HYHY: Eine umfassende, KI-gestützte Lösung für die medizinische Bildgebung

Die synergistische Software- und Hardware-Beschleunigung auf Basis der Intel® Architektur verbesserte die Erkennung und die Screening-Effizienz.

Auf einen Blick:

  • Huiyi Huiying Medical Technology (HYHY) spezialisiert sich auf die Anwendung und Entwicklung von Technologien im Bereich Computer-Vision und Deep Learning.

  • Um die Leistung der umfassenden medizinischen KI-Bildgebungslösung zu optimieren, verwendete HYHY Technologien wie die skalierbaren Intel® Xeon® Prozessoren der 2. Generation mit Intel® Deep Learning Boost und Software-Optimierungslösungen wie Intel® Distribution OpenVINO™ Toolkit und Intel® Distribution für Python.

BUILT IN - ARTICLE INTRO SECOND COMPONENT

Die rasche Verbreitung von 2019-nCoV Akute Atemwegskrankheit (im Folgenden „COVID-19“) stellte eine plötzliche und sehr anspruchsvolle Herausforderung für die schnelle Diagnostik von medizinischen Einrichtungen dar. Die Entwicklung von intelligenten Analysemethoden und computergestützter Diagnose von medizinischen Bildern mit künstlicher Intelligenz bot eine effektive Lösung für diese neuen Herausforderungen. Huiyi Huiying Medical Technology Co., Ltd. (HYHY) spezialisiert sich auf die Anwendung und Entwicklung von Technologien im Bereich Computer-Vision und Deep Learning. Mit seiner proprietären Dr. Turing KI-Plattform, Radcloud Big Data, einer KI-Analyse Cloud-Plattform, sowie dem intelligenten Bildgebungs-Cloud-Projekt Novacloud bot HYHY medizinischen Einrichtungen eine umfassende, leistungsstarke und KI-fähige Lösung für die medizinische Bildgebung, die Dutzende von Krankheiten erfolgreich diagnostizieren kann (darunter COVID-19).

Die Dr. Turing KI-Plattform dient als Kernstück der Lösung von HYHY und ist auf die computergestützte Diagnose von medizinischen Bildern ausgerichtet. Sie bietet Kliniken und Patienten eine KI-Analyse von medizinischen Bildern und strukturierten Berichten für über 10 Arten von häufig vorkommenden Krankheiten. Das intelligente Bildgebungs-Cloud-Produkt Novacloud nutzt die umfassende KI-Interaktivität der Cloud-Services, um Ärzten, Patienten und dem medizinischen Verwaltungspersonal bessere Dienste zu bieten. Radcloud, die Big Data und KI-Analyse Cloud-Plattform, dient medizinischen Einrichtungen als wichtiges Forschungswerkzeug. Da sie die wissenschaftliche Analyse von Big Data aus einer Vielzahl von Bildern erleichtert, beschleunigt sie die Geschwindigkeit, mit der neue Technologien in Radiomics und anderen Fachbereichen in die Medizin eingeführt werden können.

Um die Leistung der gesamten medizinischen KI-Bildgebungslösung zu optimieren, bot Intel HYHY Technik-Lösungen wie skalierbare Intel® Xeon® Prozessoren der 2. Generation mit Intel® Deep Learning Boost (Intel® DL Boost) als zentrale Verarbeitungs-Engine dieser Lösung, sowie Software-Optimierungstools wie das OpenVINO™ Toolkit und Intel® Distribution für Python. Dank der Vorteile, die durch die synergistische Software-Hardware-Beschleunigung geboten werden, erlebte die Dr. Turing KI-Plattform beträchtliche Verbesserungen der Inferenzgeschwindigkeit bei Bildanalyseszenarien wie dem COVID-19-Screening und der Erkennung von Brustkrebs. Die Optimierung der Radcloud Big Data und der KI-Analyseplattform bot bedeutende Verbesserungen bei der Verarbeitungsgeschwindigkeit der Radiomics-Analyselösung.

Die plötzliche und schnelle Verbreitung von COVID-19 stellte sowohl in China als auch weltweit eine ernsthafte Herausforderung für medizinische Einrichtungen dar.

