背景:从数据到知识

QNAP 专注于储存产业 14 余年,透过产品创新不断改变 NAS(Network Attached Storage)的定义。2018 年 QNAP 推出 QuAI 人工智能软件开发平台,

赋予储存大量数据的 NAS 获得智能能力,让数据科学家和开发人员可以在 QNAP NAS 上快速建构、训练和优化 AI 模型。

在 NAS 开展 AI 服务,可大幅降低数据储存与网络配置的繁琐设定,结合 QNAP NAS 高效运算力以及强大的支持特性,让 NAS 执行深度学习运算成为可行方案。

过去昂贵的 AI 工作站,可透过数台 NAS 的组合即可取代,快速完成部署。

NAS 不仅能够作为 AI 模型的训练服务器(Training Server),亦能作为推论服务器(Inference Server),使研发的进入门坎降低,创造 AI 发展普及的可能性。




AI 实作:数据科学家与医生的跨界演出

2018 年 2 月,QuAI 团队前往拜会台湾知名的医学研究机构,与多位专科医生与医学博士讨论医疗 AI 的可行性规划。

QuAI 团队召集人 Dennis Chang 指出:「首先我们要选择一个战场。要完成一个深度学习(Deep Learning)项目的三个成功关键要素,包含数据、算法、运算能力。其中资料的可分析性是最基础的要素。」

Dennis 所谈的数据,指的正是医疗诊断团队普遍使用的医学影像,例如计算机断层扫描(CT)、核磁共振(MRI)、光学同调断层扫描术 ( OCT) 等非侵入式的图像处理技术所产生的档案。

这些医学影像能够显示病灶特征,透过医师的经验推断后即可诊断病情成因。然而,医学影像有许多特征的显影极为细微,解读显影实在不是一件容易的工作,而整个推断的过程,也仰赖医生个人的专业训练与经验。

如果 QNAP 能够透过 AI 技术,提升医师对医学影像判读的效率与准确率,对于医疗质量的提升将大有帮助。

除了获得大量医学影像可供分析外,QuAI 团队 也需要汲取医师的专业知识,协助进行医疗数据的标记及定义分类,逐步建立起数据判读的模型,

并透过深度神经网络(Deep Neural Network)算法各种实验分析,不断地循环这个过程,持续改善及优化模型架构和算法,完成医疗影像的诊断模型程序。有了台湾权威的医师群协助标记医学影像,

QuAI 团队对于完成这个医疗 AI 项目更具信心。经过双方的密切讨论,终于选定了主题:老年性黄斑部病变(Age-related Macular Degeneration)智能医疗辅助]诊断系统。


眼睛的癌症:老年性黄斑部病变

老年性黄斑部病变是一种随年龄增长而产生的网膜中央部位的退化,黄斑部是位于视网膜中心的一小块区域,负责视觉的中心视力,

一但发生黄斑部病变,视觉的中心将会模糊不清,视觉的周围则较不受影响,主要影响阅读视觉及近距离工作。侦测黄斑部病变的有效方式是透过光学同调断层扫描术(Optical Coherence Tomography; OCT),

透过 「OCT 视网膜光学断层扫描仪」取得病患的视网膜影像后再进行判读,即可得知病患的病变种类属于糖尿病黄斑部水肿(Diabetic Macular Edema)、原发性黄斑部裂孔(Macular Hole)或是老年性黄斑部病变,

再施以不同疗程对策。

OCT 影像的分辨率相当高,可达 2~5 个微米,能够提供高分辨率的横切或纵切剖面之 3D 影像。若以 OCT 检查黄斑部,只要用 OCT 扫描 3 秒后,就可以得到十分精确的黄斑部影像,

不必散瞳,也不必打显影剂做荧光眼底摄影,即可清楚呈现病部构造。然而,医学影像的判读则是另一个问题。医疗团队指出:「透过医学影像判定黄斑部病变种类,是一件费时又费工的工作,

眼科医师不仅需要专业的训练,还需要反复检视与讨论。对偏乡或医疗资源不足的地区而言,当地只有检验师作为第一线人员,并不一定有足够的诊断能力或信心判别,

病患往往需要等待数周的时间,才能得知判读的结果,将可能错失宝贵的诊疗时间。」

始于储存:医疗领域的数据储存解决方案

此项目首要的面对的问题,是如何为大量 OCT 影像找到一个合乎规范的储存空间。数字医疗信息 (即 ePHI) 有高私密性特性。根据医疗产业的要求,医疗信息及档案必须长时间存留(法定期限为七年),

需要完整备份,且符合 HIPAA (联邦健康保险法案,又称健康保险可移植性和责任法案) 的规范。QNAP NAS 的高安全性不仅能符合 HIPAA 规范,

QNAP 更于 2018 年 1 月宣布扩大整合 Orthanc 软件套件。Orthanc 专为医疗照护产业所设计,是一款轻量化的专业医疗影像服务软件,能将 QNAP NAS 变为强大的轻量级医疗影像撷取与传输系统 (Picture Archiving and Communication System, PACS),可大幅提升医学图像处理的工作流程。只要将所有的医疗数字影像 (Digital Imaging and Communications, DICOM) 轻松地集中储存在 NAS 中,并运用先进的网页版 DICOM 查看器,便可大幅简化医学影像分析流程。

