鎖定放射醫學診斷，Nvidia推出遷移學習辨識模型和AI輔助標註SDK

Nvidia近日在2018年度的北美放射學會宣布推出幾項重要的工具，包含醫學影像運算平臺Clara的SDK、專為醫學影像設計的遷移學習工具包，和AI輔助標註SDK等，醫學影像運算平臺Clara的SDK能夠讓開發人員，透過任何GPU平臺，來部署AI應用、視覺化應用，或是密集型的運算應用，像是重建影像的工作。

Clara是Nvidia日前推出的醫學成像工作流程開放平臺，為了讓放射醫學能夠受惠於數千種的AI應用，建構出一個標準的部署平臺將會是關鍵，使不同的儀器、工作流程、患者，和影像中心都能夠使用，而最近Nvidia更進一步推出Clara平臺的SDK，提供醫學應用開發人員一系列用於GPU的函式庫，像是計算、進階視覺化、AI技術相關的函式庫，未來，隨著Clara的進展，Nvidia也會提供能夠建置硬體抽象應用的容器，改善醫學影像重建、處理、萃取和分類等工作。Nvidia表示，藉由Docker和Nvidia在GPU上的Kubernetes，開發人員能夠在多種運算環境中部署應用，不管是在雲端或是本地端都能部署。

另一方面，Nvidia這次也推出遷移學習工具包，雖然在醫學影像分析中，基於深度學習的標註和分割能夠大幅提升模型開發速度，但是要開發出一套高效能的準確辨識模型不但耗時，也需要大量的成本和有效的資料集，這些因素一直以來都是開發者最大的挑戰，而Nvidia打造的遷移學習工具包，和AI輔助標註SDK則是為了解決這些挑戰。

遷移學習工具包透過Nvidia預先訓練的模型，使開發人員可以用自家的資料集，訓練出最佳的模型，該工具包為Python套件，每個模型都在Nvidia的GPU上經過優化和訓練，達到最高的準確度，省去開發人員建置應用的計算資源，加速開發流程。目前，該遷移學習工具包適用於Nvidia Tesla和DGX。

而AI輔助標註SDK則是為了解決放射科醫師治療和診斷的繁瑣過程，通常醫師要花上數個小時檢查病患的電腦斷層掃瞄影像和磁共振影像，並手動標註出在圖像中異常的位置，該項SDK能夠整合進現有的應用中，在診斷的工作流程中，提供放射醫師協助，透過遷移學習，AI輔助標註系統會不斷學習，每一張新的標註影像都能夠成為訓練資料，進一步改善模型的準確度。

在放射醫學中，AI研究已經展現能夠改善品質和成本的前景，但是要將這些研究帶到臨床上，還是需要許多層面一起合作，為此，Nvidia過去一直在擴展醫療健康照護的生態系，目前，Nvidia與75個合作夥伴共同將AI技術應用到醫療健康照護中，並且合作夥伴每個月都還在持續增長，包含醫學中心、醫學影像公司、研究機構、健康照護新創，以及醫療健康照護的廠商。

Nvidia表示，過去10年來，Nvidia的GPU在醫學影像的領域中，扮演了關鍵的角色，醫學影像的診斷模型仰賴GPU來傳輸即時的影像資訊，包含透過反覆重建工作，來降低電腦斷層掃描的輻射劑量，或是壓縮採樣來減少磁共振的掃描時間，以及利用波束成形(Beamforming)來增加超音波影像品質。