Vorteile der umfassenden, medizinischen KI-Bildgebungslösung von HYHY

  • Bei Analyseszenarien von Lungen-CT-Aufnahmen im Zusammenhang mit COVID-19 reduzierten die Kombination aus der starken Rechenleistung skalierbarer Intel Xeon Prozessoren der 2. Generation und Optimierungen mit OpenVINO Toolkit die durchschnittliche Inferenzzeit der Dr. Turing AI Plattform auf nur 35 % der ursprünglichen Plattform.1
  • Bei der Bildanalyse von Brustkrebs erzielte das Erkennungsmodell, das auf der Dr. Turing KI-Plattform durchgeführt wird und auf skalierbaren Intel Xeon Prozessoren der 2. Generation basiert, durch das integrierte Intel DL Boost eine INT8 Interferenzbeschleunigung von bis zu 8,24x bei einem Präzisionsverlust von weniger als 0,17 % nach Konvertierung und Optimierung mit OpenVINO Toolkit.2
  • Intel Distribution für Python kombiniert mit der Rechenleistung der skalierbaren Intel Xeon Prozessoren der 2. Generation erhöhten die Inferenzgeschwindigkeit der Radiomic-Analyse auf Basis der Radcloud Big Data und KI-Analyseplattform um das 2,08-2,12-fache.3

Es war schon immer das Ziel von Huiyi Huiying, die Geschwindigkeit der medizinischen Bildanalyse durch KI-Technik zu beschleunigen und medizinischen Einrichtungen bei der Umsetzung von der Informatisierung zur Intellektualisierung zu helfen, so dass mehr Patienten von der intelligenten medizinischen Technik profitieren können. Dank der Einführung fortschrittlicher Software- und Hardware-Produkte und technischen Lösungen wie den skalierbaren Intel Xeon Prozessoren der 2. Generation, dem OpenVINO Toolkit und der Intel Distribution für Python konnte die Verarbeitungsleistung von Plattformen, die in unseren medizinischen Bildgebungslösungen integriert sind, erheblich verbessert werden.“ —Chai Xiangfei, CEO & Gründer, Huiyi Huiying

Die Prinzipien für die Kontrolle von COVID-19 sind im Wesentlichen dieselben wie die zur Vorbeugung und Kontrolle bei anderen Infektionskrankheiten – frühzeitige Erkennung, Diagnose und Behandlung. „Frühe Erkennung“ oder „frühzeitige Diagnose“ bezieht sich auf die rechtzeitige Identifizierung von infizierten Personen innerhalb potenziell infizierter Gruppen. Dieser Schritt ist entscheidend und ermöglicht eine frühzeitige Quarantäne und Behandlung. Wie in Abbildung 1 gezeigt, verwenden chinesische Krankenhäuser generell NAT (Nucleic Acid Testing) als primäre Methode für die Diagnose von COVID-19 und CTPA (Computed Tomography Pulmonary Angiography) als sekundäre Methode.

Abbildung 1 COVID-19-Screening- und Diagnostikmethoden.

NAT ist schnell und einfach, wird jedoch von Faktoren wie der Viruslast des Individuums, Virenmutationen, effektiver Extraktion viraler RNA und dem korrekten Umgang mit Proben beeinflusst. Der Test hat eine bestimmte Fehlerquote und kann falsch-negative Befunde liefern. CTPA analysiert Bilder der Lunge und sucht nach pathologischen Veränderungen beim Patienten. Die Sensitivität ist bezüglich früher Symptome von COVID-19 dem NAT-Test überlegen. Ein Bericht fand, dass bei der Prüfung von 51 Patienten die Sensitivität von CTPA gegenüber COVID-19 bei 98 % lag, viel höher als die von 71 % bei NAT (Reverse Transcription Polymerase Chain Reaction, RT-PCR).4

Die Anwendungsschwelle für CTPA ist weit höher als die bei NAT, da der Arzt in der CT-Bildanalyse geschult sein und die klinischen Anzeichen von COVID-19 kennen muss. So ist beispielsweise GGO (Ground-glass Opacity) eines der häufigsten Anzeichen von COVID-19 und eine wichtige Manifestation für viele Arten von Lungenentzündungen und pathogenen Infektionen. Ärzte, die konventionelle 2D-CT-Bilder analysieren, müssen häufig Vergleiche durchführen, um ihre Diagnose zu verifizieren. In komplexen Situationen kann sogar eine fachübergreifende Konsultation für die Diagnose erforderlich sein. Diese Art von Reaktion führt im Fall einer Pandemie offensichtlich zu Verzögerungen bei der Kontrolle.

