211service.com
Nvidias Deep-Learning-Chips könnten der Medizin einen Schub geben
Der Chiphersteller Nvidia reitet auf dem aktuellen Boom der künstlichen Intelligenz mit Hardware, die für hochmoderne Lernalgorithmen entwickelt wurde. Und das Unternehmen sieht das Gesundheitswesen und die Medizin als den nächsten großen Markt für seine Technologie.
Kimberly Powell, die Nvidias Bemühungen im Gesundheitswesen leitet, sagt, dass das Unternehmen mit medizinischen Forschern in einer Reihe von Bereichen zusammenarbeitet und versuchen wird, diese Bemühungen in den kommenden Jahren auszuweiten.
Es gibt diesen erstaunlichen Anstieg in der medizinischen Bildgebungsforschung, sagte Powell bei MIT Technology Review 's EmTech Digital-Konferenz in San Francisco am Montag. Wir besuchen heute immer häufiger Anbieter in Krankenhäusern, die sich neue Anwendungen für künstliche Intelligenz vorstellen.
Insbesondere wird eine maschinelle Lerntechnik namens Deep Learning zur Verarbeitung medizinischer Bilder und zum Durchsuchen großer Mengen medizinischer Daten eingesetzt. Deep Learning, das sehr lose von der Art und Weise inspiriert ist, wie Neuronen im Gehirn zu funktionieren scheinen, hat sich bereits als unglaublich nützlich erwiesen, um Bilder zu finden und Audiodateien zu verarbeiten (siehe 10 Breakthrough Technologies: Deep Learning ).
Diese KI-Technik scheint sicherlich Anhänger in der medizinischen Forschung zu gewinnen. Im vergangenen Jahr zeigte ein Team von Google, dass Deep Learning zur Automatisierung der Diagnose von Augenkrankheiten eingesetzt werden kann. In der Zwischenzeit veröffentlichte eine Gruppe der Stanford University einen Artikel in der Zeitschrift Natur das zeigte die technik kann Hautkrebs erkennen sowie ausgebildeter Dermatologe. Eine Gruppe vom Mount Sinai Hospital in New York nutzte den Ansatz Analysieren Sie die elektronischen Gesundheitsakten der Patienten und sagen Sie mit überraschend hoher Genauigkeit voraus, welche Krankheit eine Person entwickeln würde.
Dies sind nur einige prominente Beispiele. Powell bemerkte während ihres Vortrags, dass große medizinische Bildgebungskonferenzen mittlerweile von Deep-Learning-Artikeln dominiert werden.
Die Grafikprozessoren von Nvidia sind sehr gut geeignet, um die für Deep Learning erforderlichen parallelen Berechnungen durchzuführen, und der Chiphersteller hat bereits ein beträchtliches Geschäft aufgebaut, das Hardware für Deep-Learning-Forscher in Wissenschaft und Industrie liefert. Nvidia stellt eine wachsende Zahl spezialisierter Deep-Learning-Produkte her, darunter einen leistungsstarken Forschungscomputer namens DGX-1 und ein System für selbstfahrende Fahrzeuge namens Drive PX.
Powell glaubt, dass die Hardware des Unternehmens zunehmend auch in Krankenhäusern und medizinischen Forschungszentren zu finden sein wird. Der Ansatz könnte dazu beitragen, die Zuverlässigkeit der Diagnose zu verbessern, sagte sie, und könnte die Versorgungsstandards in Entwicklungsländern, in denen Fachwissen knapp ist, erheblich verbessern. Powell fügte hinzu, dass die Wirkstoffforschung in Zukunft wahrscheinlich ein weiterer großer Bereich für Deep Learning sein würde.
Aber Deep Learning könnte Ärzten auch helfen, Muster zu finden, die sonst unsichtbar wären. Nvidia arbeitet beispielsweise mit Bradley Erickson, einem Neuroradiologen an der Mayo Clinic, zusammen, um Deep Learning auf Gehirnbilder anzuwenden. Erickson hatte einige Erfolge bei der Identifizierung genetischer Faktoren im Zusammenhang mit Gehirnerkrankungen anhand von Bildern, sagte Powell.
Zuvor hatte Gary Marcus, Professor an der NYU, auf derselben Veranstaltung die Medizin als den Bereich herausgestellt, in dem die KI ihre größte Wirkung haben könnte. Denk an Krebs, sagte Marcus. Die Risikofaktoren, die auf die Wahrscheinlichkeit einer solchen Krankheit hinweisen könnten, könnten für eine Person schwer zu identifizieren sein, aber sie könnten von einem Algorithmus aufgedeckt werden, sagte er. Die Killer-App [für KI] könnte einen großen Fortschritt in der Art und Weise darstellen, wie wir Medizin behandeln.
Es gibt jedoch erhebliche Herausforderungen bei der Anwendung von Techniken wie Deep Learning in der Medizin. Der Ansatz ist so komplex und undurchsichtig, dass es einem Arzt möglicherweise nicht klar ist, warum ein Algorithmus zu einer bestimmten Diagnose kommt. Powell erkannte diese Herausforderung an, sagte aber, dass Lösungen wie neue Möglichkeiten zur Visualisierung des Verhaltens von Deep-Learning-Netzwerken entstehen würden. Es ist derzeit ein großes Thema in der Forschung, sagte sie.