Inteligencia Artificial para un mejor diagnóstico

Las imágenes médicas buscan constantemente más potencia informática para brindar información visual de mayor calidad a los profesionales sanitarios, lo que permite un diagnóstico más rápido y preciso, y una cirugía más suave. Al aprovechar la Inteligencia Artificial, el soporte puede mejorarse significativamente en el futuro. ¿Qué papel juega la tecnología de sistemas embebidos en este contexto hoy en día?
Las imágenes médicas han progresado enormemente en los últimos años. Esto se debe principalmente a la digitalización de las imágenes de diagnóstico y a las mejoras asociadas en la calidad de los datos y de las imágenes, así como a la mayor disponibilidad de las imágenes. Con la introducción generalizada de la inteligencia artificial (AI) con el aprendizaje profundo (deep learning), ahora estamos entrando en la siguiente etapa evolutiva. En comparación con los sistemas tradicionales de diagnóstico asistido por ordenador, AI ofrece una mayor autonomía, lo que hace que el diagnóstico sea más rápido, más seguro y más fiable, ya que los sistemas de autoaprendizaje capturan nuevas situaciones mejor que los sistemas estáticos.
¿Qué beneficios trae AI?
Los resultados de la investigación de diversos campos ilustran cómo los sistemas de imagen médica basados en IA precisos y rápidos, ya están teniendo éxito en la actualidad. Por ejemplo, investigadores del Department of Systems Medicine and Bioengineering at Houston Methodist Research Institute (Departamento de Medicina de Sistemas y Bioingeniería del Instituto de Investigación Metódica de Houston) han desarrollado un software de inteligencia artificial que detectó cáncer de mama 30 veces más rápido que los médicos, en una prueba de campo de 500 mamografías. La precisión fue del 99%. Tal sistema no solo haría que el cáncer de mama sea más fácil de reconocer; también sería mejor detectar falsos positivos, evitando así biopsias innecesarias en beneficio de los pacientes. Otro equipo de investigación de IA se centró en el diagnóstico de cáncer de piel. Según las fotos, el sistema pudo identificar el cáncer de piel tan fiablemente como los dermatólogos. Un tercer proyecto de la Icahn School of Medicine at Mount Sinai Hospital, New York City (Escuela de Medicina Icahn en el Hospital Mount Sinai, en la ciudad de Nueva York) demostró predecir el cáncer de hígado con la misma precisión que los oncólogos especialistas. Durante el curso de su investigación, los científicos descubrieron que el sistema también podría usarse en el futuro para decir si un paciente es propenso a la esquizofrenia u otras enfermedades mentales.
Adopción masiva necesaria
La IA y el aprendizaje profundo ya han demostrado ser herramientas extremadamente valiosas para mejorar la detección temprana, el diagnóstico y el tratamiento de muchas enfermedades graves. Si esta inteligencia estuviera directamente disponible para todos los médicos a través de imágenes médicas, no solo se podrían salvar muchas vidas, sino evitar el tratamiento incorrecto y la cirugía innecesaria. Los médicos tendrían una cantidad de información sin precedentes a su disposición para apoyarlos automáticamente con el más alto nivel de experiencia en diagnóstico y tratamiento. De esta forma, incluso los indicadores más pequeños y raros, que un médico nunca podrá experimentar durante varias décadas de práctica profesional, podrían identificarse de manera fiable. Esto beneficiaría a todos los interesados: los pacientes, los médicos y el sistema de salud. Un estudio de la consultora de negocios PWC concluye que el uso generalizado de la inteligencia artificial solo en Europa reduciría los costes de salud y postratamiento pronosticados en casi 200.000 millones de euros en diez años. Esto plantea la pregunta: ¿Qué plataformas tecnológicas permitirán la adopción masiva?
Listo para AI
Comencemos con las buenas noticias: las últimas plataformas embebidas ofrecen todos los requisitos necesarios en términos de potencia informática, eficiencia energética y programabilidad para integrar inteligencia artificial de alto rendimiento en cada dispositivo de ultra sonido, cada estación de radiología de diagnóstico y cada PC sanitario en consultorios médicos. Ahora bien, puede preguntarse cómo la inteligencia artificial de centros de datos completos se adapta a plataformas embebidas de baja potencia. La verdad es que no. Tampoco tiene que hacerlo; porque el aprendizaje profundo, un tipo de aprendizaje automático de recursos intensivos, todavía se lleva a cabo en los servidores, al menos por el momento. Los dispositivos médicos simplemente usan la inteligencia obtenida en los centros de datos. Este proceso se llama inferencia.