Um dieses Problem zu bewältigen und es zu ermöglichen, dass CTPA eine schnellere und wichtigere Rolle bei Prävention und Kontrolle der Pandemie spielt, hat HYHY, ein weltweit führendes Unternehmen im Bereich der medizinischen KI-Bildgebung, seine Dr. Turing KI-Plattform eingesetzt, um ein rasches Screening von COVID-19 zu ermöglichen.

Synergistische Software-Hardware-Optimierungen beschleunigen das Covid-19-Screening.

Die Dr. Turing KI-Plattform ist Teil der umfassenden KI-Bildgebungslösung von HYHY und konzentriert sich auf die KI-unterstützte medizinische Bilddiagnose. Sie bietet Krankenhäusern und Patienten zwei primäre Funktionen, „KI-unterstützte Anwendungen für mehrere Krankheiten“ und „strukturierte Berichte.“ Neben der KI-unterstützten Diagnose von mehr als 10 häufig vorkommenden Krankheiten bietet die Plattform auch automatisierte Segmentierung, Erkennung und Messung von Läsionen, sowie strukturierte Berichte, die **-RADS-Bewertungsdaten enthielten. Die Plattform verbessert die Effizienz der Diagnose in Krankenhäusern und hilft Patienten dabei, eine präzisere Behandlung zu erhalten.

Obwohl die Dr. Turing KI-Plattform eine verifizierte und bewährte Lösung darstellte, waren für das COVID-19 -Screening noch spezifische Optimierungen und Upgrades erforderlich. Diese Optimierungen und Upgrades (siehe Abbildung 2) beinhalten: die Plattform, die für die Erfassung großer Mengen an COVID-19 Daten nötig sind, die dann Ärzte markieren können. Zudem gehören dazu die integrierten Deep-Learning-Algorithmen zur Implementierung der präzisen Segmentierung und Messung von Läsionen im Zusammenhang mit der Lungenentzündung. Die Plattform musste auch Deep-Learning-Algorithmenmodelle wie Inception V4 und Inception ResNet V2 integrieren, um zweidimensionale CT-Segmente in ein dreidimensionales Modell umzuformen, das den Ort, die Größe, die Flächenveränderung und den Schweregrad der Läsion klarer und deutlicher darstellt. Sie kann Ärzten umfassendere pathologische Bildanalyse bieten, was effizientere und präzisere Allgemeinbeurteilungen ermöglicht.

Abbildung 2, COVID-19 Screening mit der Dr. Turing KI-Plattform von HYHY.

Die oben genannten Optimierungen, die für das CT-Screening von COVID-19 gedacht sind, führten zu einem Anstieg der Menge und Komplexität der Rechenoperationen für die Durchführung der Inferenzprozesse der Dr. Turing KI-Plattform. Um die Inferenzleistung in solchen Fällen auf einem zufriedenstellenden Niveau zu halten, ging HYHY eine Partnerschaft mit Intel ein und konnte so die Rechenleistung nutzen, die skalierbare Intel Xeon Prozessoren der 2. Generation bieten. Das OpenVINO Toolkit wurde auch eingeführt, um die gesamte Pipeline mit der von diesem Toolkit bereitgestellten Inferenz-Engine zu überarbeiten. Die in das OpenVINO Toolkit integrierten Optimierungstools wurden für die Umwandlung der vorhandenen Nested U-Net- und HR-Net-Netzwerkmodelle verwendet, die mit dem PyTorch Deep Learning Framework zu Modellen gemacht werden, die dieses Toolkit nutzen können. Die Benchmark-Ergebnisse (Abb. 3) zeigen, dass der gesamte Prozess vor der Optimierung bis zu 140,3 Sekunden dauerte, während die Inferenzzeit für jede Datenprobe nach der Optimierung nur 48,47 Sekunden erforderte. Die Inferenz wurde verbessert und erfordert nur 35 % der vorherigen Zeit, was eine 2,89-fache Steigerung der Leistung darstellt.1

Abbildung 3: Leistungsvergleich des COVID-19 CT-Erkennungsmodells vor und nach der Optimierung mit dem OpenVINO Toolkit.

