眼見或許為憑，但在治療癌症時，眼睛所見的內容有時會提供錯誤資訊而誤導我們。
在解讀 CT 和 MRI 掃描影像時，有時會不易區分器官及腫瘤間的界線、難以判斷自前次檢查之後的腫瘤變化情況，還有對焦在另一區時難以找出新的腫瘤。
德國夫朗和斐醫療影像運算機構（Fraunhofer Institute for Medical Image Computing）的研究團隊將 GPU 和深度學習用在提高癌症診斷的精準度上。醫師們藉由人工智慧影像分析技術，便能避免誤判出假陽性，而進行不必要的治療，同時提高找出新腫瘤的可能性。
「我們認為早期篩檢才是關鍵。在影像裡看到異常情況時，正確加以診斷才是下一道關卡。」Fraunhofer MEVIS 研究科學家 Markus Harz 說。
直到幾年前，Harz 跟他的研究同僚們還在使用至今仍十分流行的傳統「特徵工程」法，也就是研究人員設定電腦程式來偵測影像特徵，以線性回歸或隨機森林（random forest）等演算法，對影像資料進行分類。
不過該團隊首次嘗試使用深度學習時，發現它能解決極為複雜的問題，包括偵測位置和辨識器官和異h常處的輪廓。
Harz 記得他們的努力有了初步規模的那一刻：他坐在一名放射科醫師旁邊，那名放射科醫師正在看極有可能罹患乳癌之患者的病歷。她併排比較兩張 MRI 影像，想要找出每張 MRI 影像裡數十個腫塊間有無任何變化，最後看到其中一個腫塊有變大，結果竟然是惡性腫塊。
放射科醫師承認自己是運氣好，不過在多數病例裡就沒那麼幸運了。她跟 Harz 及其同僚組成研究團隊，開始開發一項配合 MRI 空間編碼的演算法。
「有了這項演算法，就能縮減圖像，直接看到其中的差異。」他說。
在研究團隊調整影像分析模型後，又見到深度學習改善診斷結果的表現。只是在臨床上要取得官方許可一事，又是另一道難題。Harz 說他跟他的同事為了取得許可，建構了一項證明其深度學習演算法的基礎架構。
「臨床醫師跟醫療器具製造商都想見到能解釋認知醫療運算優越性的證明。」
Harz 說。
GPU 善盡職守
GPU 在這項研究工作裡扮演著主角。他們在 CUDA 和 cuDNN，還有 Theano 及 TensorFlow 函式庫的支援下，使用運行於多具機器上的 NVIDIA GPU 來訓練其深度學習模型。Harz 估算本機端 GPU 的運算效能，至少比 CPU 高出20倍。
Fraunhofer MEVIS 的視覺化專家們也將 GPU 用在他們的渲染器上，以即時渲染出極為逼真的醫療影像。Fraunhofer MEVIS 的醫療影像配準組使用一般性能的 GPU 搭配 OpenCL 平行程式編碼標準，加快演算法的運行速度。
這項技術讓醫師們能通過圖像，以較人眼觀察的方式更精準看出腫瘤特徵隨時間變化的情況，更有信心提出診斷結果。
「（診斷醫師）以人工方式在平面圖像上測量腫瘤直徑，而電腦則可產生出立體圖像，更精準呈現腫瘤長大或縮小的情況。」Harz 說。如此一來不只是能自動化處理臨床上最為單調沉悶的工作，還能讓診斷醫師能使用尺寸以外的內容，描述異常腫瘤的特徵。
未來研究方向
Harz 跟他的研究團隊將心力放在調整驗證架構、將其深度學習神經網路與醫院基礎建設串連起來，以及與一般臨床資料儲存系統無縫整合；還試著在不干涉系統目前提供影像給臨床醫師的情況，完成這些工作。
他們打算日後編排無結構性資料、建立大規模的資料爬梳作業，還有將技術加以商品化。Harz 希望這項技術能成為癌症診斷鏈裡的重要成員，在人類難以分析過於複雜的資料之際出手協助。