Aprendizaje profundo en el centro de datos
El proceso es casi siempre el mismo para todo tipo de tareas diferentes. Una red que comprende muchas unidades informáticas, en su mayoría unidades de gráficos de propósito general (GPGPU), se combina en una red neuronal profunda (DNN). Esta red de aprendizaje profundo debe ser entrenada. En lo que respecta a las imágenes de diagnóstico, esto puede incluir imágenes de radiología para la detección temprana de cáncer de mama o de hígado, o incluso fotos comunes de la piel para entrenar el sistema para el reconocimiento del cáncer de piel. La cantidad de datos de imagen requeridos para esto es inmensa. Los proyectos de investigación de la vida real hablan desde 130.000 a 700.000 imágenes de diagnósticos positivos y negativos. Armados con esta información, las redes neuronales desarrollan parámetros y rutinas basadas en algoritmos de casos específicos con una precisión que no es inferior a la de los especialistas con experiencia.
Integrando inteligencia en sistemas embebidos
Sin embargo, esta inteligencia ahora reside en la nube o en un centro de datos central, y todavía no está en el dispositivo sanitario. Aquí es donde la inferencia entra en juego. Es el proceso utilizado para integrar lo aprendido en el dispositivo local. Para que la inteligencia de red neuronal almacenada en el centro de datos se ajuste solo a un procesador, el software debe ser más pequeño. Por lo tanto, cualquier parte de la red neuronal que ya no se requiera después de un entrenamiento exitoso, generalmente se omite. Dado que no están activos en el proceso de toma de decisiones, se pueden omitir de forma segura. Además, varias capas de decisión de la red neuronal original ahora se pueden combinar en una sola operación. Nuevamente, esto no tiene inconvenientes, ya que el sistema local no tiene que autoaprenderse, incluso si eso es bastante posible. Es claramente más eficiente continuar entrenando el sistema grande con todos los datos nuevos y luego llevar los dispositivos locales hasta el nivel actual de conocimiento a través de actualizaciones regulares de software. Esta es exactamente la razón por la cual las interfaces IoT sanitarias para conectar dispositivos a las nubes y los servidores de los proveedores de tecnología son cruciales para el posterior desarrollo de estas tecnologías.
La tecnología de procesador adecuada
Si bien esto reduce significativamente el rendimiento informático requerido localmente en el dispositivo sanitario, la potencia de procesamiento necesaria sigue siendo muy alta para un único procesador. Además, la arquitectura informática local y la del centro de datos deberían ser comparables para reducir los gastos generales para portar el software y los algoritmos. Las unidades de procesamiento acelerado integradas más recientes ofrecen exactamente la medida correcta de potencia informática flexible con procesadores x86 clásicos y GPGPU potentes para AI y aprendizaje automático. Los requisitos de energía son tan bajos que estas características ya pueden integrarse en casi todas las áreas de aplicaciones de procesamiento de imágenes, desde máquinas de rayos X sin ventilación forzada, hasta dispositivos de almacenamiento edge para RIS (Sistemas de información de radiología) y PACS (Sistemas de archivado y comunicación de imágenes).
AMD Ryzen Embedded V1000 para dispositivos médicos
Gracias a su rendimiento informático y de gráficos significativamente mayor, la nueva serie AMD Ryzen Embedded V-Series es particularmente apta para este propósito. Con un total de 3.6 TFLOPs de la CPU multipropósito y la potente GPGPU, ofrece un rendimiento informático flexible que hasta hace unos años solo se podía lograr con sistemas que consumían varios cientos de vatios. Hoy, esta potencia informática está disponible desde 15 vatios hacia arriba. Esto hace que sea posible integrarlo en dispositivos médicos sin ventilación forzada, herméticamente sellados y, por lo tanto, altamente higiénicos y robustos para la atención móvil y centrada en el paciente.