Diese Leistungsverbesserungen erlauben ein deutlich schnelleres Screening der COVID-19 CT-Bilder. Und das war in der Tat nicht das erste Mal, dass die Dr. Turing KI-Plattform die synergistische Software-Hardware-Optimierung von Intel nutzte, um eine robuste KI-Beschleunigung zu ermöglichen. HYHY hatte die Kombination aus Software und Hardware schon vorher verwendet, die das Kernstück der KI-Beschleunigungstechnik der skalierbaren Intel Xeon Plattform darstellt. Dabei nutzten sie das ResNet50 CNN (Convolutional Neural Network) als Backbone und entwickelten das RetinaNet-Modell zur Zielerkennung für das Training und die Inferenz beim Screening von Brustkrebs.

Das OpenVINO Toolkit umfasst viele Arten von integrierten Optimierungs-Tools und Trainingsmodellen. Das Toolkit kann durch Kompression, Beschleunigung und andere Techniken trainierte Modelle optimieren, um die Inferenzgeschwindigkeit zu verbessern. Die von HYHY zu diesem Zeitpunkt verwendete Optimierungsmethode bestand darin, das FP32-Modell mit diesem Toolkit für die Erkennung von Brustkrebsfällen zu optimieren. Die Inferenzgeschwindigkeit des optimierten Modells war 3,02-mal schneller als das ursprüngliche Modell. Dann nutzte HYHY das OpenVINO Toolkit, um das oben genannte FP32-Modell in das INT8-Modell umzuwandeln. Das in die skalierbaren Intel Xeon Prozessoren der 2. Generation integrierte Intel DL Boost, wurde dazu genutzt, INT8 zu beschleunigen, ohne die Modellgenauigkeit zu beeinträchtigen. Diese Verbesserungen erhöhten die Inferenzgeschwindigkeit um das 8,24-fache mit weniger als 0,17 % Reduzierung der Präzision.2

Abbildung 4: Leistungsvergleiche des Brustkrebs-Erkennungsmodells vor und nach der Optimierung mit OpenVINO™ Toolkit.

Sowohl bei der Beschleunigung des COVID-19 CT-Bilddaten-Screenings als auch der Optimierung der KI-Brustkrebserkennung zeigte der Erfolg von HYHY, dass die kombinierte Nutzung der skalierbaren Intel Xeon Prozessoren der 2. Generation und des OpenVINO Toolkit eine Synergie bei der medizinischen Bildanalyse erzeugt, die größer als die Summe der Teile ist. Der Erfolg zeigte zudem, dass die Bereitstellung und Nutzung der medizinischen Bildgebungs-KI-Anwendungen auf der vorhandenen CPU-basierten IT-Infrastruktur in vielen medizinischen Einrichtungen nicht nur machbar, sondern auch hocheffektiv war.

Entwicklung einer umfassenden medizinischen KI-Bildgebungslösung

Die außergewöhnliche Leistung der Dr. Turing KI-Plattform bei der Erkennung von COVID-19 und der unterstützten Diagnose stellte einen weiteren Meilenstein in der Zusammenarbeit zwischen HYHY, Intel und anderen Partnern dar, um medizinischen Einrichtungen dabei zu helfen, den wichtigen Schritt von der Informatisierung zur Intellektualisierung durch gemeinsame Innovationen zu realisieren.

Die schnelle Entwicklung der medizinischen Informatik hat zur weiten Verbreitung einer Vielzahl von medizinischen Geräten und Informationssystemen geführt. Insbesondere medizinische Bildgebungsgeräte werden in einer wachsenden Anzahl von Anwendungen verwendet und wurden zu einem wichtigen Tool für medizinische Einrichtungen und medizinischen Forschungsabteilungen, da sie bei „über 70 % der klinischen Diagnosen“ entscheidende Unterstützung bieten.5 Allerdings reicht die Bereitstellung von Hardware auf Grundlage der Informatisierungsstrategie bei weitem nicht für die Verbesserung des Versorgungsstandards in medizinischen Einrichtungen aus. Viele Patienten erleben noch lange Warteschlangen. Zudem kommt es häufig zur Fehlinterpretation von medizinischen Bildern, die bei der Diagnose von Krankheiten wie Tuberkulose (TB), Brustkrebs, Prostata-Krebs und Knochenfrakturen häufig auftreten, wenn es an medizinischen Ressourcen mangelt.

