Der Markt für künstliche Intelligenz in Diagnose und Bildgebung soll in den nächsten Jahren stark wachsen – und dabei wird auch künstliche Intelligenz eine Rolle spielen. Die Anwendung von KI gestaltet sich dabei so, dass das eigentliche Lernen auf zentralen Serverfarmen erfolgt. Angewendet wird das Erlernte lokal in den Geräten. Einige KI-Anwendungen können auf Standardsystemen betrieben werden wie dem Bildarchivierungs- und Kommunikationssystem (PACS) oder auch dem Radiologie-Informationssystem (RIS). Diese laufen mit rechenstarken Servern auf den Befundungsworkstations, und hier lassen sich KI-Anwendungen einfach integrieren. Im Vergleich zur vorherigen Nutzung wird nicht signifikant mehr Rechenleistung benötigt.
Rechenleistung im Gerät lässt sich steigern
Wenn Systementwickler erlernte Algorithmen auf Medizingeräten ausführen wollen, denen nur begrenzte Energie und Rechenleistung zur Verfügung steht, sind andere Überlegungen erforderlich. Sollen die Geräte mit Algorithmen des Machine Learning (ML) und Deep Learning (DL) ausgestattet werden, wird viel mehr Rechenleistung als bisher gebraucht.
Ein Weg, um das zu erreichen, sind so genannte GPGPU-basierte Serverfarmen. Das Kürzel GPGPU für General Purpose Computation on Graphics Processing Unit bezeichnet Grafikprozessoren, die für Berechnungen eingesetzt werden, die über ihren ursprünglichen Aufgabenbereich hinausgehen. Die einem System zusätzlich zur Verfügung gestellte Rechenleistung sollte idealerweise auf der gleichen Computing-Architektur basieren, die auch in den lernenden Serverfarmen genutzt wird – so können Software und Algorithmen effizient wiederverwendet werden.
Kandidaten für die Integration Künstlicher Intelligenz
Da x86-basierte Medizingeräte für die Diagnostik und Bildgebung eine hohe GPU-Performance aufweisen, sind sie ideale Kandidaten für die Integration von KI-Funktionen: Ihr Ökosystem bietet bereits Support für heterogene Computersysteme. Zwei Prozessoren des Herstellers AMD bringen die Eigenschaften mit, die für die Integration von KI in Geräten für die Bildgebung gebraucht werden. Die Prozessoren Ryzen Embedded V1000 und Epyc Embedded 3000 kombinieren in einer APU (Accelerated Processing Unit) eine leistungsstarke „Zen“-CPU-Architektur mit einer hohen Leistung auch im Grafikbereich. Entwickler, die noch mehr Performance benötigen, können die verwendeten Architekturen über diskrete Grafikkarten mit noch leistungsfähigeren AMD Epyc Embedded-Prozessoren nutzen. Daran lassen sich beispielsweise vier voll ausgestattete PEG-Grafikkarten mit je 16 Lanes anbinden.
Beide Prozessoren ermöglichen eine heterogene Systemprogrammierung. Damit können sie nicht nur die KI-Aufgaben auf den Embedded Computern der Medizingeräte ausführen, sondern gleichzeitig als Plattformen für die Deep-Learning-Prozesse in den Servern des Rechenzentrums eingesetzt werden – wo ihnen eine massive GPGPU-gestützte Parallelverarbeitung zur Verfügung steht.
Wie sich die Rechenleistung in Medizingeräten ausgewogen verteilen lässt, hängt vor allem von der Anwendung ab. Bei kleinen Geräten empfehlen sich COM Express Typ 6 Computer-on-Modules mit AMD Ryzen Embedded V1000 Prozessoren für All-in-One-Systeme. Für rechenstarke Backendsysteme sind jedoch COM Express Typ 7 Server-on-Module mit AMD Epyc 3000 Embedded Prozessoren die bessere Wahl.
Modulares Konzept für Medizintechnik
Da das Konzept modular aufgebaut ist und auf herstellerunabhängigen Standards basiert, können Entwickler die Leistung über einen weiten Bereich skalieren und durch Modul-Tausch auf die neueste Technologie umsteigen. Das ist für kontinuierliche Verbesserungsprozesse und Closed-Loop-Engineering vorteilhaft. Eine hohe Langzeitverfügbarkeit, die gerade für die Medizintechnik zählt, ist gegeben.
Spezialisten für Embedded-Computing wie die Deggendorfer Congatec AG bieten zudem Dienstleistungen an, damit sich Entwickler auf die Anwendung konzentrieren können. Das Angebot reicht bis zur kompletten Systementwicklung auf Basis standardisierter Embedded-Technologie – inklusive der Integrationsunterstützung für Hardwarekomponenten von Drittanbietern wie Basler-Kameras für Medizin und Biowissenschaft.
Beispiele für KI in der Medizin
Die bildgebende Diagnostik zählt zu den etablierten Applikationsfeldern für KI in der Medizin. So haben beispielsweise Forscher des Systems Medicine and Bioengineering am Houston Methodist Research Institute eine künstliche Intelligenz programmiert, die in einem Feldversuch mit 500 Mammografien Brustkrebs 30 Mal schneller als Ärzte erkennt. Die Genauigkeit lag bei 99 %.
Ein Projekt der Icahn School of Medicine am Mount Sinai Hospital in New York City zeigte, wozu KI sonst noch in der Lage ist: Sie kann nicht nur Leberkrebs mit der Genauigkeit von Fachonkologen vorhersagen. Die Wissenschaftler fanden auch heraus, dass sie das System künftig dafür nutzen können, um zu bestimmen, ob ein Patient anfällig für Schizophrenie oder andere psychische Erkrankungen ist.
KI lässt sich in Zusammenhang mit Sprache ebenfalls einsetzen: So gibt es bereits Chatbots, die selbstständig die Symptome des Patienten erfragen, um dann eine Diagnose zu stellen. Dabei beziehen sie, sofern vorhanden, die Vorgeschichte des Patienten mit ein.
Ein Projekt aus China wertet Patientendaten aus, um Kinderkrankheiten zu erkennen. Es wurde mit mehr als einer Million Patientenakten trainiert und erreicht bei der Diagnose eine Treffgenauigkeit von 79 bis 98 %.
Hier finden Sie mehr über:
