Dijital dönüşüm, herhangi bir geleneksel endüstrinin yeni teknolojileri benimseyerek uzmanlığı artırmak ve maliyetleri düşürmek için devrim niteliğinde bir gerekliliktir. Yapay zeka, doktorlar, laboratuvarlar, araştırmacılar, bakım verenler ve hastalar gibi sağlık hizmetlerinde farklı roller arasında yardımcı olur.
Geleneksel Hastane Operasyonu vs. Yapay Zeka Destekli Akıllı Tıbbi Sistem
Geleneksel tıbbi cihazlar genellikle sınırlı işlevlerle gelir ve genel uygulama alanlarında kullanılır, anahtar teknolojilerin eksikliği genellikle doktorların hastaların durumlarına yanıt vermekte çaresiz hissetmelerine neden olur. Tıbbi sisteme uzaktan hasta izleme gibi bazı yeni teknolojiler dahil etsek bile, bakım verenlerin hastaların durumunu sürekli izlemeleri hala çok pratik değildi.
Edge AI’nin Faydaları
Düşük gecikme süresi, yüksek bant genişliği veri iletim yetenekleri ve büyük miktarda veriyi işleme yeteneği, sağlık ekiplerinin hastalar için kritik ve acil kararlar almasına yardımcı olabilir. Bu makalede gömülü donanımla Edge AI nedir ve nasıl uygulanır hakkında daha fazla bilgi edinebilirsiniz.
Yapay zeka destekli araçlar, kliniklerin doğru tespit yapmasına ve daha hızlı anormal yargılarda bulunmasına yardımcı olarak, profesyonellerin daha büyük bir doğrulukla teşhis koymalarını, patolojik görüntü tanıma kalitesini artırmalarını ve hastanede iş akışını optimize etmelerini sağlayabilir; bu, tıbbi belgeler veya tüm sağlık ekibi için genel dönüş süresi açısından fark etmez.
Uzaktan Hasta İzleme
Yeterli bakım desteğine ve güvenli yardıma ihtiyaç duyan bir hasta olduğunu hayal edin. Bir hastanın güvenli bir durumdan tehlikeli bir duruma geçiş yaptığını tespit eden eğitimli bir yapay zeka modeli, bir bakım vereni veya hemşireyi acil dikkat için uyarabilir.
Tüm sistem, hasta davranışını sürekli olarak video akışı aracılığıyla yakalamak için bir kamera ile birleştirilmiş küçük bir bilgisayar tarafından yönetilmektedir, böylece edge AI modeli uygun verileri alabilir, eğitilebilir ve tahmin yapabilir. Etiketli bir olay tetiklendiğinde, tıbbi ekip hemen bildirim alacaktır.
Yapay zeka destekli tıbbi cihazın faydaları şunlardır:
- İzleme sırasında insan ihmali olasılığını ortadan kaldırmak, örneğin hasta düşmesini/ hastanın beklenmedik durumunu daha hassas bir şekilde tanımlamak, hastanın davranışları arasında net bir ayrım yapmak;
- 24/7 manuel izleme gereksinimini ortadan kaldırmak, iş gücü girdiğini azaltmak;
- Sadece düşme pozunu tanımlamak, temel sorunu ele almaz; bu tür tehlikeli durumların neden meydana geldiğini anlamak, edge AI eğitim algoritmalarıyla daha önemlidir, örneğin hastanın neden düştüğünü anlamak. Yürüyüş yardımı yatağa yeterince yakın mı değil mi? Yoksa yatak alanı çok mu küçük?
Bilgisayarla Görüntülemeden En İyi Şekilde Yararlanın
Poz Tahmini
alwaysAI , bilgisayarla görüntüleme modellerini kolay adımlarla destekler ve ayrıca NVIDIA Jetson’da edge’de çıkarım yapmayı destekler. Önceden eğitilmiş modellerin bir kataloğunu, düşük kodlu bir model eğitim araç setini ve tüm seviyelerde geliştiricilerin bilgisayarla görüntüleme uygulamaları oluşturmasına ve özelleştirmesine yardımcı olacak güçlü bir API seti sunar.
Yapay zekayı belirli nesneleri, insanları ve düşme olaylarını izlemek ve tespit etmek için kolayca kullanabilirsiniz, CV modellerini hastaların hareketlerini veya vücut pozlarını izlemek için eğitebilir ve bir düşme olayı meydana geldiğinde tahmin yaparak belirlenen kriterlere dayanarak bakım verenlere bir uyarı gönderebilirsiniz.
Nesne Tespiti
Roboflow, üst düzey sağlık şirketleri için uçtan uca CV çözümleri sunarak sağlık sorunlarını çözmek için bilgisayarla görüntüleme modelini adım adım oluşturur. Yapmanız gereken ilk şey, belirli senaryonuzdan nesneleri bilgisayarla görüntüleme yöntemleriyle tespit etmek ve sınıflandırmak, ardından ultrason, röntgen, endoskopi, termografi, MRI ve güvenlik görüntülerinden ihtiyaç duyduğunuz tüm verileri etiketlemek ve son olarak bunları Roboflow’a yükleyerek tıbbi bir ortamda uygulamaktır; bu, çok daha fazla doğruluk sağlar. Roboflow, birçok kamu veri setini barındırmaktadır; bunlar arasında BCCD, kan hücrelerinin görüntülerini içeren bir nesne tespiti veri seti bulunmaktadır. Özel modeli Jetson cihazına dağıtmak için Roboflow kullanarak hızlı etiketleme, özel YOLOv5 modelini eğitme ve edge’de çıkarım yapma hakkında wiki kılavuzumuzu kontrol edin!
