当前位置:CIO技术探讨 → 正文

人工智能和机器学习加速医疗向数字化转型

责任编辑:cres 作者:Zeus Kerravala |来源:企业网D1Net  2018-03-09 09:33:19 原创文章 企业网D1Net

人工智能(AI)和机器学习可加速医疗研究,但数据科学家需要全包工具(如英伟达的 DGX Station)才能更高效。
 
毫无疑问,这个世界正处于一个重大变革的边缘——人工智能(AI)和机器学习(ML)将像空气一样渗透到我们的生活中,如同互联网对我们的渗透一样。人工智能可以分析信息,发现异常情况并能够比人更快地做出明智的决策,并且会成为帮助我们更好地完成工作的重要工具。
 
然而,人工智能的采用在垂直方向上差异很大。人工智能领域的其中一个行业是医疗,因为它可能会产生救死扶伤的效果。
 
其中一个很好的例子是位于波士顿的MGH&BWH临床数据科学中心——Mass General Hospital(MGH)和Brigham and Women's Hospital(BWH)合作的产物,为医疗事业开发、推广并对人工智能进行商业化——一直在加速分析磁共振图像(MRI)的过程。
 
我最近与MGH&BWH临床数据科学中心(CCDS)的高级机器学习科学家Neil Tenenholtz进行了交谈,以更好地了解该组织正在做什么以及如何利用英伟达的DGX工作站为他们的计划提供支持。(注:英伟达是ZK Research的客户。)
 
DGX Station为桌面设备带来数据中心般的能力
 
我们可以将DGX Station看作是桌面型的,支持GPU的超级计算机。英伟达(NVIDIA)的主要人工智能平台是DGX-1,它是一款可安装8个NVIDIA Tesla V100 GPU的机架式服务器。位于数据中心的服务器所面临的难题是数据科学家需要与IT部门合作,为该特定任务配置DGX-1。这通常会产生滞后时间,妨碍研究人员分析数据和进行深度学习实验。
 
DGX Station是一种便携的,工作站规格,由4个Tesla V100 GPU提供支持。尽管规格紧凑,但4 GPU系统的计算能力相当于大约400个x86 CPU,使得DGX工作站成为人工智能、机器学习和数据分析等计算密集型工艺的理想选择。
 
人工智能可以提高放射科医生的效率
 
Tenenholtz团队的使命是开发专门用于放射学的基于人工智能的模型,并将其融入放射科医生的临床工作流程中。成功的模型可以授权给外部合作伙伴,也可以通过初创公司自立门户并实现商业化,因此全球各地的医院都可以使用它们。
 
在高层次上,该中心试图证明,基于人工智能的模型能够比人工完成的分析更快,更高效地改善放射科医生和内科医生的效率。我们要明白人工智能不是用来替代临床医生,而是成为下一代放射科医生的另一种工具,这一点很重要。
 
GAN加速了人工智能训练
 
DGX电台目前正在使用的项目是用于核磁共振的大脑“GAN”。GAN是一个“生成对抗网络(generative adversarial network)”,它是一类用于无监督机器学习的人工智能算法,它由两部分组成:生成器创建合成影像,判别器评估它们,以确定它们是否真实。这两个组件都可能具有很高的价值。
 
在CCDS用例中,发生器创建合成的脑MRI,判别器评估它们。Tenenholtz解释说,GAN的目标是并行地训练这两个系统。随着时间的推移,生成器将更加准确地创建可用于增强肿瘤分割算法(tumor segmentation)训练集的合成脑成像。
 
另一方面,学习检测类似于大脑特征的判别器(discriminator)可以在未来的“转移学习(transfer learning)”应用中加以利用,这个过程中,一个任务上训练出来的算法可以用到另一个任务上——在另一个任务的训练例子少于训练新算法所需的例子时。因此,鉴别器可用于检测其它更罕见的脑异常。
 
如果没有预先训练的模型,就需要分析数以万计的影像。有了它,数量可以显著减少。
 
DGX站的交钥匙性质催生了“开箱即用”人工智能研究
 
我向Tenenholtz询问了使用DGX Station、DGX-1或其它带有GPU的电脑的好处,他解释了使用DGX Station的理由。
 
MGH的数据中心目前有四台DGX-1服务器,但医院范围内的资源所面临的一个难题是在系统上获得时间。他承认,虽然他们正在做的工作很重要,但这工作不会优先于一些医院系统。这可能会推迟项目的进展,因此很明显他们需要专门的资源。
 
