De meest gediagnosticeerde kanker in de VS is huidkanker. Er zijn drie hoofdvarianten: melanoom, basaalcelcarcinoom (BCC) en plaveiselcelcarcinoom (SCC). Hoewel melanoom slechts verantwoordelijk is voor ongeveer 1% van alle huidkankers, is het de meest dodelijke, snel uitzaaiende zonder vroege detectie en behandeling. Dit maakt vroege detectie van cruciaal belang, aangezien talrijke onderzoeken significant betere overlevingspercentages laten zien wanneer detectie in de vroegste stadia wordt gedaan.
De huidige diagnoseprocedure wordt gedaan door middel van een visueel onderzoek door een dermatoloog, gevolgd door een biopsie om elke vermoedelijke pathologie te bevestigen. Dit handmatige onderzoek is afhankelijk van de menselijke subjectiviteit en lijdt dus in een zorgwekkend tempo aan fouten. Wanneer een huisarts zoekt naar huidkanker, is hun gevoeligheid, of het vermogen om een patiënt met de ziekte correct te identificeren, slechts 0,45, terwijl een dermatoloog een gevoeligheid van 0,97 heeft.
In de afgelopen jaren is het gebruik van deep learning om medische diagnostiek uit te voeren is een snel groeiend veld geworden. In dit bericht bespreken we de ontwikkeling van een end-to-end voorbeeld van hoe deep learning kan leiden tot een geautomatiseerd dermatologisch examensysteem zonder menselijke vooroordelen, met behulp van de onlangs aangekondigde NVIDIA Clara AGX-ontwikkelingskit.
Datasets en modellen
Deze referentietoepassing is de combinatie van twee deep learning-modellen:
- Een objectdetectiemodel (YOLOv4) dat via een camera naar moedervlekken op het lichaam zoekt. Dit model is getraind met een originele dataset die is gemaakt op basis van annoterende afbeeldingen van lichaamsvlekken.
- Een classificatiemodel (EfficientNet) dat moedervlekken ontvangt van het objectdetectiemodel en vervolgens bepaalt of het goedaardig, onbekend of melanoom is. Het classificatiemodel is getraind met behulp van de SIIM-ISIC melanoma Kaggle challenge dataset.
Figuur 1 toont de workflow van het algoritme met behulp van een enkel videoframe. De applicatie kan een high-definition webcam of IP-camera gebruiken als invoer voor de modellen, of zelfs draaien op een eerder vastgelegde video.
Figuur 1. Werkstroom voor detectie en classificatie van huidvlekken.
Clara AGX-ontwikkelingskit
Deze referentietoepassing is gebouwd met behulp van de NVIDIA Clara AGX-ontwikkelkit, een hoogwaardig werkstation dat is gebouwd met medische toepassingen in het achterhoofd. Het systeem bevat een RTX 6000 GPU, die 200+ INT8 AI TOP's aan topprestaties en 24 GB VRAM levert, waardoor er voldoende overhead overblijft voor het uitvoeren van meerdere modellen.
Figuur 2. Clara AGX Developer Kit.
Bovendien biedt het AGX-platform ondersteuning voor sensoren met hoge bandbreedte via 100G Ethernet en een NVIDIA ConnectX-6 netwerkinterfacekaart ( NIC). NVIDIA-partners gebruiken momenteel de NVIDIA Clara AGX-ontwikkelkit om toepassingen op het gebied van echografie, genomica en endoscopie te ontwikkelen.
De Clara AGX Developer Kit is momenteel exclusief beschikbaar voor leden van het NVIDIA Clara Developer Partner Program. Nadat je je hebt geregistreerd, nemen we contact met je op.
Samenvatting
We hebben een onderzoeksprototype van een dermatologische applicatie geleverd, maar wat is er nodig om dit om te zetten in een echte applicatie ?
- Commercieel bruikbare gegevens. De SIIM-ISIC-dataset is uitsluitend bedoeld voor niet-commercieel gebruik.
- Een veel grotere objectdetectie gegevensset.De dataset die we gebruikten bestond uit slechts een paar honderd geannoteerde afbeeldingen, wat leidde tot een groter dan gewenst aantal valse positieven.
- Laat de modellen lopen met de “snelheid van het licht” (SOL) . SOL omvat vaak het trainen van modellen om met gemengde precisie te werken en vervolgens het transformeren van de modellen om te werken met het NVIDIA TensorRT-framework. TensorRT is ontworpen om modelinferentie op NVIDIA GPU's te optimaliseren en te werken met algemene frameworks zoals PyTorch en TensorFlow. Deze stappen helpen ervoor te zorgen dat uw applicatiepijplijn in realtime wordt uitgevoerd.
- FDA-goedkeuring. Elke ontwikkelde medische applicatie moet worden goedgekeurd door de FDA. Tegenwoordig zijn er meer dan 70 door de FDA goedgekeurde AI-toepassingen en de FDA is actief geweest in het vragen om feedback van ontwikkelaars op dit gebied. Dit is doorgaans een lang (18 maanden) en moeizaam proces, maar wel noodzakelijk.
Zie voor meer informatie de dermatologische referentie Docker-container op NGC.
Roujia Wang
Ph.D. kandidaat, Duke University
Sean Huver, Ph.D.
Senior Machine Learning Engineer, Clara AGX Team, NVIDIA
