Wie ein Spielchip eines Tages Ihr Leben retten könnte

NVIDIA Corporation

Jensen Huang, der milliardenschwere CEO von Nvidia, hat ein Vermögen gemacht, indem er die Hardware lieferte, die für künstliche Intelligenzalgorithmen verwendet wird. Er setzt jetzt darauf, dass KI aus der Medizin nicht mehr wegzudenken ist.

In den frühen 1990er Jahren erkannte Huang, dass die Einschränkungen von Allzweck-Computerchips und der Aufstieg von Computerspielen wahrscheinlich die Nachfrage nach spezialisierten Grafikprozessoren erhöhen würden. In den späten 90er und 2000er Jahren hatte das Unternehmen, das er mitbegründete, großen Erfolg bei der Herstellung von High-End-Grafikchips für Gamer.

In jüngerer Zeit sind Huang und Nvidia auf einer anderen Technologiewelle geritten und haben die Hardware geliefert, die zum Trainieren und Ausführen der Deep-Learning-Algorithmen verwendet wird, die der Schlüssel zu einer jüngsten Renaissance der künstlichen Intelligenz waren. Deep Learning erfordert riesige Mengen an Trainingsdaten und leistungsstarke Computerhardware, und die Grafikprozessoren von Nvidia bieten genau die richtige Art der Parallelverarbeitung, um diese Algorithmen zum Fliegen zu bringen.

Huang geht nun davon aus, dass die KI-Algorithmen die Medizin und das Gesundheitswesen revolutionieren werden, und er setzt darauf, dass Krankenhäuser, Ärzte und medizinische Forscher die nächste große Kundenbasis von Nvidia sein werden. Die Datenmenge im Gesundheitswesen ist enorm und das perfekte Beispiel für unstrukturierte Daten. Und doch ist die rechnerische Nutzung dieser Daten ziemlich begrenzt, sagte Huang MIT Technology Review . Ein Bereich, der ein perfekter Einstieg ist, ist die medizinische Bildgebung.

Eine wachsende Zahl von Forschungsarbeiten zeigt, dass Deep Learning im Prinzip verwendet werden kann, um die Erkennung von Krankheiten in medizinischen Bildern zu automatisieren. Forscher in Stanford haben gezeigt, dass die Technik erkennen kann Hautkrebs auf Fotos . Ein Team von Google fand heraus, dass es zur Identifizierung von Anomalien in Röntgenaufnahmen des Brustkorbs verwendet werden kann. Nvidia sagt, dass mehr als die Hälfte der Vorträge, die auf der International Conference on Medical Image Computing and Computer Assisted Intervention, der wichtigsten Veranstaltung für den Bereich der medizinischen Bildgebung, präsentiert wurden, irgendeine Form von Deep Learning beinhalteten.

Diese 3-D-Visualisierung einer Herzkammer wurde mit Nvidias Hardware erstellt. NVIDIA Corporation

Laut Huang arbeitet Nvidia bereits mit einer Reihe von Unternehmen zusammen, die medizinische Bildgebungsinstrumente herstellen, und diese Unternehmen sind alle bestrebt, ihren Systemen mehr Computeranalyse hinzuzufügen. Er glaubt, dass es auch möglich sein sollte, vorhandene Geräte an ein solches System anzuschließen, damit Bilder analysiert und die Ergebnisse Technikern und Ärzten präsentiert werden.

In Zukunft, so Huang, werden diese Maschinen durch Supercomputer ergänzt und in moderne, erstaunliche medizinische Instrumente verwandelt, so wie es das Cloud-Computing für Mobiltelefone getan hat.

Letzten Monat Nvidia angekündigt ein Produkt, das darauf abzielt, so etwas zu tun. Es besteht aus Racks mit leistungsstarken Computerchips und ist mit Software für Aufgaben wie das Schärfen von MRT-Bildern und das Erstellen von Visualisierungen von Ultraschalldaten ausgestattet. Das System könnte auch maschinelle Lerntechniken unterstützen, um Krankheitszeichen in Bildern zu erkennen.

Johann Guttag , Professor für Informatik am MIT, sagt, dass die medizinische Bildgebung durch den Einsatz von maschinellem Lernen und insbesondere von Deep Learning verändert werden wird. Er sagt jedoch, dass die unmittelbarsten Auswirkungen der KI auf die Medizin in der medizinischen Forschung liegen werden. Es wird eine dramatische Veränderung in der Art und Weise geben, wie wir forschen, und das wird sich indirekt auf die Pflege auswirken, sagt er. Wir können uns 20.000 Scans von Alzheimer-Patienten ansehen und Dinge lernen, die wir mit bloßem Auge nicht erkennen könnten.

Verwandte Geschichte

Verwandte Geschichte Niemand weiß wirklich, wie die fortschrittlichsten Algorithmen das tun, was sie tun. Das könnte ein Problem sein.

Guttag sagt, dass die Technologie schließlich auch in Krankenhäusern und Kliniken landen wird, aber die Dinge bewegen sich langsamer. Es könnte sich als schwierig erweisen, Ärzte und Patienten dazu zu bringen, die KI-Diagnose zu akzeptieren, sagt er, wenn das System nicht auch Empfehlungen oder eine gute Erklärung für seine Schlussfolgerung bietet. Viele maschinelle Lernmodelle, insbesondere beim Deep Learning, sind notorisch schwer zu hinterfragen (siehe Das dunkle Geheimnis im Herzen der KI).

Die Herausforderungen haben eine wachsende Zahl von Unternehmen nicht abgeschreckt, die nun versuchen, Fortschritte in der Forschung in klinische Instrumente umzuwandeln. Die US Food and Drug Administration hat bereits einige KI-Techniken für den klinischen Einsatz zugelassen, darunter Technologie zum Identifizieren von Anzeichen einer diabetischen Retinopathie in Netzhautbildern, a Produkt zum Erkennen von Anzeichen eines Schlaganfalls in CT-Scans und a Cloud-basierte Onkologie-Plattform .

Aber es ist einfach unrealistisch, sich vorzustellen, dass vieles, was Ärzte tun, automatisiert werden könnte. Algorithmen könnten ihnen helfen, mehr Daten zu analysieren, als dies sonst möglich wäre, und sie könnten einfachere Formen der Diagnose verbessern. Die Prognose und Behandlungsoptionen eines Patienten können jedoch von einer Vielzahl von Faktoren abhängen, einschließlich der einzigartigen Krankengeschichte dieser Person. Unter diesen Umständen Urteile zu fällen, ist für eine Maschine weitaus schwieriger.

Ungeachtet der Herausforderungen sind die Chancen für Nvidia zu groß, um sie zu ignorieren.

Atul-Butte , Professor an der UCSF School of Medicine und Experte für den Einsatz von Technologie im Gesundheitswesen, sagt, dass Krankenhäuser unweigerlich mehr in die Hardware investieren werden, die für die Ausführung von Deep-Learning-Algorithmen erforderlich ist. Er sagt: Es gibt Fakultäten an der UCSF und anderswo, die bereits Nvidia-Boards und -Geräte verwenden, um Deep-Learning-Modelle mit medizinischen Bildern zu trainieren, einschließlich Mammographie, Ultraschall und mehr.

verbergen