他们本来可以使用一台带有4个英伟达GPU的小型服务器,但是处理器之间的通信是通过PCI Express总线进行处理的,PCI Express总线可能会因数据量过大而不堪重负。DGX Station拥有一个名为NVIDIA NVLink的专用连接接口,可将GPU与PCI Express插槽分离,以加快数据传输速度。
 
GPU计算面临的难题之一是向GPU提供足够的数据来处理并保持它们的利用率。NVLink不会饱和并像PCI一样停滞。
 
另一个好处是所有部件都经过预先配置和优化,并且软件和应用程序都适配了硬件。不需要安装什么驱动程序或更新什么版本。
 
Tenenholtz说:“随着机器学习领域的飞速发展,开发人员的生产力至关重要。因此,任何能让科学家在几分钟内从拆箱到进行分布式模型训练的解决方案都是非常可取的。”
 
作为分析师,我看到技术浪潮来来去去。多年前,IT行业主要由硬件平台主导。过去十年来,“软件创新”已成为新的潮流。我相信我们达到了这样的程度——拥有优化软件的专用硬件才是将我们推向人工智能时代所需的东西。
 
谷歌和亚马逊这样的全网域(web-scale)公司都有专人将软件运行在商业硬件上,确保其性能达到最佳状态。像MGH这样的组织难得有这样的机会,它需要像DGX Station这样管用的工具,所以他们得以开始工作。
 
版权声明:本文为企业网D1Net原创,转载需注明出处为:企业网D1Net,如果不注明出处,企业网D1Net将保留追究其法律责任的权利。

关键字:CIO数字化转型人工智能机器学习

原创文章 企业网D1Net

x 人工智能和机器学习加速医疗向数字化转型 扫一扫
分享本文到朋友圈
当前位置:CIO技术探讨 → 正文

人工智能和机器学习加速医疗向数字化转型

责任编辑:cres 作者:Zeus Kerravala |来源:企业网D1Net  2018-03-09 09:33:19 原创文章 企业网D1Net

人工智能(AI)和机器学习可加速医疗研究,但数据科学家需要全包工具(如英伟达的 DGX Station)才能更高效。
 
毫无疑问,这个世界正处于一个重大变革的边缘——人工智能(AI)和机器学习(ML)将像空气一样渗透到我们的生活中,如同互联网对我们的渗透一样。人工智能可以分析信息,发现异常情况并能够比人更快地做出明智的决策,并且会成为帮助我们更好地完成工作的重要工具。
 
然而,人工智能的采用在垂直方向上差异很大。人工智能领域的其中一个行业是医疗,因为它可能会产生救死扶伤的效果。
 
其中一个很好的例子是位于波士顿的MGH&BWH临床数据科学中心——Mass General Hospital(MGH)和Brigham and Women's Hospital(BWH)合作的产物,为医疗事业开发、推广并对人工智能进行商业化——一直在加速分析磁共振图像(MRI)的过程。
 
我最近与MGH&BWH临床数据科学中心(CCDS)的高级机器学习科学家Neil Tenenholtz进行了交谈,以更好地了解该组织正在做什么以及如何利用英伟达的DGX工作站为他们的计划提供支持。(注:英伟达是ZK Research的客户。)
 
DGX Station为桌面设备带来数据中心般的能力
 
我们可以将DGX Station看作是桌面型的,支持GPU的超级计算机。英伟达(NVIDIA)的主要人工智能平台是DGX-1,它是一款可安装8个NVIDIA Tesla V100 GPU的机架式服务器。位于数据中心的服务器所面临的难题是数据科学家需要与IT部门合作,为该特定任务配置DGX-1。这通常会产生滞后时间,妨碍研究人员分析数据和进行深度学习实验。
 
DGX Station是一种便携的,工作站规格,由4个Tesla V100 GPU提供支持。尽管规格紧凑,但4 GPU系统的计算能力相当于大约400个x86 CPU,使得DGX工作站成为人工智能、机器学习和数据分析等计算密集型工艺的理想选择。
 
