麻省总医院Martinos中心将AI用于COVID-19和放射学研究
2020-09-03 17:19
分享到微信
分享到微博
全球学术医疗中心都在开发全新AI工具，以对抗COVID-19疫情。麻省总医院也在这一行列中，其Martinos中心通过采用NVIDIA DGX A100 AI系统加速其研究进程。
该医院Athinoula A. Martinos生物医学成像中心的研究人员正在对模型展开研究。通过多次对胸部扫描进行分割和对齐，依据X射线成像来判断肺部疾病的严重程度，并将放射学数据与其他临床变量相结合，预测COVID患者的康复情况。
这些模型是通过Mass General Brigham的数据进行构建和测试的。模型一旦被验证成功，便可应用于医院治疗。其基于放射学领域的深入洞察，能够更好地为临床医生服务，助力追踪患者病情，从而做出治疗决策。
麻省总医院放射科住院医师、Martinos中心QTIM实验室成员Matthew D. Li说道：“在帮助住院医生治疗COVID-19患者的过程中，我意识到放射影像中往往包含着很多信息，但却无法帮助医生立即做出临床决策。借助深度学习，我们开发出一种算法，可依据胸部X射线对肺部疾病的严重程度进行评估打分。这种方式具有复现性和可扩展性，让临床医生能够结合生命体征、脉搏血氧饱和度数据和血液检测结果等其他实验室检测值，对胸部X射线成像进行持续跟踪。”
Martinos中心使用了包括NVIDIA DGX-1在内的多种NVIDIA AI系统来加速其研究进程。今年夏天，该中心将安装NVIDIA DGX A100系统，每个系统都配备八个NVIDIA A100 Tensor Core GPU，并提供5 petaflops的AI性能。
QTIM实验室和Martinos中心机器学习中心主任Jayashree Kalpathy-Cramer说道：“从最初开始开发COVID模型时，我们就竭尽全力。我们开发模型的速度越快，它能够派上用场的可能性就越大。如果没有足够的计算资源，研究就无法推进下去。”
比较法则：将AI 用于胸部成像
COVID患者通常会接受影像学检查（在欧洲通常是CT扫描，在美国通常是X射线），以检查疾病对肺部的影响。因此，对比患者的初始情况与后期随访，是了解患者病情有效方式。
但是，由于影像中存在着线条等干扰元素，对身体不同部位及角度进行的两次扫描进行分割和对齐并非易事。
Martinos中心计算神经影像实验室主任Bruce Fischl和哈佛医学院放射学助理教授Adrian Dalca将Dalca的“MRI比较AI”背后的底层技术应用于胸部X射线，并使用NVIDIA DGX系统对模型进行了训练。
Fischl表示：“放射科医生需要花费大量时间来评估两项研究之间是否发生了变化，这项通用技术可以帮助解决这一难题。我们的模型能在高分辨率X射线中标记20处结构，并在两次研究之间将它们对齐，整个推理过程只需不到一秒的时间。”
这一工具可用在Li和Kalpathy-Cramer的研究中，即一种风险评估模型，该模型可分析胸部X射线，并对肺部疾病的严重程度进行评估打分。该模型可为临床医生、研究人员和传染病专家提供一致、定量的肺部影响指标。这些影响在典型的放射学研究报告中，均有主观的描述。
严重性评分AI的训练基于公开数据集。该数据集包括来自麻省总医院的超过150,000张胸部X射线图，以及几百张COVID阳性患者的X射线图。麻省总医院的四组研究团队，利用NVIDIA Clara Deploy SDK对严重性评分AI进行了测试。除疫情之外，研究团队还计划将该模型的使用范围，扩大到如肺水肿或湿肺等更多疾病上。
针对不同阶段拍摄的影像，对AI肺部疾病严重程度评分（PXS）进行比较，可帮助临床医生追踪患者病情进展。
（图片来自发表于Radiology: Artificial Intelligence的研究论文，可供公开查阅。）
呼吸机的需求预测
胸部成像仅是评估COVID患者健康状况的变量之一。放眼大局，Martinos中心团队正在与Mass General Brigham临床数据动画中心执行主任Brandon Westover合作。
