主圖顯示了放射科醫(yī)師檢查腦損傷患者CT掃描。照片由美國空軍提供，拍攝者為高級飛行員Julianne Showalter，獲許可允許公開使用。

　　很少有人能早在90年代中期就預測到深度學習革命的到來。

　　但服務于賓夕法尼亞州和新澤西州民眾的醫(yī)療健康系統(tǒng)Geisinger在早期的時候就已經(jīng)開始涉足電子病例，這讓他們在二十年后的今天，在實施AI的時侯具備了極大的優(yōu)勢。

　　Geisinger于1996年開始采用電子病歷，并于2001年左右開始以數(shù)字化方式存儲醫(yī)學影像。自那時起，它保存了近200萬份患者的數(shù)字病歷。作為一家區(qū)域性醫(yī)療健康服務機構，Geisinger的患者群體規(guī)模也相對穩(wěn)定。

　　這意味著它擁有著大量患者的縱向數(shù)據(jù)——一套成熟的深度學習數(shù)據(jù)集，Geisinger成像科學與創(chuàng)新部門副教授兼創(chuàng)始人Brandon Fornwalt如是說。

　　他說到：“這讓我們能夠做到其他機構做不到的事情?！?/p>

　　周二在圣何塞舉行的GPU技術大會上，Geisinger放射學主管Fornwalt和Aalpen Patel分享介紹了如何在醫(yī)療健康系統(tǒng)中臨床使用NVIDIA DGX-1實現(xiàn)多種AI解決方案，以改善患者護理。

　　Fornwalt說道：“機器學習能幫助我們更好地了解到自己能夠通過哪些早期干預，讓患者過上更加幸福、長壽、健康的生活。”。

　　針對腦部及心臟疾病的AI

　　當患者因受傷或中風導致大腦出血時，快速的診斷和治療對于降低腦損傷至關重要。放射科醫(yī)師可能需要五分鐘或更短時間來查看患者的CT掃描。但是這些專家的工作也分輕重緩急——通常住院病人和急診室急診病例的讀片速度要快于門診病人。

　　然而，Patel和Fornwalt解釋說道，門診掃描片中也可能會出現(xiàn)嚴重的病例。Geisinger自2017年1月開始部署了基于NVIDIA GPU進行訓練的深度學習模型，該模型能夠讀取所有腦部CT掃描，并在幾秒鐘內調整放射科工作清單的優(yōu)先順序，將潛在急性病例前置，讓放射科醫(yī)師能夠優(yōu)先處理。這種刷新優(yōu)先排序的方式將診斷時間減少了96％，令人不禁贊嘆。

　　為改善心臟病患者的護理，Geisinger正在開發(fā)一種深度學習模型來分析心電圖（EKG）和超聲心動圖數(shù)據(jù)，這也是最常見的兩種心臟功能監(jiān)測方法。利用其數(shù)據(jù)庫中的200萬條EKG記錄，它正在構建能夠預測患者未來心臟病情的神經(jīng)網(wǎng)絡。

　　針對超聲心動圖——即心臟的超聲波，團隊正在對神經(jīng)網(wǎng)絡進行訓練，以尋求能夠預測特定健康狀況的模式。 EKG和超聲心動圖模型的開發(fā)和測試都是基于DGX-1進行的，且Geisinger還計劃于近期安裝NVIDIA DGX-2以加速其管線。

　　Geisinger還使用機器學習來優(yōu)化針對心力衰竭患者的資源分配。其模型發(fā)現(xiàn)，未接受某些循證治療（例如每年流感疫苗注射）的心力衰竭患者和由此導致的死亡或住院風險增加之間存在某種關聯(lián)。

　　Geisinger的藥劑師團隊和其他醫(yī)療服務提供商如今正在利用這些洞察來精準定位那些有望借助更豐富的資源受益最多的患者。該團隊使用NVIDIA RAPIDS數(shù)據(jù)科學庫對近100萬套心力衰竭患者相關的數(shù)據(jù)進行了分析，與52核CPU服務器相比，其采用的單一GPU實現(xiàn)了三倍的加速。

　　“當你擁有了大型表格式數(shù)據(jù)集時，例如一個有近百萬行、100列的表格的時候，RAPIDS將能夠真正派上用場，”Fornwalt說道。

　　Patel認為人工智能是解決醫(yī)師資源日益短缺問題的重要工具，特別是隨著美國人口老齡化現(xiàn)象加重、人口預期壽命變長。

　　“機器學習還讓我們能夠更好地照看病人，它已經(jīng)不再是一種選擇，”他說。 “而將成為人類生存的必須品?！?/p>