借助深度學習診斷醫療圖像 (吳招成)

By on March 29, 2018

本文作者吳招成,為香港生產力促進局汽車及電子部顧問,為《信報》撰寫專欄「科網人語」。

以肉眼檢測醫療圖像,有時難免出現誤診。(網上圖片)

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)

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 StartupBeat

如欲投稿、報料,發佈新聞稿或採訪通知,按這裡聯絡我們