ในสถานการณ์การแพร่ระบาดของไวรัสโควิด-19 เราได้เห็นบทบาทที่สำคัญของ AI มากขึ้น ดังจะเห็นได้จาก “การเตือนภัยล่วงหน้า” โดย AI เป็นกลุ่มแรกๆ ที่พบการเกิดขึ้นของเชื้อโรคชนิดใหม่ในมณฑลหูเป่ย ประเทศจีน
มีข้อมูลที่รวบรวมสถิติ ที่โรงพยาบาลใช้ AI ในการรับมือกับไวรัสโควิด-19 ไม่ว่าจะเป็น การคัดกรองผู้มีความเสี่ยงในการติดเชื้อ, การระบุผู้ป่วยที่มีความเสี่ยงสูง, การคัดกรองเจ้าหน้าที่ บุคลากรทางการแพทย์ที่เป็นแนวหน้าในการเผชิญกับผู้มีความเสี่ยงและผู้ป่วย และการแยกโควิด-19 จากโรคระบบทางเดินหายใจอื่น ๆ ด้วยวิธีการเอ็กซ์เรย์ หรือ ซีที สแกน เป็นต้น
ทั้งนี้ AI ได้กลายเป็นหนึ่งในกลไกสำคัญอันดับแรกที่โรงพยาบาลใช้ในการตรวจสอบ คัดกรองผู้ป่วยและระบุผู้มีแนวโน้มเสี่ยงต่อการติดเชื้อ นอกจากการตรวจเช็คอุณหภูมิ ควบคุมและติดตามข้อมูลของผู้ติดเชื้อหรือกลุ่มเสี่ยงแล้ว ยังใช้ AI ในการประเมินสถานการณ์เพื่อเตรียมพร้อมรับมือ เพื่อให้รู้ว่าผู้ติดเชื้อคือใคร กลุ่มเสี่ยงหรือบุคคลที่มีความเสี่ยงจะได้รับการแพร่กระจายของเชื้อนี้จากผู้ติดเชื้อเป็นอย่างไร ไปจนถึงคาดการ์ณและวางแผนทางด้านอุปกรณ์ทางการแพทย์ที่จะต้องใช้เพื่อให้เพียงพอต่อการรองรับสถานการณ์ที่เกิดขึ้น
ภาพถ่ายทางการแพทย์กับโควิด-19
การคัดแยกโควิด-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 และสามารถปรับใช้ในงานใหม่และกรณีใช้งานอื่นๆ ได้
นอกจากนี้ เวิร์คโหลดของงานด้านการดูแลสุขภาพนี้สามารถบรรจุข้อมูลได้หลากหลายแบบ อาทิ การบันทึกสุขภาพอิเล็กทรอนิกส์, การบันทึกภาพการผ่าตัดของหุ่นยนต์, การถ่ายภาพรังสีที่มีความทึบแตกต่างกัน, ภาพจอประสาทตา, ภาพอัลตราซาวด์, ภาพซีที สแกน และภาพเอ็มอาร์ไอ เป็นต้น
ข้อมูลทั้งหมดนี้จะนำไปใช้ด้านบริการด้านสุขภาพต่างๆ เช่น ภาพถ่ายทางการแพทย์ พยาธิวิทยาแบบดิจิทัล จีโนมิกส์ และอื่นๆ ในโมเดลเทรนนิ่งมีความต้องการชนิดข้อมูลที่แตกต่างกัน รวมถึงประสิทธิภาพการประมวลผลและสตรอเรจ การทำให้ GPU มีสมรรถนะสูงสุดและให้อัตราความเร็วสูงสุดในเวลาแฝงที่ต่ำสุดจากสตอเรจ
รายงานเทคนิคนี้กล่าวถึงความท้าทายในการเทรนนิ่งเกี่ยวกับการมอบประสิทธิภาพที่ดีที่สุดเพื่อลดเวลาในการทำความเข้าใจ และเพิ่มความแม่นยำ นอกจากนี้ยังกล่าวถึงการตรวจสอบของโมเดลเทรนนิ่งของ AI และ DL ในการแบ่งเซกเมนต์ของ hippocampus โดยใช้ชุดข้อมูลที่เปิดเผยต่อสาธารณชนด้วยแพลตฟอร์ม NVIDIA Clara
NVIDIA Clara เป็นแพลตฟอร์มการคำนวณที่จะช่วยให้นักพัฒนาสามารถสร้าง จัดการ และปรับใช้เวิร์กโฟลว์ภาพถ่ายทางการแพทย์ได้อย่างชาญฉลาด NVIDIA Clara Train SDK ™นำเสนอเครื่องมือและเทคโนโลยีที่ทันสมัยที่ช่วยเร่งการให้คำอธิบายประกอบข้อมูล การปรับตัว และการพัฒนาโมเดล AI สำหรับเวิร์กโพลว์การถ่ายภาพด้านสุขภาพ การตรวจสอบความถูกต้องนี้ใช้แพลตฟอร์ม NVIDIA Clara เพื่อจัดทำคำอธิบายประกอบแบบช่วยด้วย AI เพื่อติดฉลากชุดข้อมูลการสร้างภาพสมองที่เปิดเผยต่อสาธารณะ
- รพ.กรุงเทพพัทยา ผนึกพันธมิตร-หัวเว่ย ใช้ ‘โซลูชั่น AI’ หนุนรักษาโควิด-19
- คลังใช้ระบบ AI คัดกรอง ‘เราไม่ทิ้งกัน’ ชี้พลาดยังมีสินเชื่อดอก 0.1% รออยู่