Das liegt daran, dass die medizinische Bildanalyse nicht nur die richtigen Geräte erfordert, sondern auch in der klinischen Medizin, Radiologie und der medizinischen Bildgebung geschulte Ärzte. Diese Ärzte müssen nicht nur über die notwendigen Kenntnisse und Fähigkeiten verfügen, sondern auch fähig sein, viele verschiedene analytische Methoden zu verwenden, um die unterstützte Diagnose zu ermöglichen. Sogar in großen Krankenhäusern gibt es einen Mangel an Ärzten, die in all diesen Fähigkeiten gut ausgebildet sind.

Abbildung 5: Die medizinische KI-Bildgebungslösung von HYHY sind für die Bereitstellung in verschiedenen Szenarien konzipiert.

Sobald die medizinischen Einrichtungen die Bereitstellung ihrer vorläufigen Informationsinfrastruktur abschließen, verwenden viele neue Technologien und Methoden wie KI, Big Data und Cloud-Computing, um ihre Ziele bei der intelligenten Transformation zu realisieren. Aus diesem Grund entwickelte HYHY fortgeschrittene Produkte wie die Dr. Turing KI-Plattform, Novacloud Smart Imaging Cloud und die Radcloud Big Data und KI-Analyse-Cloudplattform. Eine Vielzahl von Bereitstellungsformaten wie Public Cloud, Private Cloud oder All-in-One-Gerät bieten medizinische Einrichtungen eine umfassende und leistungsstarke und intelligente KI-Bildgebungslösung.

Die Dr. Turing KI-Plattform bietet ein effizientes und komfortables Frontend für die KI-gestützte medizinische Bildanalyse und unterstützte Diagnosefunktionalität, während die Novacloud Smart Imaging Cloud medizinischen Einrichtungen und Patienten umfassende cloudbasierte Fähigkeiten zur KI-Interaktion bietet. Wie in Abbildung 6 gezeigt wird, bietet die Novacloud Smart Imaging Cloud bei Integration in die Dr. Turing KI-Plattform Ärzten Funktionen wie terminalübergreifende KI-Bildanzeige, gemeinsame Telediagnose und Überweisung an Fachärzte. Für Patienten bietet die Novacloud Smart Imaging Cloud Funktionen wie die intelligente Berichtsinterpretation auf Grundlage der natürlichen Sprachverarbeitung (NLP), Teleberatung durch Experten und terminalübergreifende Bildanzeige. Für medizinische Einrichtungen bietet die Novacloud Smart Imaging Cloud nicht nur Unterstützung für die Radcloud Big Data und KI-Analyse-Cloudplattform, sondern ermöglicht es Administratoren, Dashboards zu konfigurieren, um die Diagnose, Behandlung und Forschungsergebnisse auf intuitivere Art darzustellen, sowie damit verbundene Richtlinien und Strategien nach Bedarf anpassen.

Abbildung 6: Novacloud Smart Imaging Cloud dient als letzte Stück der umfassenden medizinischen KI-Bildgebungslösung.

Intel® Distribution für Python verbessert die Produktivität der medizinischen Forschung

Neben der Dr. Turing KI-Plattform und der Novacloud Smart Imaging Cloud umfasst die komplette KI-Bildgebungslösung von HYHY auch die Radcloud Big Data und KI-Analyse-Cloudplattform, die zur Unterstützung der medizinischen Forschung dient.

Momentan verwenden viele medizinische Einrichtungen medizinische Bildgebungstechnologien wie CT, MRI und PET für die frühzeitige Erkennung, Prävention und Behandlung von Krebs und anderen malignen Erkrankungen. Als führender Entwickler von Radiomics-Lösungen nutzt HYHY die Radcloud Big Data und KI-Analyse-Cloudplattform als Grundlage, die medizinischen Einrichtungen eine umfassende und vollständige Big Data Analysefunktion für medizinische Bilddaten bietet, um so die Entwicklung und Anwendung neuer Radiomics-Technologien zu beschleunigen.

