JavaScript is currently disabled.Please enable it for a better experience of Jumi.
Annonsera Utgivningsplan Månadsmagasinet Prenumerera Konsultguide Om oss  About / Advertise
Guidelines for contributing Technical Papers: download PDF

Det kommer allt fler smarta lösningar inom medicinteknik plus att artificiell intelligens (AI) maskin­inlärning (ML) och deep learning (DL) stöper om branschen.


Ladda ner artikeln här (länk, pdf).

Fler tekniska rapporter finns på etn.se/expert

Det finns många tillämpningar där ML ger nya möjligheter. Det gäller allt från anatomiska mätningar till upptäckt av cancer och vidare till strål­terapi, kirurgi, nya läkemedel och genetik. För alla dessa kan ML ge snabbare resultat och kostnadsbesparingar. Patienter, vårdgivare, sjukhus, tillverkare av medicinteknisk utrustning, läkemedelsbolag, yrkesverksamma och alla andra inom området kan dra nytta av ML.

Stödet från de myndigheter som reglerar området växer också. Amerikanska FDA godkänner allt fler ML-metoder som gör det lättare att ställa en diagnos, men också för andra tillämpningar. FDA har skapat ett regelverk för ML-baserade produkter. Det refererar till ML-tekniker som “Software as a Medical Device” (SaMD) och spår en betydligt förbättrad kvalitet och effektivitet i vården. För att stödja detta initiativ har FDA infört vad som kallas “predetermined change control plan” för att på ett tidigt och kontrollerat sätt hantera ändringar i befintliga produkter.

FDA förväntar sig att tillverkare av medicintekniska produkter ska vara transparenta och övervaka real­tidegenskaperna för SaMD och att de med jämna mellanrum ger uppdateringar om vad som är förändrat relativt det som ursprungligen godkänts. Det här ramverket gör det möjligt för FDA och tillverkarna att övervaka en produkt från utvecklingsfasen och under hela dess livstid. Det ger myndigheterna möjlighet att se de iterativa förbättringar som SaMD ger samtidigt som patienternas säkerhet kan garanteras.

Det finns ett antal användarfall där ML kan användas för att lösa kritiska hälsoproblem. Som exempel kan man ta digital patologi, strålningsbehandlingar liksom hud-, kärl- och ögonsjukdomar. De använder alla bildanalys och där kan ML användas.

Röntgen av bröstkorgen är den vanligaste radiologiska undersökningen och görs över 2 miljarder gånger per år runt om i världen eller 548 000 gånger per dag. En så enorm mängd med undersökningar skapar en enorm arbetsbörda för radiologerna. ML och djupa neurala nätverk, DNN, liksom konvolutionsnät, CNN, är ofta både snabbare och exaktare än radiologerna, samtidigt som deras erfarenhet har stort värde. Under stressade situationer när man snabbt måste fatta beslut kan människan göra fel i så många som 30 procent av fallen. Att stödja beslutprocessen med ML-metoder kan förbättra kvaliteten i resultaten och ger radiologerna och andra specialister ytterligare ett verktyg.

ML är på väg att valideras av många och mycket pålitliga aktörer. I en studie på Stanford tränades ett 121-lagers CNN för att bli bättre på att upptäcka lunginflammation än fyra radiologer. På liknande sätt har många andra studier av bland annat amerikanska National Institute of Health visat att tidiga stadier av lungcancer diagnosticerats bättre av ett DNN än vad radiologerna klarade av.

Även om användningen inom digital patologi går långsammare har ett antal algoritmer för att upptäcka bröstcancer fungerat bra, och ibland även klarat sig bättre än vad patologerna förutspått.

I många tillämpningar inom digital patologi, strålningsbehandlingar liksom hud-, kärl- och ögonsjukdomar är bilderna stora, ibland 5 Mpixel eller mer, vilket resulterar i komplex bildbehandling. Dessutom kan arbetsflödet med ML vara beräknings- och minnesintensivt. Primärt utgörs beräkningarna av linjär algebra och kräver många beräkningar och en mängd parametrar.

Resultatet blir miljarder med MAC-operationer (multiplicera och addera), hundratals Mbyte parameterdata som kräver massvist med beräkningsenheter och minne som går att dela upp i många små block.

Att utföra noggranna bildinferenser för att upptäck hudförändringar eller för klassificeringar med traditionella beräkningsmetoder på PC-datorer eller med grafikprocessorer är inte effektivt. Företag i hälsovårdssektorn letar efter alternativa sätt att attackera problemet.

Xilinx teknik kan lösa det med en hetero­gen och distribuerad arkitektur. Versal baseras på ACAP-arkitekturen (Adaptive Compute Acceleration Platform) och är en familj med systemkretsar som innehåller FPGA-block, DSP-block, acceleratorer för deep learning, lokalt minne plus processorkärnor. Systemkretsen är massivt parallell och kan bearbeta stora datamängder i nära nog ­realtid.

Dessutom har Versal ACAP en NOC (Network on Chip) för kommunikation mellan olika delar i systemkretsen med terabit­prestanda plus en AI-motor med hundratals block som processar VLIW SIMD-instruktioner.

Sammantaget ger det en beräkningskapacitet på 100 Tops (Tera operations per second) eller mer. Därmed kan kretsarna avsevärt förbättra effektiviteten i komplexa ML-algoritmer inom sjukvården och göra dem användbara ute på klinikerna.

Kraften i Xilinx plattformar kan användas även av algoritm- och applikationsutvecklare. Den gemensamma mjukvaruplattformen med utvecklingsverktyget Vitis för applikationer och Vistis AI för optimering och utveckling av ML-inferenser innebär att utvecklarna kan använda avancerade kretsar – som ACAP:s – i sina projekt.

Arbetsgången inom hälso- och sjukvården genomgår för närvarande en evolution. Om man blickar framåt, kommer det medicinska arbetsflödet att handla om stora datamängder, Big Data, med ett krav på betydligt högre beräkningskapacitet, datasäkerhet, patientsäkerhet och noggrannhet. Distribuerad, ickelinjär, parallell och heterogena beräkningsplattformar är en nyckel för att lösa och hantera komplexiteten. Xilinx kretsar, som Versal, med tillhörande mjukvaruplattform kan leverera en framtidssäkrad AI-arkitektur.

MER LÄSNING:
 
Pappersmagasinet Nyhetsbrev

SENASTE KOMMENTARER
Kommentarer via Disqus

 

Vi gör Elektroniktidningen

Anne-Charlotte Sparrvik

Anne-Charlotte
Sparrvik

+46(0)734-171099 ac@etn.se
(sälj och marknads­föring)
Per Henricsson

Per
Henricsson
+46(0)734-171303 per@etn.se
(redaktion)

Anna Wennberg

Anna
Wennberg
+46(0)734-171311 anna@etn.se
(redaktion)

Jan Tångring

Jan
Tångring
+46(0)734-171309 jan@etn.se
(redaktion)