NetApp เผยบทบาทของ AI ด้านการแพทย์ในสถานการณ์ COVID-19

NetApp เผยข้อแนะนำในการใช้ประโยชน์จาก AI ในด้านการแพทย์ท่ามกลางสถานการณ์การแพร่ระบาดของ ไวรัสโคโรน่า หรือ โควิด-19 (COVID-19)…

บทบาทของ AI ด้านการแพทย์ในสถานการณ์ COVID–19 จากมุมมอง NetApp

ในสถานการณ์การแพร่ระบาดของ COVID–19 เราได้เห็นบทบาทที่สำคัญของ AI มากขึ้น ดังจะเห็นได้จาก “การเตือนภัยล่วงหน้า” โดย AI เป็นกลุ่มแรกๆ ที่พบการเกิดขึ้นของเชื้อโรคชนิดใหม่ในมณฑลหูเป่ย ประเทศจีน โดยได้มีข้อมูลที่รวบรวมสถิติ ที่โรงพยาบาลใช้ AI ในการรับมือกับ COVID–19 ดังนี้

• คัดกรองผู้มีความเสี่ยงในการติดเชื้อ
• ระบุผู้ป่วยที่มีความเสี่ยงสูง
• การคัดกรองเจ้าหน้าที่ บุคลากรทางการแพทย์ที่เป็นแนวหน้าในการเผชิญกับผู้มีความเสี่ยงและผู้ป่วย
• การแยก COVID–19 จากโรคระบบทางเดินหายใจอื่น ๆ ด้วยวิธีการ X-rays หรือ CT scan

AI ได้กลายเป็นหนึ่งในกลไกสำคัญอันดับแรกที่โรงพยาบาลใช้ในการตรวจสอบ คัดกรองผู้ป่วยและระบุผู้มีแนวโน้มเสี่ยงต่อการติดเชื้อ นอกจากการตรวจเช็คอุณหภูมิ ควบคุมและติดตามข้อมูลของผู้ติดเชื้อหรือกลุ่มเสี่ยงแล้ว ยังใช้ AI ในการประเมินสถานการณ์เพื่อเตรียมพร้อมรับมือ

เพื่อให้รู้ว่าผู้ติดเชื้อคือใคร กลุ่มเสี่ยงหรือบุคคลที่มีความเสี่ยงจะได้รับการแพร่กระจายของเชื้อนี้จากผู้ติดเชื้อเป็นอย่างไร ไปจนถึงคาดการ์ณและวางแผนทางด้านอุปกรณ์ทางการแพทย์ที่จะต้องใช้เพื่อให้เพียงพอต่อการรองรับสถานการณ์ที่เกิดขึ้น (ที่มา: บทความ STAT ล่าสุด)

ภาพถ่ายทางการแพทย์กับ COVID–19

การคัดแยก COVID–19 จากโรคปอดอื่น โดยใช้ภาพถ่ายทางการแพทย์มีเป็นความหวังสำคัญ เพราะเป็นทางเลือกในการทดสอบในช่วงเวลาที่การตรวจหาสารพันธุกรรมของไวรัสด้วยวิธี Real-time (RT PCR) หรือทางแล็บขาดแคลน หรือใช้ในการสนับสนุนผลจากการทดสอบจากแล็บอีกชั้นหนึ่ง

ในช่วงเดือนมีนาคม โอเพนซอร์สชื่อว่า COVID-Net ได้นำ Convolutional Neural Network (CNN) มาใช้ในการวิเคราะห์ภาพจำนวนกว่า 6,000 ภาพ จากผู้ป่วยมากกว่า 2,800 คน การทดสอบสามารถจำแนกผลการเอ็กซ์เรย์สภาพปอดของผู้ป่วย

เช่น เกิดจากแบคทีเรีย ไวรัสที่ไม่ใช่โควิด-19 และไวรัส โควิด-19 และยังมีความพยายามในการสร้างแบบจำลองที่คล้ายกันเพิ่มเติมจาก COVID–Net

สถาปัตยกรรมที่อ้างอิงภาพถ่ายทางการแพทย์

ไม่นานมานี้ NetApp ได้นำเสนอโซลูชันสำหรับภาพถ่ายทางการแพทย์แบบบูรณาการโดยใช้ NVIDIA Clara Train SDK v2.0 ซึ่งใช้ประโยชน์จากการจัดเก็บแฟลช NVIDIA DGX-2 และ NetApp AFF ที่เหมาะสมกับ COVID–19 และการจำแนกภาพและการแบ่งส่วนทางการแพทย์อื่น  

โซลูชั่นที่สมบูรณ์จะแสดงให้เห็นถึงสถาปัตยกรรมการขับเคลื่อนข้อมูล ตั้งแต่จากขั้นการบันทึกข้อมูลภาพ การจัดเก็บข้อมูลภาพอย่างเป็นระเบียบ การระบุคุณลักษณะเฉพาะของแต่ละภาพโดยใช้ AI และการนำสิ่งที่เรียนรู้จากข้อมูลมาใช้ปรับแต่งโมเดล AI ที่มีอยู่ต่อไป

ความก้าวหน้าทางเทคโนโลยีภาพถ่ายทางการแพทย์รวมถึงความสามารถในการวิเคราะห์ 3D, 4D แบบเรียลไทม์ และการประมวลผลด้วย GPU ช่วยสร้างเครื่องมือที่ทรงพลังให้กับนักรังสีวิทยาในการวินิจฉัยและให้คำแนะนำได้รวดเร็วขึ้น

