New-Tech Magazine | April 2020

של חזה) ופתולוגיה ספרתית x יישום של רדיולוגיה (צילום בקרני :1 איור «

עודה בעלת חשיבות עליונה. ואולם, בתנאי הלחץ הקיימים תוך כדי תהליך מהיר של קבלת החלטות, קצב השגיאות האנושי עלול להיות גבוה בשיעור של . הסתייעות בשיטות של לימוד מכונה 30% בתהליך קבלת ההחלטות יכול לשפר את איכות התוצאה ולספק כלי נוסף למומחי הרדיולוגיה ולמומחים אחרים. תהליכי האימות של לימוד מכונה מגיעים כיוםממקורותרבים ואמיניםביותר. באחד Stanford ב- ML המחקרים (מקור: קבוצת - https :// stanfordmlgroup . github . io / /), הכשירו רשת עצבית projects / chexnet שכבות לגלות דלקת ריאות 121 בת CNN בצורה טובה יותר מאשר ארבעה מומחי רדיולוגיה. באופן דומה, במחקרים רבים אחרים שבוצעו על ידי המוסד הלאומי לרפואה (בארה"ב) ובארגונים נוספים, ניסויים הקשורים לגילוי מוקדם של קשריות ריאתיות נגועות בסרטן ריאתי, , הראו דיוק רב DNN בעזרת מודל רשתות יותר מאשר זה שהושג באבחון של מומחי רדיולוגיה מרובים. על אף שאימוץ של פתולוגיה ספרתית מתבצע באיטיות, אבחונים מבוססי אלגוריתמים מרובים המיושמים במחקרים של סרטן ריאתי משתווים היטב להערכות של סיכויים שבוצעו על ידי כמה מומחי פתולוגיה, אם לא עלו עליהם במידה מה, לפעמים. באופן דומה, אפשר RNN / LSTM לחזות שגישות מבוססות

לגבי פענוח גנומי, יתנו תוצאות טובות יותר לגבי הפוטנציאל שיש לווריאנט יחיד של נוקליאוטיד להיות גורם שמחולל מחלה (פתוגני). פרוצידורות רבות בתחום של פתולוגיה, רדיולוגיה, דרמטולוגיה, אבחון וסקולארי ואופטלמולוגיה יכולות להיות, לא פעם, מגה – פיקסלים או אף גדולות 5 בגודל של יותר, ולהיזקק לעיבוד תמונה מורכב. כמו כן, זרימת העבודה של לימוד מכונה עלולה להיות מוגברת במחשוב ובזיכרון. החלק העיקרי של המחשוב הוא בתחום האלגברה הליניארית ונדרשים לו חישובים רבים וכמות גדולה של פרמטרים. התוצאה היא מיליארדי פעולות כפל – ), מאות מגה ביית של נתוני MAC צבירה ( פרמטרים ונדרש להם כמות רבה של אופרטורים ותת מערכת זיכרון בעלת ביזור רב ביותר. לכן, הסקה יעילה של מסקנות מדויקות מתמונה לצורך אבחון או סיווג של רקמות באמצעות שיטות מחשוב מסורתיות במחשבים אישיים או במערכות עיבוד נתונים כלליות, הופכת להיות בלתי יעילה וחברות תרופות מחפשות טכניקות חלופיות כדי לענות על בעיה זו. יעילות משופרת בעזרת ACAP התקני מציעהארכיטקטורה Xilinx הטכנולוגיהשל מגוונת עם ביזור ברמה גבוהה על מנת לפתור את הבעיה הזו עבור חברות תרופות.

משפחת פלטפורמות האצת המחשוב Xilinx של Versal™ ) ACAP המסתגלת ( FPGA ) עם מערכי SoC במערכות על שבב ( (מערכי שערים ניתנים לתכנות בשטח), ,) DSP מעבדי אותות ספרתיים משולבים ( מאיצים משולבים ללמידה מעמיקה, מנועי בעלי ארכיטקטורת זיכרון SIMD VLIW מקומי בביזור גבוה ועם מערכות מרובות מעבדים, שנמצאות בהן, ידועה ביכולות שלה לבצע עיבוד אותות מקבילי ברמה גבוהה ביותר של נתונים מהירים כמעט בזמן אמת. יש Versal ACAP בנוסף, לפלטפורמת יכולת העברת טרה סיביות מרובים של נתונים בשנייה בחיבורים פנימיים ברשת על ) ומנוע אינטליגנציה מלאכותית NoC שבב ( . SIMD VLIW מתקדם שמכיל מאות מעבדי המשמעות היא יכולת מחשוב שיכולה טרה פעולות בשניה 100 - להיות מעבר ל .) TOPS ( יכולות אלו של ההתקן משפרות באופן דרמטי את היעילות שבה מתבצע פתרון של אלגוריתמים רפואיים מורכבים בלימוד מכונה ומסייעות להאיץ באופן משמעותי יישומים רפואיים בחזית הטכנולוגיה, הכל בעזרת פחות משאבים, עלויות והספק. , Versal ACAP בעזרת התקני פלטפורמת התמיכה ברשתות משוב (חוזרות) יכולה להיות מובנית בזכות האופי הפשוט של המבנה וספריות התמיכה שלהן. יש מערכת סביבתית חדשנית Xilinx לחברת

New-Tech Magazine l 30