Westover正在开发可预测入院患者和门诊COVID病例临床愈后的AI模型。其中，Kalpathy-Cramer的肺部疾病严重性评分可作为该模型的临床变量之一。
该门诊模型可分析30个变量，能够为医院网络内的呼吸道感染门诊筛查出的数百名患者并逐一进行风险评分，以预测COVID患者最终发展为重症病患或死亡的可能性。
对于已经入院的患者，神经网络可通过生命体征、年龄、脉搏血氧饱和度数据和呼吸频率等变量，预测患者在未来12小时内，每小时内需要采用人工呼吸的风险。
“这些变量可能非常微妙，但通过互相结合，就能很好地预测患者的病情恶化。” Westover说道。该模型基于NVIDIA Quadro RTX 8000 GPU，可让临床医生通过使用前端门户网站来访问该模型、查看哪位患者的风险最高，以及哪些变量在风险得分中所占权重最大。
NVIDIA DGX让研究变得更有效、更快速、更强大
Fischl表示，NVIDIA DGX系统能够帮助Martinos中心的研究人员快速迭代，以尝试各种改进AI算法的方法。DGX A100采用基于NVIDIA Ampere架构的NVIDIA A100 GPU，将进一步加快团队使用第三代Tensor Core技术的研发进展。
“量变带来质变，”他说道，“我设想了五种改进算法的方法，每种方法都需要七个小时的训练。如果我能将这七个小时压缩到一个小时，便可大幅提升开发效率。”
Martinos中心将使用NVIDIA Mellanox交换机和VAST Data存储基础设施，使其开发者能够使用NVIDIA GPUDirect技术，绕过CPU并将数据直接移入或移出GPU内存，从而实现更强的性能和更快速的AI训练。
哈佛医学院放射学助理教授、Martinos中心机器学习中心联合主任Matthew Rosen表示：“使用这种大容量的高速存储，可以帮助我们对所研究的MRI、PET和MEG扫描仪中的原始多模数据进行分析。通过采用全新A100 GPU，VAST存储系统有望为未来智能成像树立全新标准。”
这张图片是胸部X射线及其相应的热图，突出显示了患有肺部疾病的区域。
（图片来自发表于Radiology: Artificial Intelligence上的研究论文，可公开下载。）
该医院Athinoula A. Martinos生物医学成像中心的研究人员正在对模型展开研究。通过多次对胸部扫描进行分割和对齐，依据X射线成像来判断肺部疾病的严重程度，并将放射学数据与其他临床变量相结合，预测COVID患者的康复情况。
这些模型是通过Mass General Brigham的数据进行构建和测试的。模型一旦被验证成功，便可应用于医院治疗。其基于放射学领域的深入洞察，能够更好地为临床医生服务，助力追踪患者病情，从而做出治疗决策。
麻省总医院放射科住院医师、Martinos中心QTIM实验室成员Matthew D. Li说道：“在帮助住院医生治疗COVID-19患者的过程中，我意识到放射影像中往往包含着很多信息，但却无法帮助医生立即做出临床决策。借助深度学习，我们开发出一种算法，可依据胸部X射线对肺部疾病的严重程度进行评估打分。这种方式具有复现性和可扩展性，让临床医生能够结合生命体征、脉搏血氧饱和度数据和血液检测结果等其他实验室检测值，对胸部X射线成像进行持续跟踪。”
Martinos中心使用了包括NVIDIA DGX-1在内的多种NVIDIA AI系统来加速其研究进程。今年夏天，该中心将安装NVIDIA DGX A100系统，每个系统都配备八个NVIDIA A100 Tensor Core GPU，并提供5 petaflops的AI性能。
QTIM实验室和Martinos中心机器学习中心主任Jayashree Kalpathy-Cramer说道：“从最初开始开发COVID模型时，我们就竭尽全力。我们开发模型的速度越快，它能够派上用场的可能性就越大。如果没有足够的计算资源，研究就无法推进下去。”
比较法则：将AI 用于胸部成像
COVID患者通常会接受影像学检查（在欧洲通常是CT扫描，在美国通常是X射线），以检查疾病对肺部的影响。因此，对比患者的初始情况与后期随访，是了解患者病情有效方式。
