Startseite > Medizintechnik > Systeme & Anwendungen > KI fressen Speicher – was tun?

Künstliche Intelligenz in der Radiologie

KI fressen Speicher – was tun?

25. Juli 2022, 9:38 Uhr | Sven Breuner, Field CTO bei Vast Data - Redaktion: Ute Häußler

KI in der Rsdiologie braucht neben hoher Rechenpower vor allem eines: Speicherplatz. Ein einfaches und skalierbares All-Flash-Speichersystem hilft KI- und Deep-Learning-Workloads über mehrere Petabytes an Bilddaten zu beschleunigen.

Die Universal-Storage-Architektur von Vast Data mit NFSoRDMA unterstützt NVIDIA Magnum IO (GPU Direct Storage), verbessert die KI-Forschung und spart dabei noch Geld und Ressourcen.

Daten sind in der Gesundheitsforschung und -praxis von großer Bedeutung, um entscheidende Erkenntnisse zu gewinnen – insbesondere in der medizinischen Bildgebung. Radiologen verbringen sehr viel Zeit damit, Untersuchungsbilder zu beurteilen und Unterschiede zu erkennen. Der Vergleich von Bild-Zeitlinien kann Ärzten helfen, Veränderungen der Krankheit eines Patienten zu verfolgen. Die Segmentierung und Aneinanderreihung von Scans, die in unterschiedlichen Körperpositionen oder aus verschiedenen Winkeln aufgenommen wurden, ist jedoch keine leichte Aufgabe. Forschende auf der ganzen Welt entwickeln daher neue KI-Tools für die medizinische Forschung und Praxis, um diese Arbeit zu beschleunigen.

Neue Wege in der Forschung – und IT

Das Martinos Center for Biomedical Imaging am Massachusetts General Hospital im amerikanischen Boston ist eines der weltweit führenden Forschungszentren, das sich mit der Entwicklung und Anwendung biomedizinischer Bildgebungstechnologien befasst. Für die moderne Radiologie-Unterstützung müssen die Bostoner Forschenden ständig neue Wege finden, um unkomprimierte Rohdaten aus Bildgebungssystemen per KI-Algorithmen zu analysieren. Ein aktuelles KI-Modell beispielsweise markiert in einem hochauflösenden Röntgenbild 20 Strukturen und gleicht diese zwischen zwei Studien ab. Die finale Schlussfolgerung des KI-Tools sollte weniger als eine Sekunde dauern.
Mithilfe von Deep Learning haben die Martinos-Forschenden einen reproduzierbaren und skalierbaren Algorithmus entwickelt, der den Schweregrad einer Lungenerkrankung aus Röntgenbildern extrahiert. Zusammen mit weiteren Werten wie Vitalzeichen, Pulsoximetriedaten und Bluttestergebnissen kann der Krankheitsverlauf über die Zeit automatisiert verfolgt werden. Ohne ausreichende Rechen- und Speicherressourcen, wäre es in diesem Forschungsgebiet unmöglich, schnelle Fortschritte zu erzielen.

Ohne IT-Infrastruktur geht nichts

Die medizinische Bildgebung ist hinsichtlich einer IT-Infrastruktur jedoch ein anspruchsvolles Terrain. Veraltete Technologien oder unzureichende Ressourcen können die Forschung schnell ausbremsen, innovative KI kann nur mit leistungsfähigen Systemen erforscht und erprobt werden. Bei Hunderten Forschungssubjekten und Tausenden Scans pro Jahr ist es schwierig, die enormen Mengen Rohdaten zu erfassen, zu speichern und gleichzeitig Hunderten daran arbeitenden KI-Forschungsinitiativen einen schnellen Datenzugriff zu ermöglichen. Herkömmliche hybride Storage-Umgebungen kommen schnell an ihre Grenzen, wenn multidimensionale, hochgradig parallele Speicherleistung bereitgestellt werden muss.

Eine durchschnittliche digitale Patientenakte umfasst derzeit ca. 3,5 Gigabyte Daten. Bei experimentellen medizinischen Untersuchungen mit Tiefenphänotypisierung, einschließlich High-Content-Imaging und Genomik, können mehr als 120 Gigabyte für einen Patienten anfallen. Oft stehen siloartige Speichersysteme den Anwendern der klinischen Daten im Weg, unbekannte Korrelationen bei Krankheitssymptomen oder bei der Behandlung zu erkennen. Die Folge können Fehldiagnosen oder Rückschritte bei der Forschung sein. Für die Anwendung von KI-Algorithmen müssen alle Daten verfügbar sein, um schnelle und aussagekräftige Ergebnisse bei Forschung, Diagnose und Behandlung zu erzielen. Dazu braucht es eine hochgradig skalierbare, leistungsfähige, aber auch einfach zu verwaltende Speicherinfrastruktur. Vor der Herausforderung, eine entsprechende Lösung zu finden, stand auch das Martinos Center.

Bildgebung beschleunigen und rationalisieren

Das Forschungszentrum suchte nach einer geeigneten Storage-Lösung, um seine KI-Forschung im Bereich der medizinischen Bildgebung zu beschleunigen und zu rationalisieren. Der Bedarf nach Erfassung und Aufzeichnung sämtlicher MRT- und PET-Scandaten stieg stetig rapide an. Mit dem Universal Storage von Vast Data entschieden sich die Forschenden für den Umstieg auf eine All-Flash-Lösung und machten alle bisherigen festplattenbasierten Speichersysteme überflüssig. Komplexes Storage Tiering und HDD-Nutzung gehören jetzt der Vergangenheit an. Vast konsolidiert Anwendungen auf einem hoch skalierbaren All-Flash-Speicher, um die Leistungsanforderungen der anspruchsvollsten Radiologie-Workloads zu erfüllen. Gleichzeitig ist mit den Flash-Infrastrukturen eine kostengünstige Speicherung aller Daten möglich (Bild 1). Vast ist zwar erst seit 2019 am Markt, hat sich aber bereits als schnell wachsendes Storage-Start-up etabliert und versorgt mit Universal Storage bereits mehrere der weltweit führenden Datenzentren.