面对老年黄斑性病变(AMD)
这一老年视觉健康杀手
如何尽早判断病程所处阶段
从而及时介入和治疗
使患者免于失明
一直是传统眼科的头号难题
◆ AMD是全球失明的主要原因之一;
◆ 2020年,全球AMD患者人数估计有1.96亿人,其中1100万人将有明显的视力丧失;
◆ 老年人AMD患病率约为10%,高龄老人的患病率甚至可达30%;
◆ AMD治疗费用高昂,全病程的费用负担约为230,172元/眼……
触目惊心的数字背后,是无数患者与其家庭的心痛与无奈。AMD(Age-Related Macular Degeneration)正在成为危害老年视觉功能的重要眼病,主要分为早期萎缩干性阶段和晚期湿性阶段。大多数患者在AMD的早期干性阶段没有视力下降,但干性可能转化为晚期不可逆的湿性AMD致盲。
遗憾的是,传统眼科检测技术无法判断哪些患者会从干性萎缩性阶段转化为湿性阶段,也无法预测何时可能发生转化。通过定期进行眼科影像学检查,早发现、早治疗,是遏制或减缓从干性到湿性发展的重要方式。
而随着人工智能技术在医疗领域的应用和发展,使AMD早期预测成为可能。在影像辅助医疗这一领域,医学研发公司的研发人员正在通过人工智能和机器学习来使专业知识可视化。
人工智能技术实现
影像诊疗技术突破
Voxeleron是一家总部位于旧金山的公司。Voxeleron公司基于人工智能在视觉和神经系统疾病检测的AI训练和算法方面,开发了用于OCT图像的眼科图像分析软件,协助医学专家更早地发现和捕捉复杂而微妙的变化,预测AMD干性患者会逐渐变成湿性AMD概率。
通过机器学习的计算机视觉(CV)可以执行图像分类、分割、对象检测、3D渲染等,准确的影像学资料和对图像的洞见解释帮助医疗科学家“看见”这些细微的关键改变。关注影像医学,数据科学家需要从海量数据中提取有价值的见解,增强人类预测和治疗疾病的能力。
新业务和认知技术对
医疗工作站和算力提出新的挑战
? 海量超级3D数据对计算能力提出新要求。大数据升级成为战略资源,特别是面向科研数据挖掘分析,计算能力是AI关键策略的保证。然而,对于医学科学影像资料需要极其精细的识别模式,同时由此而产生海量的超级3D图案大数据集,对于高精度计算,图形计算速度提出新的要求,需要具备更强大的计算能力。
? 兼顾性能和安全的考虑对研发提出挑战。对于关键性数据,兼顾性能和安全性方面的考虑也对研发提出挑战。如何在安全的开发环境中提供卓越的性能,使图像分析等核心应用程序快速安全应用快速实现细微对比分析,对企业IT管理人员提出挑战。
? 寻找和评估最合适的架构应对企业成本控制压力。人工智能场景为企业提供了将工作站集成到工作流程中;探索数千种不同的AI模型架构,平衡开发速度和时间成本时,兼顾可能日趋增长的IT成本,企业需要找到适合应用的最佳架构。
戴尔为Voxeleron构建
划时代的强大数据科学平台
Voxeleron选择戴尔AI数据科学工作站,为其提供完全集成的AI硬件和软件解决方案,为数据科学家提供划时代的强大数据科学平台,保证全球客户期望的卓越性能和可靠性。
? 大幅提升计算能力。戴尔AI工作站可同时运行三个NVIDIA图形处理器,使开发人员有足够的马力将三维OCT图像数据集与Voxeleron公司的AI调查进行整合,结果显示出了对增龄性黄斑变性进展的强大预测能力。
AI就绪的戴尔工作站具有新一代双路性能,能快速有效地运行各种复杂和严苛的应用程序。搭载全新双英特尔®至强®处理器可扩展系列,处理器性能提高42%,可实现强大通用计算能力,轻松应对大型数据分析任务。同时它具备非常先进的GPU引擎,从而实现高精度深度学习计算能力,满足虚拟现实工作流程等复杂项目需求。
戴尔Precision 7740移动工作站
专为AI数据科学而打造
? 保证安全开发环境。无论小型企业还是全球企业在评估他们的业务案例和工作流,对高规模服务器和云平台的需求不再是建立一个成功的人工智能基础设施的唯一选择。
安全的本地开发环境保证了这一过程中海量图像分析等核心应用程序快速安全。Voxeleron在工作站上运行核心AI应用程序,对人工智能应用采取集中的方法,在安全的本地开发环境中保证卓越的性能。
