EO-Medical_472

XV MEDICAL 18 - SETTEMBRE 2018 ARTIFICIAL INTELLIGENCE per prevedere se un paziente è incline alla schizofrenia o ad altre malattie mentali. 3 Adozione su vasta scala: un elemento fondamentale L’intelligenza artificiale e le tecniche di deep learning han- no già dimostrato di essere strumenti molto preziosi per migliorare il rilevamento precoce, la diagnosi e il tratta- mento di gravi patologie. Se informazioni di questo tipo fossero direttamente disponibili a tutti i medici attraverso la visualizzazione, non solo sarebbe possibile salvare molte vite, ma anche evitare errori di trattamento e operazioni chirurgiche non necessarie. I medici potrebbero disporre una quantità d’informazioni senza precedenti in grado di garantire un supporto molto qualificato nelle fasi di diagnosi e trattamento. In que- sto modo, anche gli indicatori più piccoli e rari che un medico potrebbe non avere mai riscontrato nel corso di parecchi de- cenni di pratica professionale, possono essere identificati in maniera affidabile. Ciò porterebbe indubbi vantaggi a tutte le parti interessate: pazienti, medici e sistema sanitario. Uno studio condotto dalla società di consulenza PWC ha rilevato che l’uso diffuso dell’intelligenza artificia- le nella sola Europa comporterebbe una riduzione dei costi sanitari e dell’assistenza post-operatoria in misura pari a cir- ca 200 miliardi di euro nell’arco di un decennio. 4 A questo punto è utile domandarsi quale sarebbe la piattaforma tec- nologica più idonea per favorire l’adozione su vasta scala dell’intelligenza artificiale. Intelligenza artificiale ai blocchi di partenza In primo luogo, è utile ricordare che le più recenti piat- taforme embedded hanno tutti i requisiti necessari, in termini di potenza di elaborazione, efficienza energetica e programmabilità, per integrare l’intelligenza artificiale ad alte prestazioni in ogni dispositivo a ultrasuoni, sta- zione radiologica diagnostica e personal computer pre- sente negli ambulatori medici. A questo punto potreb- be sorgere spontanea la domanda di come sia possibile che algoritmi di intelligenza artificiale che richiedono la potenza di calcolo di interi data center possano esse- re trasferiti su piattaforme embedded a basso consumo. La risposta è semplice: ciò non è possibile. E neppure necessario. Se è vero che il deep learning (apprendi- mento profondo), un sottoinsieme dell’apprendimento automatico ad alta intensità di risorse richiede, almeno per il momento, l’utilizzo di server, i dispositivi medicali utilizzano semplicemente le informazioni ottenute dalle elaborazioni che vengono svolte nei data center. Un pro- cesso di questo tipo va sotto il nome di inferenza. Deep learning nei data center Il processo è quasi sempre il medesimo per tutti i diversi tipi di processo (task). Una rete formata da numerose uni- tà di elaborazione – per lo più GPGPU (General Purpose Graphics Unit) – è abbinata a una rete neurale profonda (DNN - Deep Neural Network, ovvero composta da più stra- ti). Questa rete in grado di supportare il deep learning deve essere addestrata. Nel caso della visualizzazione in ambito medicale, l’addestramento potrebbe riguardare immagini radiologiche utili per la diagnosi precoce di cancro al seno o al fegato, o anche normali fotografie della pelle, utili per addestrare il sistema a riconoscere un cancro alla pelle. La quantità di dati di immagine necessaria per questo compito è enorme. Nei progetti di ricerca finora condotti si parla di un numero compreso tra 130.000 e 700.000 immagini di diagnosi negative e positive. Grazie a questa mole d’in- formazioni, le reti neurali sviluppano parametri e routine basati su algoritmi specifici con un’accuratezza del tutto pa- ragonabile a quella di esperti professionisti. La migrazione verso applicazioni basate sull’intelligenza artificiale è un processo molto semplice utilizzando i moduli COM in formato COM Express di congatec basati sui processori AMD, in quanto gli attuali progetti conformi a questo standard, che utilizzano altre architetture di processore possono essere modificati con estrema facilità. Lo schema illustra le operazioni di deep learning che avvengono in un data center e il trasferimento dell’”intelligenza” nel dispositivo medicale locale