Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
03-04 2023 34 www medicaldesign news E-HEaltH SEcurity Deep-Learning-Algorithmus auf einem kleinen Endgerät kann die gefährliche Erkrankung jedoch früher kostengünstiger und ohne Eingriffe erkannt werden Neuronales Deep-Learning-Netzwerk Die Entwicklung einer medizinischen KIbasierten Deep-Learning DL -Methode verläuft in zwei Phasen In der ersten Stufe wird ein Datenmodell erstellt und trainiert wobei verfügbare Daten und zuvor gesammelte Bilder verwendet werden Die Datensätze müssen so umfangreich wie möglich sein in der Regel Hundertausende und müssen bereinigt kuratiert und gekennzeichnet werden bevor sie für Trainingszwecke verwendet werden können Bei der Vorverarbeitung der Daten bzw Bilder innerhalb des Datensatzes muss zudem sichergestellt werden dass die Anzahl der verschiedenen Datenbzw Bildklassen ausgewogen ist um ein Ungleichgewicht der Klassen zu vermeiden und ein möglichst akkurates Ergebnis zu erzielen Dieser Trainingsprozess erfordert enorme Rechenressourcen und viel Zeit und wird in der Regel in einer Cloud oder einer HPC-Infrastruktur High Performance Computing unter Verwendung von GPUs Graphics Processing Units durchgeführt Im zweiten Schritt wird das trainierte Modell auf einem integrierten Rechner oder in einem eingebetteten Medizintechniksystem etwa einem Röntgengerät oder einem Ultraschallsystem eingesetzt um anhand des trainierten Modells eine KI-Inferenz durchzuführen die ein Ergebnis für einen Verdachtsfall liefert Dieses System kann ein beliebiges Gerät in einer Klinik einem Krankenhaus oder einer Arztpraxis sein Die Größe Qualität und Klassifizierung des für das Training verwendeten Datensatzes bestimmt die letztendlich erzielte Genauigkeit des Ergebnisses Ein effizienter Weg für den Einsatz ist eine adaptive Hardwareplattform mit Deep Learning Processing Units DPUs Dabei handelt es sich um programmierbare Prozessorblöcke die auf Embedded-Systemen wie FPGAbasierten adaptiven SoCs System on Chip laufen die FPGA und ASICähnliche Logik mit mehreren eingebetteten CPU-Kernen kombinieren Diese Embedded-Plattformen sind ideal um die Inferenzergebnisse eines Deep-Learning-Modells auf einem Edge-Client-Endgerät zu gewinnen da sie hohe Leistung bei niedrigem Stromverbrauch und geringem Platzbedarf bieten Anforderungen und Lösungsansätze Der erste wichtige Schritt auf dem Weg zum verstärkten Einsatz von KI im Gesundheitswesen ist eine ausgeklügelte Algorithmenentwicklung die auf der Forschungsebene an Universitäten bei unabhängigen Softwareunternehmen und bei Herstellern von medizinischen Systemen stattfinden muss Es besteht ein erheblicher Bedarf an der Finanzierung zusätzlicher universitärer Forschung Ausbildungsprogramme und Startup-Inkubatoren Strukturierte staatliche Programme mit gezielter Finanzierung werden die weitere Entwicklung ebenfalls fördern Ein zweiter Punkt Große saubere kuratierte und beschriftete Datensätze müssen für die gesamte Forschungsgemeinschaft leicht verfügbar und zugänglich sein Dies ist heute aufgrund des HIPAA Health Insurance Portability and Accountability Act 1996 in den USA und anderen Datenschutzbestimmungen für Patienten weltweit eine große Hürde Wie bereits erwähnt verbessert sich die Qualität des Trainings eines Deep-Learning-Modells DL proportional zur Größe und Qualität des Datensatzes Heutzutage entwickeln viele Hersteller medizinischer Ausrüstung künstliche Datensätze die allerdings teuer und zeitaufwendig und damit nicht dauerhaft praktikabel sind Zum Dritten sind aus der Sicht der Hardware und der Plattformen enorme Ressourcen erforderlich um den Trainingsprozess zu beschleunigen da komplexe Modelle unter Umständen sehr viel Zeit zum Trainieren benötigen Schließlich ist für die schnelle Bereitstellung exakter Ergebnisse eine komplexe heterogene und anpassungsfähige Rechenplattform erforderlich Es handelt sich dabei um eine Kombination aus einem Hardwareund einem Softwareansatz um die Probleme effizient aufzuteilen Ein übliches medizinisches Gerät sollte in der Lage sein Daten und Bilder in Echtzeit zu erfassen zu verarbeiten zu analysieren auszuwerten und darzustellen während es gleichzeitig in der Lage ist KI-Algorithmen lokal auszuführen Angesichts des Datendurchsatzes der deterministischen Verarbeitung mit geringer Latenz und der schnellen Bereitstellung von Daten und Bildern stellt dies eine enorme Herausforderung dar KI am Medical Edge Bei allen medizinischen Geräten ob groß oder klein müssen die Verlustleistung und die Wärmeentwicklung reduziert werden um den Patientenkomfort zu erhöhen und die Energy-Star-Vorgaben zu erfüllen Bei allen Handhelds und tragbaren Geräten besteht die Herausforderung darin dass sie in der Hand des Bedieners nicht zu heiß werden dürfen und die Akkulaufzeit möglichst wenig beeinträchtigt wird Systemon-Moduleoder »SOM«-Bausteine wie die AMD-Kria-Familie Bild können genau zu diesem Zweck eingesetzt werden Mit dieser Art von adaptiven eingebetteten FPGAbasierten SoCs können die gewünschten Ergebnisse mit sehr geringer Latenz hohem Determinismus und extremer Genauigkeit erzielt werden Es fällt nicht mehr schwer sich eine Welt vorzustellen in der Herzkrankheiten Schlaganfälle und Krebserkrankungen früh genug diagnostiziert werden können um deutlich mehr Leben zu retten Wenn Industrie Staat und Wissenschaft die oben genannten Herausforderungen gemeinsam angehen wird die fortgesetzte Entwicklung der medizinischen KI und der medizinischen Bildgebung in Kombination mit fortlaufenden Innovationen bei adaptiven Recheneinheiten wie FPGAs und eingebetteten SoCs täglich viele zusätzliche Leben durch KIbasierte Früherkennung und Diagnosestellung retten uh Das Kria K26 SOM ermöglicht geringe Latenz und hohe Genauigkeit bei niedrigem Stromverbrauch Bild A M D