Um die Rolle der Radcloud Big Data und der KI-Analyse-Cloudplattform in der Radiomics-Forschung besser zu verstehen, müssen wir zuerst verstehen, was Radiomics eigentlich ist. Kurz gesagt verweist Radiomics auf den Prozess, in dem medizinische Bilder für das Data Mining in Bildfunktionsdaten mit hohem Durchsatz konvertiert werden, woraufhin bestimmte Screening-Methoden eingesetzt werden, um die wertvollsten Radiomics-Funktionen zu extrahieren. Dann wird das KI-Modelltraining durchgeführt, um ein Modell der Werte für Diagnose, Prognose oder Vorhersage zu erstellen. Letztlich soll dies eine effektive Unterstützung für eine präzise und personalisierte Behandlung bieten.

Abbildung 7: Grundlegender Radiomics-Analyseprozess.

Wie in Abbildung 7 dargestellt, kann der grundlegende Radiomics-Prozess in Datenerhebung, VOI-Segmentierung, Funktionsextrahierung, Funktionsauswahl, Modelltraining, Modellbewertung und Modellvorhersage unterteilt werden. Während der Funktionsextrahierungsphase wird die Plattform versuchen, möglichst viele Datenfunktionen zu extrahieren, um Details in dem medizinischen Bild zu identifizieren. In dieser Phase kann die Plattform durch den „Fluch der Dimensionalität“ verursachte Probleme erleben. Dies bedeutet, dass für eine bestimmte Stichprobengröße die Geodaten seltener werden, wenn die Zahl der Eingabedimensionen steigt. Das hat einen großen Einfluss auf die Prognoseleistung des Modells, erhöht die Rechenlast der Plattform deutlich und reduziert die Inferenzeffizienz.

Um dieses Problem zu bewältigen, nutzten HYHY und Intel Funktionswahlalgorithmen wie LASSOCV und PCA, um die Forschungsplattform effektiv vor einem möglichen Fluch der Dimensionalität zu schützen und den Datenverlust der Plattform während der Kompression zu minimieren. Um die Effizienz dieser Funktionsalgorithmen zu verbessern, wurden nicht nur die skalierbaren Intel Xeon Prozessoren der 2. Generation als Rechengrundlage der Forschungsplattform eingeführt, sondern auch die Intel Distribution für Python bereitgestellt, um die generelle Laufzeitleistung zu optimieren.

Die Intel Distribution für Python unterscheidet sich von nativem Python dadurch, dass sie die neuesten Vector Instructions enthält, eine Vielzahl von Intel® Bibliotheken wie Intel® MKL unterstützt und auch wichtige KI-Bibliotheken von Drittanbietern wie sklearn unterstützt. Dies erhöht die Ausführungseffizienz der Plattform während der Funktionsauswahl.

Abbildung 8 zeigt die Ergebnisse der Algorithmenoptimierung. Die linke Seite zeigt die LASSOCV Algorithmus-Workload, wenn alle Radiomic-Funktionen mit K-Fold 10 Kreuzvalidierung ausgewählt werden. Intel Distribution für Python lief 2,12-mal schneller als natives Python. Die rechte Seite zeigt die Workload des LASSOCV + PCA Algorithmus, wenn alle Radiomic-Funktionen mit K-Fold 10 Kreuzvalidierung ausgewählt werden. Intel Distribution für Python lief 2,08-mal schneller als natives Python.3

Abbildung 8: Leistungsvergleiche zwischen Intel Distribution für Python und nativem Python.

Die von der synergistischen Software-Hardwarebeschleunigung der skalierbaren Intel Xeon Plattform unterstützte Radcloud Big Data und KI-Analyse-Cloudplattform von HYHY erleichtert jetzt die Forschung über mehr als 20 Krankheiten und wurde erfolgreich verwendet, um über 20 Projektzuschüsse zu beantragen.6 Es ist auch erwähnenswert, dass die Radiomics-basierte KI-Lösung der Plattform für die präzise Identifizierung und Diagnose von COVID-19 verwendet wurde und von Benutzern im echten Einsatz gutes Feedback erhielt.

