州大学旧金山分校的研究人员和NVIDIA开发者们将合作使用NVIDIA Clara 和NVIDIA DGX-2开发应用于临床放射学的AI工具。

美国加州大学旧金山分校（UCSF），作为世界顶尖的医学院之一，近日公布建立了一个用于开发临床放射学AI工具的研究中心，该中心将采用NVIDIA Clara医疗工具包和强大的NVIDIA DGX-2 人工智能系统。

作为智能成像中心（CI2）的创始合作伙伴，NVIDIA正与UCSF合作，致力于在医疗健康领域建立一个产业和学术相结合的生态系统。除了提供技术工具外，NVIDIA的开发者们还将与UCSF的研究人员们合作开发一些AI项目，其中包括脑肿瘤分割、肝脏分割和临床部署等。

将AI集成到放射工作流程中可以帮助医疗机构有效地应对不断增长的医疗成像数据流。近年来，从MRI 和CT这种常用的医学扫描研究中获取的图像数量已经从几十幅增加了到数百甚至数千幅。同时，需要接受放射成像检查的病人数量也在不断增长。这对于医疗机构来说，无疑是个艰巨的挑战。

UCSF放射与生物医学成像系主任Christopher Hess表示：“这种情况使得大量的信息难以被消化。我们希望使用AI为放射科医生提供引导，帮助他们更好地与数据互动，从图像中获得更多的意义，并提高医疗成像对患者个体的价值。”

Hess表示，该大学还计划将AI用于定量成像、预测分析和资源调度当中，从而让医学专业人士能够及时获得那些过去那些难以获取的见解。

UCSF采用NVIDIA Clara和DGX系统


UCSF智能成像中心将采用NVIDIA DGX-2 AI系统为多个放射学工具赋能。照片中，从右到左分别为：UCSF的Hess，UCSF放射科教授兼副主任Sharmila Majumdar，以及NVIDIA医院和临床合作全球负责人Mona Flores。

UCSF是一家全球领先的医疗机构，在放射工作领域有着一个多世纪的经验，长期以来一直是医学成像领域的创新者。其放射科在20世纪70年代与行业合作伙伴合作开发了首个磁共振成像系统，如今该系统在世界范围内被应用于诊断各种疾病，包括脊柱骨折、脑和心脏病。

UCSF每年要进行近50万项成像研究。多年来，医疗中心积累了至少1 PB的成像数据，从小型X射线图像到更大的PET/MRI研究。如今，某些更大的文件要占据几GB，甚至几TB的数据存储空间。

在这些海量数据集上训练深度学习模型需要巨大的算力。通过采用高性能的NVIDIA DGX-2，Hess估计UCSF的研究人员可以将AI模型的训练时间从几个月或几天缩短到几小时甚至几分钟。

DGX-2还将使得UCSF能够利用多模式数据源开发更复杂的深度学习模型，以加速放射工作流程。

“我们的兴趣点不仅局限于整合医学成像数据，对于医疗记录、遗传学和其他信息源的数据，我们也同样十分感兴趣，” Hess 表示。“当我们讨论大规模计算时，我们需要一个像DGX-2这样，高吞吐量、高效率且计算性能强大的平台，来帮助我们加速开发周期。”

UCSF还采用了NVIDIA Clara医学成像开发工具包。其研究人员正在使用Clara Train SDK来训练用于重建和分析CT和MRI扫描的深度学习模型，并使用Clara Deploy SDK来优化与中心临床基础设施的集成。

Hess说：“从成像设备到阅览室，我们所关注的重点在于开发实现算法的方法上。NVIDIA Clara将是创建这个生态系统以实现、验证和使用AI算法的重要平台。”

将AI融入临床工作流程

NVIDIA 和UCSF正在合作开发可以部署到医疗中心的成像工作流程中的AI模型，首先是用于分析大脑和肝脏的扫描的深度学习模型。

当医生为脑癌患者提供治疗时，核磁共振扫描提供了肿瘤对放射治疗和化疗反应的关键信息。现阶段，放射科医生主要依赖手动工具对扫描结果进行可视化分析。AI可以为医生提供定量测量，计算肿瘤的精确体积。通过跟踪肿瘤体积在扫描间的变化，临床医生可以更好地评估患者对治疗的反应。

该团队还开发了一种AI模型，可以从CT图像中分割和测量器官捐献者肝脏的左右叶。这些指标对于医生计划从活体供肝者到患者的肝移植是至关重要的，过去，描绘和手工计算通常需要两个小时才能完成。Hess估计，借助于深度学习，该过程只需几秒钟就能完成。

UCSF和NVIDIA还将合作开发一系列工具，以提高医学影像检查的质量、效率和再现性。AI可以用来去除医学图像的噪点，以便扫描速度更快，并且在扫描过程中可以极大地降低由于患者运动所带来的影响。

除了日常的医疗成像工作流程外，该合作还将探索预测分析工具，从成像扫描、医疗记录甚至是患者传感器，为放射科医生和其他医生提供洞察。

UCSF还将创建更多的深度学习算法，以提高运行效率，帮助其技术人员优化医疗中心的成像扫描仪机群的使用方式。