Sowohl die Patienten als auch die Anbieter von Healthcare-Services, Krankenhäuser, Hersteller von medizinischen Geräten und Pharmafirmen, das medizinische Fachpersonal und diverse andere Stakeholder in diesem Ökosystem können von Machine-Learning-getriebenen (ML) Tools profitieren. Von der Messung anatomischer Geometrien bis zur Krebserkennung, in der Radiologie, Chirurgie, Wirkstoffentdeckung und Genomik bieten sich unbegrenzte Einsatzmöglichkeiten. In diesen Szenarien kann ML eine Steigerung der betrieblichen Effizienz mit extrem positiven Ergebnissen und signifikanten Kostenreduktionen bewirken.

Die regulatorische Unterstützung seitens der staatlichen Aufsichtsbehörden – in den USA die Federal Drug Administration (FDA) – wird ständig erweitert. Die FDA genehmigt laufend weitere ML-Verfahren als Diagnosehilfe und für andere Applikationen. Sie hat außerdem eine neue Rahmenverordnung für ML-basierte Produkte geschaffen. Dieses neue Framework bezeichnet ML-Verfahren als SaMD (Software as a Medical Device, Software als Medizinprodukt) und sieht darin signifikante Vorteile für die Qualität und Effizienz der Gesundheitsversorgung. Als Verstärkung dieser Initiative hat die FDA eine Prüfvorschrift für die Einführung vorgesehener Änderungen (predetermined change control plan) betreffend die Beantragung ihrer Markteinführung erlassen. Sie enthält die Art der antizipierten Modifikationen und die Methodik der Implementierung dieser Änderungen in einer kontrollierten Vorgehensweise.

ACAP

Bild 1: Radiologie-Applikation (Thorax-Röntgenaufnahme) und digitale Pathologie. Xilinx

Die FDA erwartet dabei die Verpflichtung seitens der Hersteller medizinischer Geräte zur Transparenz und eine realistische Überwachung der Performance von SaMD-Produkten, nebst periodischen Updates über die im Rahmen der vorläufig zugelassenen Spezifikationen implementierten Änderungen einschließlich des veränderten Algorithmus-Protokolls. Dieses Framework ermöglicht es der FDA und den Herstellern, ein Produkt von der Entwicklung vor seiner Markteinführung bis zur Performance im Markt zu überwachen. Und es erlaubt den Aufsichtsbehörden auch die Zulassung laufender Verbesserungen eines SaMD, unter Gewährleistung der Sicherheit der Patienten.

Machine Learning im Gesundheitswesen

Es besteht ein breites Spektrum von Möglichkeiten zur Nutzung von ML bei der Lösung kritischer Probleme in der Gesundheitsversorgung. Beispielsweise nutzen Verfahren wie digitale Pathologie, Radiologie, Dermatologie, Gefäßdiagnostik und Ophthalmologie durchwegs standardmäßige digitale Bildverarbeitungsverfahren (Bild 1).

Thorax-Röntgenuntersuchungen zählen zu den am häufigsten vorgenommenen radiologischen Prozeduren. Mehr als zwei Milliarden von ihnen werden in jedem Jahr weltweit durchgeführt. Das entspricht 548.000 Scans pro Tag. Eine derart große Anzahl von Scans bedeutet eine starke Arbeitsbelastung der Radiologen und verringert ihre Workflow-Effizienz. Oftmals übertreffen Verfahren wie ML, Deep Neural Networks (DNN) und Convolutional Neural Networks (CNN) in ihrer Schnelligkeit und Genauigkeit die Ergebnisse von Radiologen. Natürlich ist die Expertise eines Radiologen immer noch von überragender Bedeutung. Allerdings kann in einem schnellen Entscheidungsprozess unter Stressbedingungen die menschliche Fehlerrate bis zu 30 Prozent erreichen. Die Unterstützung des Entscheidungsprozesses durch ML-Verfahren kann die Qualität des Ergebnisses verbessern und Radiologen und anderen Spezialisten ein zusätzliches Tool an die Hand geben.

Die Validierung von ML kommt heute von zahlreichen und sehr zuverlässigen Quellen. In einer solchen Studie der Stanford ML Group erwies sich ein 121-Layer CNN zur Erkennung von Lungenentzündungen besser trainiert als vier Radiologen. In ähnlicher Weise erzielte in mehreren Studien des National Institute of Health und anderer Organisationen die Früherkennung krebsartiger Lungenknoten mit einem DNN-Modell eine bessere Genauigkeit als die Diagnose mehrerer Radiologen.