由于 QNAP NAS 支持 HIPAA,使得医学中心各单位得以透过数台 NAS 将大量的数据以合乎规范的方式集中传输至一台 TS-1685 之中,借助于 QNAP NAS 的 10GbE 高速网络的力量,

QuAI 团队很快就完成医学影像样本的集中。

同时 Dennis 也透过 QNAP 的备份软件 Hybrid Backup Sync 设定完成备份工作,再辅以数据快照(Snapshot)的保护,可快速还原遭到误删的档案。在确保数据万无一失之后,即可产生出 DICOM 文件,

并分析 DICOM 卷标,写进数据库后进行储存。Orthanc 的网页接口可让医师透过拖曳的方式,将 DICOM 影像传送到 NAS,并透过卷标来查询患者的影像。此外,每个案例都可使用 DICOM 影像查看器快速检视并分析 DICOM 影像。

QNAP NAS 作为 DICOM 服务器的好处,不仅只是节省医院的 IT 设备费用,还能透过 NAS 连网的特性,让外点 on-call 的医师设定行动浏览器跟 Orthanc 联机,

使用 Orthanc 的手机 App 即可在行动装置上远程观看上传到 NAS 之医疗影像。

学习阶段:导入 QuAI JupyterHub

QuAI 团队选用的 TS-1685 可支持 12 颗 3.5 吋硬盘与 4 颗 2.5 吋 SSD,搭载高规 Intel® Xeon® D 处理器,并透过 Nvidia GPU Card 整合加速,确保 TS-1685 拥有足够的运算力进行 AI 演算。

QNAP NAS 的操作系统 QTS 具备独特的 GPU passthrogh 能力,可以将 GPU 卡的运算力分配给 TS-1685 使用。如此一来 TS-1685 效能可媲美专业的 AI 工作站,更降低了总持有成本。

相较于公有云 AI 方案复杂的计费方式而言,将数 TB 的数据存放于大容量的 TS-1685 更显得经济实惠。

QuAI 团队使用 QNAP 自行整合的 JupyterHub 软件来编写算法。Jupyter 是一开源软件,如今也能够在 QNAP NAS 上运行,可利用直译语言的特性,便于编写算法并可逐行执行指令,

可轻松完成数据的可视化、文件化,更能够让整个工作团队在其中协作编写,广受数据科学家的普遍使用。

这个项目中,QuAI 团队一共搜集了数万张 OCT 医学影像样本,并且与 6 位专业医师合作,将这些样本依照四种常见的黄斑部病变状态进行标记,期间共耗时一个月完成样本标记。

为了让 TS-1685 能更快速学习影像识别能力,工作团队做了影像的预处理,包含影像的镜像处理、剔除无效影像、重整影像大小等。获得这些量大又质精的数据后,即可开始架构深度神经网络。

QuAI 团队将样本依照比例分为训练数据集(Training Dataset)及验证数据集(Validation Dataset),汇入安装了 QuAI 人工智能软件开发平台的 TS-1685 里,让 TS-1685 反复学习、反复验证,

整个过程一共历经了 100 多次实验设定,不断调整各种参数以臻完美。完成验证流程后,TS-1685 完成了 AI 初胚模型,此时还需要将原来的数据做成测试数据集(Test Dataset)以测试模型的准确率,并设定优化器及定义学习率方针。

从 TS-1685 开始接受训练,一直到完成测试项目,仅仅花费两个月的时间便完成。所产生的 AI 模型能够达到 95% 的判别准确率,远远高于人工判别。TS-1685 识别 OCT 影像的过程,只需不到 100 毫秒。

成型的 AI 模型可以轻易部署于多部 QNAP NAS 中,将 NAS 摇身变为推论服务器(Inference Server),让分属于不同单位的医院都能同步使用这套老年性黄斑部病变 AI 诊断系统,

使不同机构的 NAS 都能获得智能大脑,广泛地开枝散叶,造福人群。


愿景:打造偏乡远距医疗,以及医师诊断信心辅助系统

在短短的 5 个月内,QuAI 团队已经取得重大的成果。这套老年性黄斑部病变 AI 诊断系统能够辅助医师做出更快速、更准确的判断,帮助病患防范老年性黄斑部病变于未然。其低成本、高速导入的特性,

更可以协助偏乡或医疗资源不足的地区轻松部署这套系统,偏乡地区的老年人只需完成 OCT 影像拍摄,当下即可知道病状类型,立即安排转诊后送。

Dennis 表示:「作为 QuAI 团队的一份子,看到我们的研究成果为国人健康带来实质的帮助,是一大幸福。未来 AI 的发展,必须与产业密切交流,发展出更多 AI 应用。各产业也必须思考各层面导入 AI 的可能。

我们该思考的也许不是 AI 将会取代掉哪些工作,我们更该积极思考的是, AI 如何能协助人类完成更多工作,创造出更细致的人机分工。」

未来 QuAI 团队将针对多种医学项目,开展出 AI 精准医疗服务,包含 NGS 基因定序、脑瘤侦测、肿瘤分析、放射治疗 AI 导入等项目。期望在民间、政府的协助下,让台湾有实力成为全球人工智能岛。
 


 


本文完整版 https://www.qnap.com/zh-tw/case-studies/quai-medical-ai/

 

 

其他相關新聞:

 

arrow
arrow

    tttt 發表在 痞客邦 留言(0) 人氣()