人工智能可以提高放射科医生的效率
 
Tenenholtz团队的使命是开发专门用于放射学的基于人工智能的模型,并将其融入放射科医生的临床工作流程中。成功的模型可以授权给外部合作伙伴,也可以通过初创公司自立门户并实现商业化,因此全球各地的医院都可以使用它们。
 
在高层次上,该中心试图证明,基于人工智能的模型能够比人工完成的分析更快,更高效地改善放射科医生和内科医生的效率。我们要明白人工智能不是用来替代临床医生,而是成为下一代放射科医生的另一种工具,这一点很重要。
 
GAN加速了人工智能训练
 
DGX电台目前正在使用的项目是用于核磁共振的大脑“GAN”。GAN是一个“生成对抗网络(generative adversarial network)”,它是一类用于无监督机器学习的人工智能算法,它由两部分组成:生成器创建合成影像,判别器评估它们,以确定它们是否真实。这两个组件都可能具有很高的价值。
 
在CCDS用例中,发生器创建合成的脑MRI,判别器评估它们。Tenenholtz解释说,GAN的目标是并行地训练这两个系统。随着时间的推移,生成器将更加准确地创建可用于增强肿瘤分割算法(tumor segmentation)训练集的合成脑成像。
 
另一方面,学习检测类似于大脑特征的判别器(discriminator)可以在未来的“转移学习(transfer learning)”应用中加以利用,这个过程中,一个任务上训练出来的算法可以用到另一个任务上——在另一个任务的训练例子少于训练新算法所需的例子时。因此,鉴别器可用于检测其它更罕见的脑异常。
 
如果没有预先训练的模型,就需要分析数以万计的影像。有了它,数量可以显著减少。
 
DGX站的交钥匙性质催生了“开箱即用”人工智能研究
 
我向Tenenholtz询问了使用DGX Station、DGX-1或其它带有GPU的电脑的好处,他解释了使用DGX Station的理由。
 
MGH的数据中心目前有四台DGX-1服务器,但医院范围内的资源所面临的一个难题是在系统上获得时间。他承认,虽然他们正在做的工作很重要,但这工作不会优先于一些医院系统。这可能会推迟项目的进展,因此很明显他们需要专门的资源。
 
他们本来可以使用一台带有4个英伟达GPU的小型服务器,但是处理器之间的通信是通过PCI Express总线进行处理的,PCI Express总线可能会因数据量过大而不堪重负。DGX Station拥有一个名为NVIDIA NVLink的专用连接接口,可将GPU与PCI Express插槽分离,以加快数据传输速度。
 
GPU计算面临的难题之一是向GPU提供足够的数据来处理并保持它们的利用率。NVLink不会饱和并像PCI一样停滞。
 
另一个好处是所有部件都经过预先配置和优化,并且软件和应用程序都适配了硬件。不需要安装什么驱动程序或更新什么版本。
 
Tenenholtz说:“随着机器学习领域的飞速发展,开发人员的生产力至关重要。因此,任何能让科学家在几分钟内从拆箱到进行分布式模型训练的解决方案都是非常可取的。”
 
作为分析师,我看到技术浪潮来来去去。多年前,IT行业主要由硬件平台主导。过去十年来,“软件创新”已成为新的潮流。我相信我们达到了这样的程度——拥有优化软件的专用硬件才是将我们推向人工智能时代所需的东西。
 
谷歌和亚马逊这样的全网域(web-scale)公司都有专人将软件运行在商业硬件上,确保其性能达到最佳状态。像MGH这样的组织难得有这样的机会,它需要像DGX Station这样管用的工具,所以他们得以开始工作。
 
版权声明:本文为企业网D1Net原创,转载需注明出处为:企业网D1Net,如果不注明出处,企业网D1Net将保留追究其法律责任的权利。

关键字:CIO数字化转型人工智能机器学习

原创文章 企业网D1Net

电子周刊
回到顶部

关于我们联系我们版权声明隐私条款广告服务友情链接投稿中心招贤纳士

企业网版权所有 ©2010-2024 京ICP备09108050号-6 京公网安备 11010502049343号

^