医学研究员Viksit Kumar通过基于GPU的深度学习研究,力图利用超声图像实现更准确的癌症诊断。
当Viksit Kumar得知自己的母亲患上了卵巢癌时,癌症已经发展到了第三期,这时候再采取化疗已经无力回天了。2006年,这位母亲在印度孟买的一家医院去世,但如果癌症早一点发现,她本可以再多活几年。
这个想法不断地在这名机械工程专业学生的脑中徘徊,并最终激励他选择了一条不同的道路。
“这是驱使我转而主攻医疗领域的因素之一。” Kumar说道。现在他是明尼苏达州罗彻斯特梅奥医院的高级研究员。他希望自己这项研究可以帮助其他人免于同样的悲剧。
在过去几年间,Kumar一直致力于基于GPU的深度学习研究,力图利用超声图像实现更准确的癌症诊断。
他把工作重点首先放在了乳腺癌,因其比卵巢癌更为常见,且能吸引到更多的研发资金。他的主要目标是让早期诊断在乳房X光检查稀缺的发展中国家得以实现。
深入探索深度学习
加入梅奥医院后,Kumar就开始着手这项研究。当时,他在利用超声成像来诊断早产儿并发症。当注意到超声波可以分辨出不同物体时,他觉得这可能会有助于乳腺癌图像的分类。
在对这一问题进行了深入研究后,他发现深度学习将是完善超声诊断的理想选择。但在当时,Kumar对深度学习的了解少之又少。所以他埋头苦学,花了6个多月尽其所能自学有关构建和利用深度学习模型的一切知识。
“深度学习将会帮上大忙,这也是我的学习动力。”他说道。
事实上,人们的确需要这种帮助。乳腺癌是最常见的癌症之一,也是最容易被发现的癌症之一。然而,由于成本原因,在发展中国家,除了大城市外,很少有乳房X光检查机。因此,医疗人员通常会采取保守方式,并会进行不必要的活组织检查。
对于偏远地区的医疗机构来说,超声波是一种更经济实惠的选择。
在发达国家,大部分女性会在40岁后定期进行乳房X光检查。即便如此,Kumar表示,对于孕妇或备孕女性以及不能接触乳房X光检查的人来说,超声波诊断仍然是至关重要的。
红色轮廓表示的是手动分割的肿瘤边界,而深度学习预测的边界以蓝色、绿色和青色表示。
无时无刻都在完善
Kumar惊异于深度学习工具的发展程度。过去需要两三天的时间才能配置好深度学习系统,而现在只需要几个小时。
Kumar的团队使用由NVIDIA GPU Cloud (NGC)提供的TensorFlow深度学习框架容器进行本地处理。对于最为繁重的任务,其工作被转移到了Amazon Web Services上的NVIDIA Tesla V100 GPU,并使用同一个NGC容器。
经过优化,NGC容器可在NVIDIA Volta和Pascal 架构GPU上提供本地和云端的最高性能,并包含运行GPU加速软件所需的一切。在两种环境中使用相同的容器让他们可以在任何有计算资源的地方运行其工作任务。
“开发出架构后,我们想在流程上进行迭代,这时我们就会使用AWS,”Kumar 说道。据他估计,得益于更多更先进的GPU共同运行,目前处理大型任务的工作方式要比本地处理至少快上8倍。
目前该团队将GPU既用于训练,也用于推理。Kumar表示,他想在超声波机器上进行现场推理。
更多进展值得期待
Kumar希望在明年可以将该技术试用于患者诊断。
最后,他希望日后能够将超声成像应用于其他癌症的早期检测,如甲状腺癌以及卵巢癌。
Kumar的工作极具开创性,但他呼吁大家保持耐心,直到真正将AI和深度学习应用于医疗领域的那一天。“在被放射科医师和超声医师认可成为临床标准之前,这项技术必须发展得足够成熟。”他表示。
Kumar及其团队的努力势必有助于推动这一目标的实现。
全部0条评论
快来发表一下你的评论吧 !