El aprendizaje profundo y la IA no son brujería
Estos procesadores embebidos AMD también brindan soporte integral de software para herramientas y marcos tales como TensorFlow, Caffe y Keras que son necesarios para la introducción rápida y completa de AI y aprendizaje profundo. En https://gpuopen.com/professionalcompute/, los desarrolladores también pueden encontrar una amplia gama de herramientas de software y entornos de programación para aplicaciones de aprendizaje profundo y AI, como la popular plataforma de código abierto ROCm para aplicaciones GPGPU. El concepto de fuente abierta es clave para garantizar que los OEM no dependan de una solución patentada. Esto incluye la herramienta HIPfy, que permite que las aplicaciones patentadas basadas en CUDA se conviertan en aplicaciones portátiles HIP C ++, haciéndolas independientes del hardware.
Con el acceso a dicho ecosistema, el aprendizaje profundo y la IA son comparativamente fáciles de implementar y no solo la reserva de gigantes de TI como Google, Apple, Microsoft y Facebook. Incluso los desarrolladores de aplicaciones móviles han comenzado a implementar el aprendizaje profundo y la inferencia local en aplicaciones reales, como la aplicación Not Hotdog que reconoce diferentes perritos calientes en fotos de teléfonos móviles con alta fiabilidad, un claro ejemplo de que AI ha llegado al sector privado.
Diseño rápido con módulos COM (Computeron- Modules)
Ahora, la única pregunta que queda es cómo los fabricantes de dispositivos sanitarios pueden diseñar estos habilitadores de IA en sus dispositivos de imágenes médicas de la manera más rápida y eficiente posible. Una de las formas más efectivas es utilizar módulos COM (Computer-on-Modules) estandarizados. El enfoque modular desconecta el dispositivo médico de la tecnología del procesador, proporcionando a los fabricantes una hoja de ruta estable para sus productos, asegurando una alta disponibilidad a largo plazo y una reutilización eficiente de los propios esfuerzos de desarrollo. Simplemente intercambiando módulos, las nuevas clases de rendimiento se pueden integrar en los diseños existentes, lo que permite a los fabricantes de equipos originales ampliar fácilmente la funcionalidad de sus diseños con estas características innovadoras. El factor de forma de módulo líder COM Express ya se utiliza en muchos dispositivos médicos en la actualidad. Esto les permite a los OEM un enfoque plug and play para hacer que su hardware sanitario sea compatible con AI, por lo que simplemente intercambian los módulos.
Congatec ya ha probado la rapidez con la que se puede realizar este trabajo en varios diseños de sistemas utilizando el nuevo módulo conga-TR4 con procesadores AMD Ryzen Embedded V1000. Para migrar el módulo a un sistema existente basado en otro módulo COM Express Tipo 6, los desarrolladores de una empresa asociada necesitaban la misma cantidad de tiempo que equipar el sistema con hardware que ya había sido evaluado. La configuración del software también requería solo las rutinas de instalación habituales. Gracias a la API estandarizada, que es idéntica para todos los módulos de congatec, no se necesitó ningún esfuerzo de programación de hardware adicional. Una consecuencia de esto es que el control de GPIO es el mismo para cada módulo. Los diseñadores del sistema necesitan esto, por ejemplo, para medir los niveles de brillo ambiental a fin de ajustar automáticamente el brillo de la pantalla. La migración a la tecnología de procesador AMD no es un desafío con los módulos de congatec, pero es una gran ventaja para los sistemas que implementarán AI en el futuro.
Opciones de diseño de servidor de alta gama embebidas
Los sistemas de alta gama, como los servidores de back-end médicos que requieren incluso más potencia que los procesadores AMD Ryzen Embedded V1000, pueden evaluar alternativamente los nuevos procesadores AMD EPYC™ Embedded 3000. Proporcionando una disponibilidad a largo plazo de hasta 10 años, hasta 16 núcleos, 10 Gigabit Ethernet y hasta 64 canales PCIe para muchas unidades adicionales de proceso en paralelo y procesamiento de imágenes de aprendizaje automático, son una plataforma ideal y fiable para usar en entornos sanitarios. Dependiendo de la demanda del cliente, Congatec también planea proporcionar estos procesadores en los módulos COM Express, con el objetivo final de desarrollar un nuevo pinout de servidor embebido de alta gama para COM Express. Las placas embebidas totalmente personalizadas serán una opción alternativa.