主图显示了放射科医师检查脑损伤患者 CT 扫描。照片由美国空军提供，拍摄者为高级飞行员 Julianne Showalter，获许可允许公开使用。
 
很少有人能早在 90 年代中期就预测到深度学习革命的到来。
 
但服务于宾夕法尼亚州和新泽西州民众的医疗健康系统 Geisinger 在早期的时候就已经开始涉足电子病例，这让他们在二十年后的今天，在实施 AI 的时侯具备了极大的优势。
 
Geisinger 于 1996 年开始采用电子病历，并于 2001 年左右开始以数字化方式存储医学影像。自那时起，它保存了近 200 万份患者的数字病历。作为一家区域性医疗健康服务机构，Geisinger 的患者群体规模也相对稳定。
 
这意味着它拥有着大量患者的纵向数据——一套成熟的深度学习数据集，Geisinger 成像科学与创新部门副教授兼创始人 Brandon Fornwalt 如是说。
 
他说到：“这让我们能够做到其他机构做不到的事情。”
 
周二在圣何塞举行的 GPU 技术大会上，Geisinger 放射学主管 Fornwalt 和 Aalpen Patel 分享介绍了如何在医疗健康系统中临床使用 NVIDIA DGX-1 实现多种 AI 解决方案，以改善患者护理。
 
Fornwalt 说道：“机器学习能帮助我们更好地了解到自己能够通过哪些早期干预，让患者过上更加幸福、长寿、健康的生活。”。
 
针对脑部及心脏疾病的 AI
当患者因受伤或中风导致大脑出血时，快速的诊断和治疗对于降低脑损伤至关重要。放射科医师可能需要五分钟或更短时间来查看患者的 CT 扫描。但是这些专家的工作也分轻重缓急——通常住院病人和急诊室急诊病例的读片速度要快于门诊病人。
 
然而，Patel 和 Fornwalt 解释说道，门诊扫描片中也可能会出现严重的病例。Geisinger 自 2017 年 1 月开始部署了基于 NVIDIA GPU 进行训练的深度学习模型，该模型能够读取所有脑部 CT 扫描，并在几秒钟内调整放射科工作清单的优先顺序，将潜在急性病例前置，让放射科医师能够优先处理。这种刷新优先排序的方式将诊断时间减少了 96％，令人不禁赞叹。
 
为改善心脏病患者的护理，Geisinger 正在开发一种深度学习模型来分析心电图（EKG）和超声心动图数据，这也是最常见的两种心脏功能监测方法。利用其数据库中的 200 万条 EKG 记录，它正在构建能够预测患者未来心脏病情的神经网络。
 
针对超声心动图——即心脏的超声波，团队正在对神经网络进行训练，以寻求能够预测特定健康状况的模式。 EKG 和超声心动图模型的开发和测试都是基于 DGX-1 进行的，且 Geisinger 还计划于近期安装 NVIDIA DGX-2 以加速其管线。
 
Geisinger 还使用机器学习来优化针对心力衰竭患者的资源分配。其模型发现，未接受某些循证治疗（例如每年流感疫苗注射）的心力衰竭患者和由此导致的死亡或住院风险增加之间存在某种关联。
 
Geisinger 的药剂师团队和其他医疗服务提供商如今正在利用这些洞察来精准定位那些有望借助更丰富的资源受益最多的患者。该团队使用 NVIDIA RAPIDS 数据科学库对近 100 万套心力衰竭患者相关的数据进行了分析，与 52 核 CPU 服务器相比，其采用的单一 GPU 实现了三倍的加速。
 
“当你拥有了大型表格式数据集时，例如一个有近百万行、100 列的表格的时候，RAPIDS 将能够真正派上用场，”Fornwalt 说道。
 
Patel 认为人工智能是解决医师资源日益短缺问题的重要工具，特别是随着美国人口老龄化现象加重、人口预期寿命变长。
 
“机器学习还让我们能够更好地照看病人，它已经不再是一种选择，”他说。 “而将成为人类生存的必须品。”