Ein Blick in die Zukunft

Die kontinuierliche Implementierung und Innovation neuer Technologien wie KI und Big Data wird für das gesamte Medizinwesen revolutionieren. Die Einführung innovativer KI bei medizinischen Bildgebungslösungen hat zu Durchbrüchen bei der Erforschung vieler seltener und früher unheilbarer Krankheiten geführt. Selbst Infektionskrankheiten, die in der Vergangenheit verheerend sein konnten, werden jetzt mithilfe neuer Technologien und Plattformen effektiver kontrolliert.

In Zukunft wird Intel mit HYHY und anderen Partnern kooperieren, um die Anwendung fortgeschrittener Produkte und Technologien zu fördern, insbesondere im Zusammenhang mit KI und Datenanalysen. Dies wird die Anforderungen der medizinischen Branche erfüllen, und beschleunigt den Wandel von medizinischen Einrichtungen von der Informatisierung zur intelligenten Transformation. Intel und seine Partner werden auch gemeinsam daran arbeiten, verschiedene wertvolle intelligente medizinische Lösungen zu entwickeln, die der Gesundheit der Gesamtbevölkerung nutzen.

Informationen über zugehörige Produkte und Lösungen

Skalierbare Intel® Xeon® Prozessoren

Mit den skalierbaren Intel® Xeon® Prozessoren lassen sich nutzbringende Erkenntnisse einfacher gewinnen. Darüber hinaus bieten sie hardwarebasierte Sicherheit und ermöglichen die dynamische Bereitstellung von Diensten.

Weitere Infos

Intel® Deep Learning Boost

Die skalierbaren Intel® Xeon® Prozessoren setzt mit Intel® Deep Learning Boost neue Maßstäbe für integrierte KI-Leistung.

Weitere Infos

OpenVINO™ Toolkit

Entwickeln Sie schnell und konsequent ganzheitliche Computer-Vision-Lösungen basierend auf Intel® Architektur und unserem Deep-Learning-Framework.

Weitere Infos

Produkt- und Leistungsinformationen

1Daten basieren auf internen Testergebnissen von HYHY unter Verwendung folgender Konfiguration: Prozessor: Zweiprozessorsystem mit Intel® Xeon® Gold 6252N, 2,30 GHz; Kerne/Threads: 24/48; Betriebssystem: Ubuntu 18.04.4 LTS; PyTorch Deep Learning Framework Version: 1.5.1; Intel® Distribution of OpenVINO™ Toolkit Version: R2020.3.194; Netzwerkmodell: Nested U-Net, HR-Net.
2Daten basieren auf internen Testergebnissen von HYHY:Https://builders.intel.com/docs/aibuilders/huiying-medical-technology-optimizes-breast-cancer-early-screening-and-diagnosis-with-intel-ai-technologies.pdf. Testkonfiguration: Prozessor: Zweiprozessorsystem mit Intel® Xeon® Platinum 8268, 2,90 GHz; Kerne/Threads: 24/48; Intel® Distribution OpenVINO™ Toolkit Version: 2019R2; Datensatz: 366 Mammogram-Röntgenaufnahmen mit einer Bildauflösung von 1280 x 640, die von HYHY bereitgestellt wurden.
3Daten basieren auf internen Testergebnissen von HYHY unter Verwendung folgender Konfiguration: Prozessor: Zweiprozessorsystem mit Intel® Xeon® Gold 6252, 2,1 GHz, 24 Kerne/48 Threads; Arbeitsspeicher: 192 GB DRAM; Datenspeicher: INTEL SSDSC2BB48; BIOS-Version: SE5C620.86B.02.01.0009.092820190230; Betriebssystem: 18.04.1 LTS (Kernel: 4.15.0-91-generi); Native Python-Version: Python2.7.17; Intel® Distribution for Python* Version: Intel-Python2019U5; Workload: Klassifizierungstraining bei von HYHY bereitgestellten medizinischen Bilddateien.
4Daten gemäß „Sensitivity of Chest CT for COVID-19: Comparison to RT-PCR“: https://pubs.rsna.org/doi/10.1148/radiol.2020200432.
5Daten stammen aus den internen Statistiken von HYHY. Weitere Informationen finden Sie im Artikel „HYHY Overall AI Solution for Medical Imaging.“
6Daten stammen aus dem internen HYHY-Dokument „Application of Radiomics in Medical Imaging and Case Studies.“