Embedded Computer
Künstliche Intelligenz für bessere Befundung
Fortsetzung des Artikels von Teil 1
Wie kommt die KI ins Gerät?
Nun ist diese Intelligenz allerdings immer noch in der Cloud oder in einem zentralen Rechenzentrum, aber noch nicht im Medizingerät. Hierfür nutzt man nun die sogenannte Inferenz, um die Anwendung des Gelernten in das entsprechende Gerät vor Ort zu integrieren. Um diese Intelligenz des neuronalen Netzwerks aus dem Rechenzentrum auf nur einem Prozessor zu integrieren, muss die Software kleiner werden. Deshalb werden in der Regel die Teile des neuronalen Netzwerks weggelassen, die nach dem erfolgreichen Training nicht beansprucht werden. Da sie im Entscheidungsfindungsprozess nicht aktiv sind, ist das problemlos möglich. Zudem können nun auch mehrere Entscheidungsebenen des ursprünglichen neuronalen Netzes in einem einzigen Rechenschritt zusammengefasst werden. Auch das hat keinerlei Nachteile, da das System vor Ort ja nicht eigenständig lernen muss, auch wenn das durchaus möglich ist. Effizienter ist es aber natürlich, das große System mit allen neuen Daten weiter zu trainieren und dann regelmäßig die lokalen Devices über Softwareupdates quasi auf den aktuellen Stand des Wissens zu bringen, weshalb Medical IoT Interfaces – also Anbindungen der Geräte an die Clouds und Server der Technologieanbieter – von entscheidender Bedeutung für die Weiterentwicklung dieser Technologien sind.
Auf diese Weise wird im Medizingerät vor Ort im Vergleich zwar deutlich weniger Rechenleistung benötigt, bezogen auf einen einzelnen Prozessor ist die benötigte Verarbeitungsleitung allerdings immer noch sehr hoch. Zudem sollte die lokale Computing-Architektur zu der im Rechenzentrum vergleichbar sein, um den Portierungsaufwand der Software und Algorithmen zu verringern. Neueste Embedded Accelerated Processing Units bieten heute genau diese geforderte flexible Rechenleistung aus klassischem x86er-Prozessor und leistungsfähiger General Purpose GPU für künstliche Intelligenz und maschinelles Lernen bei solch geringem Energiebedarf, dass diese Features bereits heute in nahezu allen Bereichen bildgebender Verfahren integriert werden können. Von mobilen lüfterlose Röntgengeräten bis zu Edge-Storage Devices für RIS (Radiologie-Informationssystem) und PACS (Picture Archiving and Communication System).
Schnelles Design-in mit Computer-on-Modules
Mit ihrer signifikant gestiegenen Rechen- und Grafikleistung empfehlen sich dabei AMD Embedded Sensoren, zum Beispiel die AMD Ryzen Embedded V-Series von Congatec. Auch in Bezug auf das nötige Software-Environment für eine schnelle und flächendeckende Einführung von KI und Deep Learning bieten solche AMD-Embedded-Prozessoren umfassenden Support an Tools und Frameworks wie TensorFlow, Caffe und Keras. Es bleibt jedoch die Frage, wie Medizingerätehersteller diese Enabler für KI in ihre bildgebenden Medizingeräte möglichst schnell und effizient eindesignen können.
Einer der effizientesten Wege führt über standardisierte Computer-on-Module. Durch den modularen Ansatz wird das Medizingerät von der Prozessortechnologie entkoppelt, was Herstellern eine stabile Roadmap für ihre Produkte bietet, eine hohe Langzeitverfügbarkeit sichert und effiziente Re-Use der eigenen Entwicklungsleistung ermöglicht. Durch einen einfachen Tausch lassen sich so auch neue Leistungsklassen in vorhandene Designs integrieren, sodass OEMs die Funktionalität ihrer Designs leicht um diese innovative Features erweitern können. Der führende Formfaktor unter den Modulen, COM Express, ist heute in vielen Medizingeräten vorhanden. So können OEMs durch einen Modultausch quasi rein durch einen Plug and Play ihre Medizingeräte hardwareseitig KI-tauglich machen.
Wie schnell das geht, hat Congatec bei seinem neuen Conga-TR4-Modul mit AMD-Ryzen-Embedded-V1000-Prozessoren bereits bei mehreren Systemdesigns getestet. Für die Migration des Modules in ein bestehendes System brauchten die Entwickler bei einem Partnerunternehmen genauso lange wie bei der Bestückung des Systems mit bereits evaluierter Hardware. Die Installationsroutinen zum Aufsetzen der Software erforderten ebenfalls nur die ansonsten üblichen Routinen. Dank des standardisierten API, das bei allen Modulen von Congatec identisch ist, war selbst für die Ansprache der Hardware kein weiterer Programmieraufwand erforderlich. Dadurch ist unter anderem die Ansteuerung der GPIOs bei jedem Modul identisch, die Systemdesigner beispielsweise zur Messung der Umgebungshelligkeit brauchen, um die Displayhelligkeit automatisch anzupassen.
Quellen
[1] https://www.sciencedaily.com/releases/2016/08/160829122106.htm
[2] https://news.stanford.edu/2017/01/25/artificial-intelligence-used-identify-skin-cancer/
[4] https://www.pwc.de/de/gesundheitswesen-und-pharma/studie-sherlock-in-health.pdf
Hier geht’s zur vollständigen Ausgabe.
- Künstliche Intelligenz für bessere Befundung
- Wie kommt die KI ins Gerät?
Lesen Sie mehr zum Thema
Das könnte Sie auch interessieren
Salespartnerschaft mit Fortec
Congatec forciert Absatz durch Erhöhung der Vertriebsreichweite
Künstliche Intelligenz
Bundesbürger sehen vor allem Chancen
KI in der Radiologie
Ich sehe was, was du nicht siehst