โดยเฉพาะอย่างยิ่งอัลกอริทึมของการแบ่งเซกเมนต์ (Semantic Segmentation Algorithms) จะทำให้สามารถใช้ประโยชน์ได้หลายด้านมากขึ้น และสามารถปรับใช้ในงานใหม่และกรณีใช้งานอื่น ๆ ได้ รูปแบบการทำงานนอกกรอบที่หลากหลายของงานวิจัย

และภาพถ่ายทางการแพทย์จะมีผลอย่างมากต่อการดูแลสุขภาพ ซึ่งเวิร์คโหลดของงานด้านการดูแลสุขภาพนี้สามารถบรรจุข้อมูลได้หลากหลายแบบ อาทิ

บันทึกสุขภาพอิเล็กทรอนิกส์

• การบันทึกภาพการผ่าตัดของหุ่นยนต์
• การถ่ายภาพรังสีที่มีความทึบแตกต่างกัน (ภาพจอประสาทตา / ภาพอัลตราซาวด์ / ภาพซีที สแกน (CT) / เอกซเรย์โพซิตรอน (PET) และภาพ (MRI))

ข้อมูลทั้งหมดนี้จะนำไปใช้ด้านบริการด้านสุขภาพต่างๆ เช่น ภาพถ่ายทางการแพทย์ พยาธิวิทยาแบบดิจิทัล จีโนมิกส์ และอื่น ๆ ในโมเดลเทรนนิ่งมีความต้องการชนิดข้อมูลที่แตกต่างกัน รวมถึงประสิทธิภาพการประมวลผล และสตรอเรจ การทำให้ GPU มีสมรรถนะสูงสุด และให้อัตราความเร็วสูงสุดในเวลาแฝงที่ต่ำสุดจากสตอเรจ

รายงานเทคนิคนี้กล่าวถึงความท้าทายในการเทรนนิ่งเกี่ยวกับการมอบประสิทธิภาพที่ดีที่สุดเพื่อลดเวลาในการทำความเข้าใจ และเพิ่มความแม่นยำ นอกจากนี้ยังกล่าวถึงการตรวจสอบของโมเดลเทรนนิ่งของ AI และ DL ในการแบ่งเซกเมนต์ของ ฮิปโปแคมปัส (hippocampus)

โดยใช้ชุดข้อมูลที่เปิดเผยต่อสาธารณชนด้วยแพลตฟอร์ม NVIDIA Clara ฮิปโปแคมปัสเป็นส่วนประกอบสำคัญของสมองมนุษย์ มีบทบาทสำคัญในการรวมข้อมูลจากหน่วยความจำระยะสั้นไปยังหน่วยความจำระยะยาว และในหน่วยความจำเชิงพื้นที่ที่เปิดใช้งานการนำทาง สำหรับโรคอัลไซเมอร์ และภาวะสมองเสื่อม

ฮิบโปแคมปัสเป็นหนึ่งในส่วนแรกของสมองที่ได้รับความเสียหาย การระบุที่แม่นยำของฮิบโปแคมปัสจาก MRI นับเป็นขั้นตอนสำคัญในกระบวนการวินิจฉัย อาจเป็นเรื่องยากสำหรับนักรังสีวิทยาและแพทย์ ในการแบ่งเซกเมนต์ขนาดเล็ก ๆ

ทั้งสองที่อยู่ใกล้เคียงกันด้วยความแม่นยำ DL จะช่วยให้การแบ่งเซกเมนต์นี้เร็วขึ้น และแม่นยำยิ่งขึ้น ช่วยให้ผู้ปฏิบัติงานทางการแพทย์ไปใช้เวลาในการวินิจฉัย และดูแลผู้ป่วยได้มากขึ้นโดยใช้เวลาน้อยกว่าในการตรวจภาพ

ซึ่ง NVIDIA Clara เป็นแพลตฟอร์มการคำนวณที่จะช่วยให้นักพัฒนาสามารถสร้าง จัดการ และปรับใช้เวิร์กโฟลว์ภาพถ่ายทางการแพทย์ได้อย่างชาญฉลาด NVIDIA Clara Train SDK นำเสนอเครื่องมือ และเทคโนโลยีที่ทันสมัยที่ช่วยเร่งการให้คำอธิบายประกอบข้อมูล การปรับตัว

และการพัฒนาโมเดล AI สำหรับเวิร์กโพลว์การถ่ายภาพด้านสุขภาพ การตรวจสอบความถูกต้องนี้ใช้แพลตฟอร์ม NVIDIA Clara เพื่อจัดทำคำอธิบายประกอบแบบช่วยด้วย AI เพื่อติดฉลากชุดข้อมูลการสร้างภาพสมองที่เปิดเผยต่อสาธารณะ (ที่มา: open-source model called COVID-Net)

• ONTAP AI Reference Architecture for Healthcare: Diagnostic Imaging

ส่วนขยาย

* บทความเรื่องนี้น่าจะเป็นประโยชน์สำหรับการวิเคราะห์ในมุมมองที่น่าสนใจ 
** เขียน: ชลัมพ์ ศุภวาที (บรรณาธิการ และผู้สื่อข่าว) 
*** ขอขอบคุณภาพประกอบบางส่วนจาก www.pexels.com

สามารถกดติดตามข่าวสารและบทความทางด้านเทคโนโลยีของเราได้ที่  www.facebook.com/itday.in.th