1990 年代中期很少有人能預測到深度學習革命即將到來。
不過為賓州和紐澤西州人們提供服務的 Geisinger 醫療保健系統，很早便押寶在數位健康紀錄上，讓它在二十年後推行人工智慧時成為一大優勢。
Geisinger 在1996年便採用電子健康紀錄，約在2001年開始以數位方式儲存醫學影像。自那時起，為近兩百萬名患者保存了數位健康紀錄。而區域性醫療保健服務提供業者 Geisinger 的患者人數也相當穩定。
Geisinger 影像科學與創新部門副教授和創始主席 Brandon Fornwalt 表示，這代表著 Geisinger 擁有大量患者的長期健康資料，這是一個可用於深度學習的成熟資料集。
「如此一來，我們可以做到別處做不到的事情。」他說。
週二在聖荷西舉行的 GPU 技術大會上，Fornwalt 與 Geisinger 的放射學主席 Aalpen Patel 分享了 Geisinger 醫療保健系統如何在其臨床網路中使用 NVIDIA DGX-1，以助力多種人工智慧解決方案，讓患者獲得更優質的照護服務。
「機器學習讓我們搞清楚可以趁早為患者做些什麼，讓患者擁有更幸福長壽和健康的生活。」Fornwalt 說。
用於頭部及心臟的人工智慧
患者因受傷或中風導致大腦出血時，必須快速進行診斷和治療，以減少腦損傷的程度。放射科醫師要花個五分鐘來閱讀患者的電腦斷層（CT）掃描結果，但是這些專家還有更優先要做的事，像是比起門診病患，要在更短時間內閱讀住院病患和急診患者的掃描結果。
Patel 與 Fornwalt 說門診患者的掃描影像裡，總是藏著重要病情。Geisinger 從2017年1月開始部署了一套在 NVIDIA GPU 上接受訓練的深度學習模型，可讀取所有頭部 CT 掃描結果，在幾秒鐘內自動重新排定放射科工作清單的先後順序，讓放射科醫師先處理潛在的急症病例，此舉將等候診斷的時間減少了 96%，十分驚人的幅度。
Geisinger 開發出用於分析心電圖和心臟超音波圖資料的深度學習模型（心電圖和心臟超音波圖是兩種最常見監測心臟功能的測試方法），讓心臟病患者擁有更優質的照護服務。Geisinger 利用資料庫裡的兩百萬份心電圖紀錄來建構神經網路，以預測患者未來發生心臟病變的比例。
研究團隊利用心臟超音波圖來訓練神經網路，以找出可預測特定健康結果的模式。心電圖和心臟超音波圖模型都在 DGX-1 上進行開發和測試，而 Geisinger 很快將安裝 NVIDIA DGX-2，以加快研發速度。
Geisinger 還透過機器學習，以最佳方式分配資源給心臟衰竭患者。其模型發現未接受某些實證療法（例如每年注射流感疫苗）的心臟衰竭患者，以及因此導致死亡或住院的風險大增，兩者之間存在著關聯性。
Geisinger 的藥劑師和其他醫療服務提供者團隊，利用這些見解來鎖定因獲得更多資源而受益最多的患者。團隊使用 NVIDIA RAPIDS 資料科學函式庫來分析近百萬筆心臟衰竭患者的資料，發現跟使用有著52個核心的 CPU 伺服器相比，使用單一 GPU 進行分析的速度快了三倍。
「在分析有著近百萬列、100欄的大型表格資料集時，就是 RAPIDS 真正派上用場的地方。」Fornwalt 說。
Patel 認為人工智慧是解決醫師人數日益短缺問題的重要工具，特別是在美國人口開始邁入高齡化及預期壽命延長的情況下。
「為了讓我們能照顧病人，機器學習不再是一種選擇，而是一項讓人類生存下去的必要工具。」他說。
主圖為放射科醫師觀看腦損傷患者的 CT 掃描結果。照片提供：美國空軍下士 Julianne Showalter，取得公眾領域使用許可。
a{
text-decoration: none;
}