลที่แตกต่างกัน รวมถึงประสิทธิภาพการประมวลผลและสตรอเรจ การทำให้ GPU มีสมรรถนะสูงสุดและให้อัตราความเร็วสูงสุดในเวลาแฝงที่ต่ำสุดจากสตอเรจ รายงานเทคนิคนี้กล่าวถึงความท้าทายในการเทรนนิ่งเกี่ยวกับการมอบประสิทธิภาพที่ดีที่สุดเพื่อลดเวลาในการทำความเข้าใจ และเพิ่มความแม่นยำ นอกจากนี้ยังกล่าวถึงการตรวจสอบของโมเดลเทรนนิ่งของ AI และ DL ในการแบ่งเซกเมนต์ของ hippocampus โดยใช้ชุดข้อมูลที่เปิดเผยต่อสาธารณชนด้วยแพลตฟอร์ม NVIDIA Clara™
ฮิปโปแคมปัสเป็นส่วนประกอบสำคัญของสมองมนุษย์ มีบทบาทสำคัญในการรวมข้อมูลจากหน่วยความจำระยะสั้นไปยังหน่วยความจำระยะยาวและในหน่วยความจำเชิงพื้นที่ที่เปิดใช้งานการนำทาง สำหรับโรคอัลไซเมอร์และภาวะสมองเสื่อม ฮิบโปแคมปัสเป็นหนึ่งในส่วนแรกของสมองที่ได้รับความเสียหาย การระบุที่แม่นยำของฮิบโปแคมปัสจาก MRI นับเป็นขั้นตอนสำคัญในกระบวนการวินิจฉัย อาจเป็นเรื่องยากสำหรับนักรังสีวิทยาและแพทย์ ในการแบ่งเซกเมนต์ขนาดเล็กๆ ทั้งสองที่อยู่ใกล้เคียงกันด้วยความแม่นยำ DL จะช่วยให้การแบ่งเซกเมนต์นี้เร็วขึ้นและแม่นยำยิ่งขึ้น ช่วยให้ผู้ปฏิบัติงานทางการแพทย์ไปใช้เวลาในการวินิจฉัยและดูแลผู้ป่วยได้มากขึ้นโดยใช้เวลาน้อยกว่าในการตรวจภาพ
NVIDIA Clara เป็นแพลตฟอร์มการคำนวณที่จะช่วยให้นักพัฒนาสามารถสร้าง จัดการ และปรับใช้เวิร์กโฟลว์ภาพถ่ายทางการแพทย์ได้อย่างชาญฉลาด. NVIDIA Clara Train SDK ™นำเสนอเครื่องมือและเทคโนโลยีที่ทันสมัยที่ช่วยเร่งการให้คำอธิบายประกอบข้อมูล การปรับตัว และการพัฒนาโมเดล AI สำหรับเวิร์กโพลว์การถ่ายภาพด้านสุขภาพ การตรวจสอบความถูกต้องนี้ใช้แพลตฟอร์ม NVIDIA Clara เพื่อจัดทำคำอธิบายประกอบแบบช่วยด้วย AI เพื่อติดฉลากชุดข้อมูลการสร้างภาพสมองที่เปิดเผยต่อสาธารณะ (ที่มา: open-source model called COVID-Net)