但是，由于影像中存在着线条等干扰元素，对身体不同部位及角度进行的两次扫描进行分割和对齐并非易事。
Martinos中心计算神经影像实验室主任Bruce Fischl和哈佛医学院放射学助理教授Adrian Dalca将Dalca的“MRI比较AI”背后的底层技术应用于胸部X射线，并使用NVIDIA DGX系统对模型进行了训练。
Fischl表示：“放射科医生需要花费大量时间来评估两项研究之间是否发生了变化，这项通用技术可以帮助解决这一难题。我们的模型能在高分辨率X射线中标记20处结构，并在两次研究之间将它们对齐，整个推理过程只需不到一秒的时间。”
这一工具可用在Li和Kalpathy-Cramer的研究中，即一种风险评估模型，该模型可分析胸部X射线，并对肺部疾病的严重程度进行评估打分。该模型可为临床医生、研究人员和传染病专家提供一致、定量的肺部影响指标。这些影响在典型的放射学研究报告中，均有主观的描述。
严重性评分AI的训练基于公开数据集。该数据集包括来自麻省总医院的超过150,000张胸部X射线图，以及几百张COVID阳性患者的X射线图。麻省总医院的四组研究团队，利用NVIDIA Clara Deploy SDK对严重性评分AI进行了测试。除疫情之外，研究团队还计划将该模型的使用范围，扩大到如肺水肿或湿肺等更多疾病上。
针对不同阶段拍摄的影像，对AI肺部疾病严重程度评分（PXS）进行比较，可帮助临床医生追踪患者病情进展。
（图片来自发表于Radiology: Artificial Intelligence的研究论文，可供公开查阅。）
呼吸机的需求预测
胸部成像仅是评估COVID患者健康状况的变量之一。放眼大局，Martinos中心团队正在与Mass General Brigham临床数据动画中心执行主任Brandon Westover合作。
Westover正在开发可预测入院患者和门诊COVID病例临床愈后的AI模型。其中，Kalpathy-Cramer的肺部疾病严重性评分可作为该模型的临床变量之一。
该门诊模型可分析30个变量，能够为医院网络内的呼吸道感染门诊筛查出的数百名患者并逐一进行风险评分，以预测COVID患者最终发展为重症病患或死亡的可能性。
对于已经入院的患者，神经网络可通过生命体征、年龄、脉搏血氧饱和度数据和呼吸频率等变量，预测患者在未来12小时内，每小时内需要采用人工呼吸的风险。
“这些变量可能非常微妙，但通过互相结合，就能很好地预测患者的病情恶化。” Westover说道。该模型基于NVIDIA Quadro RTX 8000 GPU，可让临床医生通过使用前端门户网站来访问该模型、查看哪位患者的风险最高，以及哪些变量在风险得分中所占权重最大。
NVIDIA DGX让研究变得更有效、更快速、更强大
Fischl表示，NVIDIA DGX系统能够帮助Martinos中心的研究人员快速迭代，以尝试各种改进AI算法的方法。DGX A100采用基于NVIDIA Ampere架构的NVIDIA A100 GPU，将进一步加快团队使用第三代Tensor Core技术的研发进展。
“量变带来质变，”他说道，“我设想了五种改进算法的方法，每种方法都需要七个小时的训练。如果我能将这七个小时压缩到一个小时，便可大幅提升开发效率。”
Martinos中心将使用NVIDIA Mellanox交换机和VAST Data存储基础设施，使其开发者能够使用NVIDIA GPUDirect技术，绕过CPU并将数据直接移入或移出GPU内存，从而实现更强的性能和更快速的AI训练。
哈佛医学院放射学助理教授、Martinos中心机器学习中心联合主任Matthew Rosen表示：“使用这种大容量的高速存储，可以帮助我们对所研究的MRI、PET和MEG扫描仪中的原始多模数据进行分析。通过采用全新A100 GPU，VAST存储系统有望为未来智能成像树立全新标准。”
这张图片是胸部X射线及其相应的热图，突出显示了患有肺部疾病的区域。
（图片来自发表于Radiology: Artificial Intelligence上的研究论文，可公开下载。）
