借助深度學習診斷醫療圖像 (吳招成)
以肉眼檢測醫療圖像，有時難免出現誤診。（網上圖片）
醫學界使用內窺鏡和大腸鏡檢查人體內部始自1880年代，影像由富經驗的專家負責辨別，但肉眼有時難免誤診。病理學家須接受長時間訓練，透過顯微鏡和侵入性測試辨別腫瘤組織。惟隨着城市人口增長，內科病人不斷增加，診斷專家人手日漸吃緊。有見及此，香港生產力促進局（HKPC）正把深度學習（deep learning）技術用於醫療影像觀測和診斷。
深度學習可說是機器學習（machine learning）加強版，要機器像人類一樣「思考」，模仿人類腦部神經元互相連結，迅速處理及傳遞訊息。人工神經網絡（artificial neural networks）利用層次組合、連結和方向傳遞數據，數據由第一層出發，每層進行不同工序，直到最後一層，數據演化為系統輸出的洞見。
分析醫療影像的應用約需100層人工神經網絡，耗用龐大運算資源，方能產生強大洞見。以往局限於運算能力，生產力促進局未能進行大規模研究，但新的高效能運算系統如IBM POWER Systems的出現，為局面帶來轉機。
要使用數以十萬計醫療影像，訓練一個人工神經網絡進行深度學習，需要強大的影像處理組件、高容量記憶體，以及穩定可靠的平台。研究隊伍使用區域性卷積神經網絡，把每個不規則影像分拆為數千小區域，每區產生數千項數據，系統要計算它們是否相似。
研究隊伍用非線性方法分析不規則數據，強大的運算系統可把深度學習訓練時間由數十星期縮短至數十小時。
隊伍使用人體異常組織影像，進行深度學習，提高辨識能力；又使用已劃分區段的腺體組織影像，讓系統學習辨識不同細胞，判斷它們的大小、形狀，以及相對於其他細胞的位置。
高效運算拆解健康密碼
IBM平台提供分散式系統，同時支援多個圖形處理器（GPU），並將處於閒置狀態的圖形處理器資源開放，供機構其他同事使用，提高營運效益。我們的目標是支援病理學家，平台足夠穩定，不會在數據完整性、系統故障上帶來困擾。
生產力促進局首次採用IBM S822LC伺服器，代號Minsky，含IBM及NVIDIA共同開發的高效能運算平台，是影像分析的堅實堅礎。新系統現已讓研究隊伍採用更快的新方法，處理影像數據和深度學習。有了可靠勤勞又聰明的Minsky，我們的研究團隊距離拆解醫療健康密碼又再走近一步。
深度學習已應用在診斷醫療圖像上，為診治提供參考資料。（網上圖片）
支持EJ Tech
如欲投稿、報料，發布新聞稿或採訪通知，按這裏聯絡我們。
 - EJ Tech){kind=link}
){kind=link}