Transformer les dispositifs médicaux modernes avec l’apprentissage automatique et l’inférence IA

Regarder ce webinaire

La promesse de la technologie de l’intelligence artificielle (IA) connaît enfin un succès commercial dans de nombreux secteurs, notamment l’automobile, la fabrication, la vente au détail et la logistique, sous la forme d’approches basées sur l’apprentissage automatique (ML) pour résoudre des problèmes difficiles tels que la vision par ordinateur, la robotique et traduction et compréhension du langage naturel. L’adoption de la technologie IA se produit également dans l’industrie des dispositifs médicaux, et il ne s’agit pas seulement d’intégrer de nouvelles fonctionnalités intéressantes et des fonctionnalités haut de gamme dans les dispositifs eux-mêmes. Cette technologie permet également aux fabricants de récolter les fruits de nouveaux modèles de service dans lesquels, au lieu de se contenter de vendre et de prendre en charge des appareils, ils peuvent capter des flux de revenus de service récurrents, tout en renforçant les relations avec les clients.

Présentation de l’apprentissage automatique, des modèles et de l’intelligence artificielle

Le ML est un sous-ensemble du domaine plus large de l’IA dans lequel les modèles sont formés via une exposition à des quantités massives de données. Le modèle utilise ces données pour faire une prédiction, et si la prédiction est correcte, le modèle est renforcé. De même, si la prédiction est incorrecte, le modèle est alors légèrement modifié pour tenter d’améliorer sa précision. Au cours du processus de formation ML, ces permutations et ces légers ajustements peuvent se produire des millions et des milliards (et des milliards) de fois, permettant aux modèles de devenir assez précis dans leurs prédictions. Bien que ce temps et ces efforts de formation puissent être assez longs, certains modèles étant formés pendant des mois sur des milliers de machines, le résultat final est généralement un programme qui peut s’exécuter sur un appareil beaucoup plus petit (bien que toujours volumineux en termes de calcul) pour ce qu’on appelle l’inférence. L’inférence est le terme utilisé pour utiliser un modèle formé par ML pour produire un résultat prédit.

À titre d’exemple, il a été démontré que le ML et l’inférence détectent le cancer en traitant les rayons X numériques. Le processus pour ce faire consiste à développer un modèle ML conçu pour convertir les images radiographiques en images segmentées où les cas de cancer seront mis en évidence. Dans la phase de formation, des images de cancers identifiés par des radiologues experts sont utilisées pour entraîner le réseau à comprendre ce qui n’est pas un cancer, ce qui est un cancer et à quoi ressemblent les différents types de cancers. Plus les modèles ML sont entraînés, mieux ils parviennent à maximiser les diagnostics corrects et à minimiser les diagnostics incorrects. Cela signifie que le ML dépend à la fois de la conception de modèles intelligents, mais tout aussi important d’une quantité massive (comme des centaines de milliers à des millions) d’exemples de données bien organisés, où le cancer a déjà été identifié. En apprenant des données, un modèle développe son propre algorithme pour identifier les régions suspectes et les signaler. L’inférence de l’IA est ensuite utilisée pour suggérer un résultat/diagnostic. Le résultat de cet effort est un outil qui aide les professionnels de la santé, dans cet exemple, à prendre des décisions meilleures et plus éclairées concernant le traitement.

L’utilisation de l’inférence ML et AI dans les applications médicales a la capacité de transformer les soins de santé modernes et de sauver de très nombreuses vies. Pour cette raison, les fabricants de dispositifs médicaux explorent rapidement les moyens d’intégrer ces fonctionnalités dans leurs dispositifs.

Dans le passé, les capacités d’inférence ML et AI n’étaient disponibles qu’à partir de super ordinateurs haut de gamme coûteux et de grands systèmes de calcul conçus spécifiquement pour effectuer des inférences. Heureusement, avec l’avènement de nouveaux dispositifs à semi-conducteurs développés spécifiquement pour accélérer les charges de travail de l’IA, cette technologie a tellement progressé que de nombreuses solutions se résument à des prix et à des facteurs de forme qui la rendent viable pour les marchés traditionnels dans lesquels l’IA peut être intégrée dans une large gamme de systèmes à faible coût.

Image reproduite avec l’aimable autorisation de Flex Logix

Gros plan d’une puce d’accélérateur d’inférence d’intelligence artificielle.

Toutes les accélérations d’inférence ne sont pas égales

Au cœur de chaque système ML se trouve l’accélérateur d’IA qui fournit la puissance nécessaire pour traiter les quantités massives de données en cours de formation, d’analyse et d’action. Cependant, choisir le bon accélérateur d’inférence n’est pas toujours une décision facile pour un fabricant de dispositifs médicaux. Les sociétés de puces du monde entier se disputent une part de ce marché à forte croissance, et il est difficile de distinguer une solution d’une autre, d’autant plus que l’industrie manque de véritables références de performance pour des comparaisons utiles. Cela pose des problèmes aux fabricants qui pensent installer un accélérateur qui fonctionne comme une Lamborghini, mais découvrent plus tard qu’il ne parvient pas à atteindre cet objectif de performance, prenant peut-être dix fois plus de temps pour terminer son travail. Cela pose de sérieux problèmes lorsqu’un médecin compte sur l’appareil pour fournir une détection rapide, fiable et précise d’états critiques tels que le cancer.

Bien qu’il y ait de nombreux facteurs à prendre en compte lors du choix d’un accélérateur d’IA, voici quelques éléments clés sur lesquels se concentrer.

