NVIDIA GPU 云容器加快研究进行的脚步,以更广泛地使用平价的超音波技术。

Viksit Kumar 并不知道自己的母亲患有卵巢癌,一直到了第三期,为时已晚,化疗无法奏效。

2006年 Viksit Kumar 的母亲在印度孟买的一间医院逝世,但要是能更早发现她罹患癌症,或许可以再多活几年。

这件事让这名就读于机械工程的学生困扰不已,激励他选择走上一条不同的道路。

「这是推动我进入医疗领域的原因之一。」现为明尼苏达州罗彻斯特市梅约医院资深研究员的 Kumar 说。他希望母亲过世一事激发他做出的研究,将协助他人免于步上她的后尘。

Kumar 在过去的几年里,一直致力于运用有着 GPU 助力的深度学习技术,以求在更短时间内,以超音波影像更准确地诊断癌症。

他的研究重点放在乳癌上(这比卵巢癌更普遍,也吸引更多资金),其主要目标是在很少进行乳房摄影的发展中国家里,更早诊断出乳癌。

深入研究深度学习

Kumar 在加入梅约医院后,很快便展开这项研究。当时他采用超音波影像来诊断早产儿并发症。他注意到超音波可以拍摄出不同的物体时,觉得或许能用它来对乳癌影像进行分类。

他仔细观察这个问题,推论出深度学习会是一个良方。只是当时 Kumar 对深度学习所知甚少,所以他投入不少精力,花了超过六个月的时间学习建立和使用深度学习模型的一切知识。

「我会这么努力学习,背后有一个动力:这是一个真正能派上用场的工具。」他说。

他还是需要有人伸出援手。乳癌是最常见,也是最容易发现的癌症之一,在发展中国家的大城市以外地区,却少有一部成本高昂的乳房 X 光摄影机。因此,医疗照护服务提供者通常会采取保守的作法,进行不必要的活体组织切片检查。

对于偏远的医疗设施,超音波是更为平价的选择,让更多妇女可以转诊到大城市进行乳房 X 光检查。

就算在已开发国家,多数四十岁以上妇女有定期接受乳房 X 光检查,Kumar 说对于已怀孕或打算怀孕的妇女,还有无法进行乳房 X 光检查的人来说,超音波仍是一项极为重要的检查工具。



红框显示手动区分出的肿瘤边界,蓝色、绿色和青色则是深度学习预测出的边界。 ©2018 Kumar 等人,已取得 Creative Commons Attribution License 授权。

不断进步

Kumar 对于深度学习工具的进步程度,感到惊讶不已。过去需要两三天的时间才能配置好深度学习系统,现在只要几个小时便可完成。

Kumar 的团队使用 NVIDIA GPU 云(NGC)的 TensorFlow 深度学习框架容器,在 NVIDIA TITAN 和 GeForce GPU 上进行本地处理。对于最重的提升,工作转移到 Amazon Web Services 上的 NVIDIA Tesla V100 GPU,使用 NGC 的相同容器来处理最吃重的作业。

NGC 容器经过优化,能在本地和云端使用 NVIDIA Volta 和 Pascal 架构 GPU 提供最优秀的运算效能,且包含运行 GPU 加速软件所需的一切事物。在两种环境里使用相同的容器,让他们能在任何有运算资源的地方执行工作。

「待我们开发好了架构,且想要重复这个过程,那么我们就会去 AWS。」Kumar 说,他估计此举比在本地处理大型作业的速度要快上八倍,这归功于使用大量更先进的 GPU。

该团队目前在相同的 GPU 上进行训练和推论作业。Kumar 表示他想在对活体使用超音波机器进行推论。

未来还有更大的进步空间

Kumar 希望在明年内开始将这项技术用于活体患者试验。

他最终希望自家团队的研究成果能将超音波影像用于早期发现甲状腺癌等其它癌症,当然还有卵巢癌。

Kumar 的研究成果虽具有开创性,也呼吁在医学领域运用人工智能与深度学习之际要保有耐心。「在放射科医师和超音波检验师接受它成为临床标准前,这项技术需要更为成熟。」他说。

像 Kumar 一般的成就,肯定有助于推动那一点。