? 优化人工智能开发成本。戴尔人工智能工作站可以进行多项内部测试,为企业节省AI解决方案培训的成本。以前需要人工智能的应用程序, 包括数据分析、复杂处理、统计建模和可视化,现在有强大的机器学习算法作为补充,从而缩短了从方案提出到实现的时间。
借助内置式戴尔Precision工作站和NVIDIA图形处理器,企业可以快速灵活地探索数千种不同的AI模型架构,从而找到最佳的AI模型架构,和以往的设置相比,AI模型构建速度提升了3倍,Voxeleron公司节省了数月时间还不用担心云成本。
Forrester的研究数据表明,企业在评估人工智能平台时,52%关注性能,50%更在意信息和数据,另有42%的认为成本也是一大考虑因素。另外,重要的是,戴尔科技为全球医疗研发机构在解决极具挑战性的临床问题诊断方式方法上,提供了新颖的解决方案。
AI和VR技术被广泛应用于医疗领域的数字化监测、远程诊断治疗、临床教学与病例研究等。戴尔AI就绪型Precision工作站,应用与AI医疗解决方案,可以即时对采集到的照片进行阅片,并诊断出相应的结果。
强大的图形计算能力,可以实时在边缘对医生拍的片子进行图片判断,再上传到云中。使用Precision工作站提供的边缘计算方案,可将通过云端计算实施的AI图像反馈时间极大缩减,展现了戴尔工作站在图形处理上的优势,也为即将到来的边缘计算时代做好了准备。
人工智能将支持一个复杂而多样化的自主业务基础设施。戴尔 Precision Optimizer 智能调优软件可动态优化应用程序的性能,自动调优以提高工作效率。 所有戴尔Precision工作站都经过独立软件供应商(ISV)认证,无论工作负载如何,应用都能顺利运行。
这个智能解决方案能自动调整系统设置,以获得最佳软件性能,这意味着用户不必耗费时间手动设置,一切都可以交给工作站自行完成,让用户更快速、更智慧地完成密集型工作。
戴尔方案助力计算机视觉和
医疗成像分析的业务创新
戴尔高性能计算解决方案
戴尔高性能计算解决方案对人工智能GPU/FPGA加速计算,适用小型基因测序、疫苗/新药研发、疾病检测、精准医疗、大数据分析等应用企业和医疗机构。应对强大的计算力和海量存储的需求,提供稳定、可靠的系统性能。
其中戴尔PowerEdge服务器功能完善、性能强劲、可扩展,并能提供巨大的内部存储容量,配有GPU加速卡,最大限度地为应用程序加速并提升性能,满足医疗应用中对计算力和存储的需求。
OptiPlex7071系列塔式机采用9代酷睿i7RTX2080专业独显,在计算力方面同样强劲,显卡功能出色,同时还提供高安全性、可管理性,借助随时可用的独立显卡和实用VR功能,提供丰富的虚拟现实体验。
戴尔人工智能解决方案
AI应用正在重塑大大小小的公司的产品、服务和商业模式。决策者需要做出关键的硬件和软件选择,以实现AI战略的成功。行业领先的戴尔AI解决方案提高数据的安全性和数据管理效率,挖掘数据的价值。
对于正在从事并提供医疗影像和视觉研究,人脸识别、声音识别等AI技术研发和技术交付的企业,戴尔人工智能方案以高性能的计算力和超大存储空间,满足机器学习和深度学习持续稳定工作需求。
戴尔大数据解决方案
利用戴尔分析、数据集成、数据管理和基础架构解决方案快速高效地将数据转变为价值,从而帮助医疗企业使用与解决数据问题,而不会受到数据孤岛的限制。
戴尔大数据解决方案,可将企业所有的非结构化和半结构化数据集中存储到“湖”中,并借助横向扩展的存储架构实现存储空间和性能的线性增长。方案同时支持不同应用,从而消除人工智能及业务创新过程中可能出现的数据孤岛。
认知技术是现代计算中成长最快的领域。戴尔与优秀的业内合作伙伴(包括NVIDIA)协作提供了多样化的认知技术工作站配置,帮助企业部署和管理包括机器学习 (ML)、人工智能(AI) 和深度学习(DL) 在内的认知技术平台。
通过与戴尔的合作,Voxeleron发展迈向未来,AMD高级诊断能力帮助眼科医生预测眼部疾病的发展,减少可能导致失明的几率。戴尔凭借现代化高科技帮助医疗科学家大开“眼界”。
相关内容推荐:你怎么知道游泳世锦赛上选手犯规了?
相关产品:全新 Precision 7550 15英寸移动工作站
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。