• Performances et débit. L’une des tâches clés d’un accélérateur d’IA est de traiter les données rapidement et efficacement. Le plus souvent, dans le domaine médical, il s’agit d’images à très haute résolution. Prenez par exemple une radiographie ou un tomodensitogramme. Cette image sous forme numérique est généralement dans la gamme 4K (ou 12 millions de pixels) afin que vous puissiez voir l’image avec une clarté totale. Une image de résolution inférieure peut ne pas montrer une fracture d’un os ou une masse suspecte. En général, c’est une bonne règle de base pour s’assurer que votre accélérateur d’IA peut facilement traiter des images haute définition.
• Débruitage. Les algorithmes d’IA peuvent être formés pour exécuter de nombreuses fonctions courantes, telles que le débruitage. Le débruitage implique la mise au point d’une image ou la suppression des rayures et des imperfections, et il s’agit d’une étape importante. En fait, un client d’appareils médicaux avec lequel nous travaillons actuellement affirme que le nettoyage de ses images peut accélérer le traitement des images de 5 fois, offrant aux radiologues des images à visualiser beaucoup plus rapidement qu’auparavant. Le traitement de débruitage n’est pas difficile en soi sur le plan informatique, mais la capacité de traiter rapidement des images à très haute résolution peut être un obstacle à l’entrée, et de nombreux accélérateurs d’IA n’ont tout simplement pas la puissance de traitement pour remplir cette fonction.
• Flexibilité pour mettre à jour les modèles. La plupart des accélérateurs d’IA sont conçus pour résoudre un certain ensemble de problèmes de vision basés sur des approches couramment utilisées au cours de la dernière décennie. Cependant, cette industrie évolue encore rapidement et de nouvelles approches qui augmentent la précision ou le débit sont proposées presque tous les jours. Alors que les solutions logicielles pures offrent généralement la flexibilité de mettre à jour les approches au fil du temps, les solutions qui utilisent la technologie ASIC (circuits intégrés spécifiques à l’application) peuvent être très limitées en termes de modèles qu’elles peuvent exécuter. Par exemple, un modèle peut être utilisé pour rechercher des anomalies dans une certaine zone du corps. Cependant, les ingénieurs de l’appareil peuvent souhaiter réutiliser la conception pour une autre application nécessitant une optimisation de modèle différente. Dans ces cas, il sera beaucoup moins coûteux et beaucoup plus rapide de pouvoir réutiliser ou d’exploiter le matériel existant avec un nouveau modèle que de devoir reconcevoir le système complet avec un accélérateur d’IA différent pour une application différente. C’est pourquoi il est impératif de rechercher une solution d’accélérateur d’IA qui offre la flexibilité nécessaire pour prendre en charge l’évolution des modèles d’IA à l’avenir.
• Allez avec un spécialiste. Tout comme vous allez chez un cardiologue pour un problème cardiaque ou un neurochirurgien pour un problème cérébral, vous devriez également vous adresser à un fournisseur de vision par inférence IA avec cette spécialité. Assurez-vous que l’entreprise auprès de laquelle vous obtenez votre solution d’inférence visuelle se concentre uniquement sur ce domaine d’expertise.
• Prix/performance. Les fabricants de dispositifs médicaux ont besoin de solutions optimisées qui leur permettent de faire évoluer leur produit. Les solutions actuelles, qui sont souvent basées sur la technologie GPU, conviennent aux systèmes haut de gamme, mais se démarquent du marché grand public car elles sont tout simplement trop chères. Heureusement, de nouvelles solutions conçues spécifiquement pour accélérer les charges de travail d’inférence IA qui offrent un rapport prix/performance nettement supérieur aux approches GPU (conçues pour les applications de jeux informatiques) sont désormais disponibles.
• Traitement au bord. Dans l’industrie moderne du traitement des données, le concept de cloud et de périphérie est devenu très important. Le cloud fait référence à des centres de données à très grande échelle exploités par des sociétés telles qu’Amazon et Microsoft. Ces environnements cloud hébergent les données et les charges de travail de nombreuses entreprises dans de très grandes installations partagées. Bien que ceux-ci offrent une grande commodité pour de nombreux utilisateurs, il existe également des préoccupations légitimes concernant la confidentialité des données, en particulier en ce qui concerne les informations médicales personnelles. Le traitement des données médicales personnelles à la périphérie peut réduire le volume de données qui seraient stockées dans des centres de données cloud, offrant des niveaux de sécurité beaucoup plus élevés. C’est pourquoi il est important de ne pas ignorer le traitement à la périphérie et en particulier le traitement de l’IA à la périphérie.

Mon dispositif médical est meilleur… et j’obtiens plus de revenus ?

Comme mentionné ci-dessus, l’intégration de capacités d’inférence IA hautes performances dans des produits grand public et rentables n’est pas le seul avantage de l’utilisation de la technologie d’accélérateur d’inférence IA. Cette technologie permet également à un fabricant d’adopter un modèle commercial en tant que service avec des flux de revenus récurrents et des services d’abonnement. Parce que les modèles évoluent et s’améliorent constamment, il y aura des opportunités de fournir des solutions améliorées au fil du temps. Dans l’industrie technologique, cela a pris la forme d’offres de logiciels en tant que services. Cela fournit non seulement un flux de revenus récurrent pour les fournisseurs de solutions, mais c’est aussi une autre opportunité de s’engager en permanence avec les clients pour renforcer cette relation.

Il existe de nombreuses opportunités pour l’IA et en particulier la technologie d’inférence de l’IA dans les dispositifs médicaux. C’est une période passionnante alors que nous voyons les fruits de décennies de recherche sur l’IA se déplacer vers les marchés traditionnels et apporter une réelle valeur à l’humanité.