麻省總醫院Martinos中心將AI用於COVID-19和放射學研究

作者 NVIDIA

Martinos 中心的研究人員正在研究 COVID-19 的放射學和預測 AI 模型,採用全新的 NVIDIA DGX A100 以加速其研究工作。

全球學術醫療中心都在開發全新的 AI 工具以對抗 COVID-19 疫情,其中包括麻省總醫院,其 Martino 中心透過採用NVIDIA DGX A100 AI 系統加速了其研究進程。

該醫院的 Athinoula A. Martinos 生物醫學成像中心的研究人員正在對模型展開研究。透過多次對平行掃描進行分割和對齊,並根據 X 光影像來判斷肺部疾病的嚴重程度,使放射學資料與其他臨床變數相結合,預測 COVID 患者的康復情況。

這些模型是透過 Mass General Brigham 的資料建構和測試的,模型一旦被驗證成功,可以替代醫院治療。其基於放射學領域的深入洞察,能夠更好地為臨床醫生服務,助力追踪患者病情,從而做出治療決策。

麻省總醫院放射科住院醫師, Martinos 中心 QTIM 實驗室成員 Matthew D. Li 講:“在幫助住院醫生治療 COVID-19 患者的過程中,我發現放射影像中往往包含著很多訊息,而無法幫助醫生立即採取臨床措施。進行深度學習,我們開發出一種演算法,可以依據 X 光對肺部疾病的嚴重程度進行評估打分。這種方式具有重復出現性和可擴展性,讓臨床醫生能夠結合生命徵象,脈搏血氧飽和度資料和血液檢測結果等其他實驗室檢測值,對黑色 X 光影像進行持續跟踪。”

Martinos 中心使用各種 NVIDIA AI 系統(包括 NVIDIA DGX-1 )來加速其研究。今年夏天,該中心將安裝 NVIDIA DGX A100 系統,每個系統都配備NVIDIA A100 Tensor Core GPU,並提供 5 petaflops 的 AI 效能。

QTIM 實驗室和 Martinos 中心機器學習中心主任 Jayashree Kalpathy-Cramer 說:“從最初開始開發 COVID 模型時,我們就竭盡全力。我們開發模型的速度越快,它就能越快派上用場,如果沒有足夠的算力資源,研究就無法推進下去。”

比較法則:將AI用於胸部醫療影像

新冠肺炎患者通常會接受影像學檢查(在歐洲通常是電腦斷層掃描,在美國通常是 X 光),以檢查疾病對肺部的影響。因此,對比患者的開始情況與後續進展,是了解患者病情的有效方式。

但是,由於影像中存在著線條等干擾元素,對身體不同部位和角度進行的兩次掃描進行分割和對齊並非易事。

Martinos 中心計算神經影像實驗室主任 Bruce Fischl 和哈佛醫學院放射學助理教授 Adrian Dalca 將 Dalca 的“ MRI 比較 AI”背後的交替技術對準 X 光,並使用 NVIDIA DGX 系統對模型進行了訓練。

Fischl 表示:“放射科醫生需要花費大量時間來評估研究之間是否發生了變化,這種通用技術可以幫助解決這一難題。我們的模型能在 X 光中標記 20 處結構,並在兩次研究之間將 X 光片對準,整個推論過程只需不到一秒的時間。”

這一工具可在臨床和研究人員中使用,而該工具可在 Li 和 Kalpathy-Cramer 的研究中,即一種風險評估模型,該模型可分析胸部 X 光,進行肺部疾病的嚴重程度進行評估打分。為醫生、研究員、傳染病專家提供一致,量化的肺部影響指標。這些影響在典型的放射學研究報告中,始終主觀的描述。

嚴重性評分 AI 是在公開資料集上訓練的,該資料集包括來自麻省總醫院超過 150,000 張的 X 光片,以及幾百張 COVID 陽性患者的 X 光片。麻省總醫院的四組研究團隊,利用NVIDIA Clara 部署 SDK對嚴重性評分 AI 進行了測試。疫情以外,研究團隊還計劃將模型的使用範圍擴大到如肺水腫或肺積水等更多疾病上。

針對不同階段拍攝的影像,對 AI 肺部疾病嚴重程度評分( PXS )進行比較,可幫助臨床醫生追踪患者病情進展。(圖片來自發表於放射學:人工智慧的研究論文,可公開查閱。)

呼吸器的需求預測

放眼大局, Martinos 中心團隊正在與麻省總醫院布萊根將軍臨床資料動畫中心執行主任 Brandon Westover 合作。

Westover 正在開發可預測的入院患者和門診 COVID 病例臨床癒後的 AI 模型。其中, Kalpathy-Cramer 的肺部疾病嚴重性評分可作為該模型的臨床變數之一。

該門診模型可分析 30 個變數,能夠為醫院網路內的呼吸道感染門診篩選的多名患者並逐一進行風險評分,以預測 COVID 患者最終發展為重症病患或死亡的可能性。

對於已經入院的患者,神經網路可透過生命徵象,年齡,脈搏血氧飽和度資料和呼吸頻率等變數,預測患者在未來 12 小時內,每小時內需要採用人工呼吸器的風險。

Westover 說“這些變數可能非常微妙,但透過相互結合,能夠很好地預測患者的病情惡化。”透過 NVIDIA Quadro RTX 8000 GPU運行該模型,可讓臨床醫生使用前端門戶網站來存取該模型,查看哪位患者的風險最高,以及那些變數在風險權重中貢獻最大。

NVIDIA DGX讓研究變得更有效,更快速,更強大

Fischl 表示,NVIDIA DGX 系統能夠幫助 Martinos 中心的研究人員快速重複,以嘗試各種改進 AI 演算法的方法。 DGXA100 採用NVIDIA Ampere 架構的 NVIDIA A100 GPU ,將進一步加快團隊使用第三代Tensor Core技術的研發進展。

“量變帶來質變,”他說,“我可以想像五種改進演算法的方法,有些方法都需要七個小時的訓練。如果我能將這七個小時壓縮到一個小時,這就大大促進了開發效率。”

Martinos 中心將使用NVIDIA Mellanox 交換機VAST 資料儲存基礎設施,使開發者能夠使用NVIDIA GPUDirect 技術,繞過 CPU 轉換資料直接移入或移出 GPU 記憶體,從而實現更強的性能和更快速的 AI 訓練。

哈佛醫學院放射學助理教授, Martinos 中心機器學習中心聯合主任 Matthew Rosen 表示:“使用這種大容量、高速度的儲存,可以幫助我們對所研究的 MRI , PET 和 MEG 掃描儀中的原始多模資料進行分析。透過採用全新 A100 GPU , VAST 儲存系統有望成為未來智慧醫療影像樹立全新標準。”

主視覺是深色的 X 光及其相應的熱圖,突出顯示了上述肺部疾病的區域。(圖片來自發表於放射學:人工智慧的研究論文,可公開下載