Obwohl ihre Einführung in der digitalen Pathologie langsamer verläuft, schnitten in einer Studie zur Brustkrebserkennung einige Algorithmus-basierte Erkennungsverfahren vergleichsweise gut ab. In einigen Fällen waren sie besser als die Prognose mehrerer Pathologen. Ganz ähnlich lieferten RNN/LSTM-basierte Vorgehensweisen bei der Genom-Annotation bessere Voraussagen darüber, ob bestimmte Nukleotid-Varianten potenziell pathogen sind.

Viele Prozeduren in der Radiologie, Pathologie, Dermatologie, Gefäßdiagnose und Ophthalmologie bedingen in manchen Fällen große Bildformate, bis zu 5 Megapixel oder mehr, was eine komplexe Bildverarbeitung erfordert. Auch kann der ML-Workflow rechenintensiv sein und viel Speicherplatz verlangen. Das dominante Rechenverfahren stützt sich auf die lineare Algebra und erfordert viele Berechnungsgänge mit einer Vielzahl von Parametern.

Das führt zu Milliarden von MAC-(multiply-and-accumulate)-Operationen und einige Hundert Megabyte an Parameterdaten. Es erfordert außerdem eine Vielzahl von Operatoren und ein entsprechend verteiltes Speicher-Subsystem. Deshalb ist die Ausführung von genauen Bild-Inferenzen zur Erkennung oder Klassifizierung bestimmter Gewebe mit traditionellen Rechenverfahren auf PCs und GPUs ineffizient, und die Healthcare-Organisationen halten Ausschau nach alternativen Methoden, um dieses Problem anzugehen.

Adaptive Compute Accelaration Platform verbessert Effizienz

Die Technologie von Xilinx bietet eine heterogene und hochgradig verteilte Architektur, um dieses Problem für Healthcare-Unternehmen zu lösen. Die Xilinx-Familie der Versal Adaptive Compute Acceleration Platform (ACAP) SoCs, adaptierbaren FPGAs, integrierten digitalen Signalprozessoren, integrierten Acceleratoren für Deep Learning, sowie SIMD- und VLIW-Engines mit weit verteilter lokaler Speicherarchitektur und Multi-Prozessorsystemen ist bekannt für ihre Fähigkeit zur massiv parallelen Signalverarbeitung von High-Speed-Daten in nahezu Echtzeit.

Zusätzlich bietet Versal ACAP die Fähigkeit des NoC-(network on chip)-Interconnect mit mehreren Terabit pro Sekunde und verfügt über eine fortschrittliche AI-Engine einigen Hundert eng integrierter VLIW/SIMD-Prozessoren. Das bedeutet, dass die Rechenkapazität auf mehr als 100 Tera-Operationen pro Sekunde (TOPS) erhöht werden kann.

Diese Fähigkeiten der Xilinx-Bausteine verbessern drastisch die Effizienz, mit der sich komplexe Healthcare-orientierte ML-Algorithmen lösen lassen. Das hilft bei der signifikanten Beschleunigung von Healthcare-Applikationen an der Edge – mit weniger Ressourcen, Kosten und Leistungsverbrauch. Mit den Versal ACAP-Bausteinen kann wegen ihrer einfachen Architektur und Bibliotheksunterstützung auch die Unterstützung rekurrenter Netze möglich sein.

Bild 2: Überblick über die Unified Software Platform Vitis von Xilinx.

Bild 2: Überblick über die Unified Software Platform Vitis von Xilinx. Xilinx

Xilinx verfügt über ein innovatives Ökosystem für die Entwickler von Algorithmen und Applikationen. Das gilt für die Unified Software Platform, wie Vitis zur Applikationsentwicklung, und Vitis AI zur Optimierung und Anwendung der beschleunigten ML-Inferenz. Damit können die Entwickler in ihren Projekten fortschrittliche Bausteine, wie zum Beispiel ACAPs, einsetzen (Bild 2).

Der Workflow im Bereich Healthcare und in medizinischen Geräten erfährt derzeit große Veränderungen. In Zukunft dürften die medizinischen Workflows von Big-Data-Unternehmen bestimmt werden. Dies bringt signifikant höhere Anforderungen an Rechenkapazität, Datenschutz, Sicherheit, Patientenschutz und Genauigkeit. Verteilte, nichtlineare, parallele und heterogene Rechnerplattformen sind der Schlüssel bei der Lösung und Verwaltung dieser Komplexität. Bausteine wie Versal und die Software Platform Vitis können die optimierten AI-Architekturen der Zukunft bereitstellen.