Akıllı izleme sistemi tasarlamak için diğer yaklaşımlar:
- Gizli Markov Modeli:
- Hastanın durumunu – ayakta/yatarak/oturarak/yürüyerek/düşerek tanımlamak ve düşme ile yatma arasında ayrım yapmak; ayrıca düşme olasılığını yargılayabilir, bu da vücudun önceki durumuna dayalı olarak tahmin edilir.
- TensorRT:
- Açık kaynak kütüphanesi OpenPifPaf veya TensorRT ile bütünsel bir algılama çerçevesi oluşturmak için anlamsal anahtar noktaları izleme. NVIDIA TensorRT hakkında daha fazla bilgi edinmek ister misiniz? Çıkarımınızı hızlandırmak için blogumuzu kontrol edin: TensorRT ve YOLOv5.
- Arka plan çıkarma algoritmaları ve postural dalgalanma analizi:
- Hastanın durumunu salınım amplitüdü aracılığıyla tanımlamak ve bu arada, tanınması gereken önemli görüntü bilgileri üzerindeki çevresel müdahaleyi en aza indirmek.
Dijital Patoloji Teşhisi
Geleneksel patolojik görüntü işleme manuel olarak gerçekleştirilir. Patologlar, mikroskop altında belirli boyalı patolojik görüntüleri çıplak gözle analiz eder, farklı hücre türlerinin tanımlanmasını ve sayılmasını tamamlar ve pozitif oranı hesaplar.
Bu yaklaşım hakkında bazı şüpheleriniz olabilir:
- Teşhis sonuçları öznel olup, kişiden kişiye farklılık gösterir ve düşük tekrarlanabilirliğe sahiptir;
- Patologların tüm süreci tamamlaması için düşük verimlilik;
- Gözlemler genellikle tahminlerden kaynaklanır ve oranlar yeterince doğru değildir.
- Patolojik sonuçlar, izler şeklinde saklanır; bu, patolojik sonuçların görüntülenmesi, saklanması ve elde edilmesi açısından elverişsizdir.
Dijital patolojik görüntüler temelinde yardımcı teşhis için derin öğrenmenin uygulanması, hastalık teşhisi, hedef tespiti ve ilgi alanı segmentasyonu verimliliğini ve niceliksel doğruluğunu artırabilir. Ayrıca, ekonomik koşullar, coğrafi çevre ve tıbbi altyapı tarafından dayatılan kısıtlamaları ortadan kaldırabilir; bu arada, dijital patolojik görüntülerin tam kullanımı maliyetleri önemli ölçüde azaltabilir.
Dijital patolojide, edge AI tabanlı yöntemler ROI bölgelerinin tespiti ve segmentasyonu ile hastalık teşhisinin yüksek düzeyde kalıp tahmini için uygulanabilir.
Yapay zeka destekli teşhis nasıl çalışır?
Edge AI, görüntü analizi için otomatik WSIs (Tam kaydırma görüntüleme) sağlar. Patolojide yapay zekanın teşhis akışı şu şekildedir: Patolojik kaydırma görüntüleri, bir bilgisayar tarayıcısı aracılığıyla tam kaydırma dijital görüntülere yakalanır. WSIs sistemi desteğiyle, tam kaydırma görüntüleme, kullanıcılara dijital anotasyon, hızlı navigasyon/büyütme ve bilgisayar destekli görüntüleme ve analiz gibi araç setlerini genişletme fırsatı sunar.
En az görüntü anotasyon bilgisi ile maksimum mevcut görüntü veri setini geliştirmek için, genellikle daha doğru modeller oluşturmak için makine öğreniminin yeteneğini tam olarak kullanmak amacıyla zayıf denetimli öğrenme yöntemleri benimsenir.
Ayrıca, WIS’te görüntünün piksel boyutu gigapiksel seviyesine kadar çıkabilir, bu da GPU belleğini aşırı derecede işgal eder ve analiz etmeyi zorlaştırır. Şu anda, bilgisayarların genel seviyesi tam piksel işleme WSIs standartlarını karşılayamamaktadır; bu da tanıma doğruluğunda önemli bir düşüşe yol açar.
Bu nedenle, CNN algoritması ve ızgara tabanlı dikkat ağı ile oluşturulan kaydırma penceresi tespit sınıflandırma modeli, bir görüntüyü yerel blok haritası (patch) alanına bölebilir, her bloğun bilgilerini analiz edebilir ve özellikleri çıkarabilir ve bilgileri birleştirerek sonuçlar elde edebilir. Bu yaklaşım, bellek kullanımını azaltmada ve model verimliliğini artırmada etkilidir.
Görüntülerde görsel kategorileri tespit etmek için konvolüsyonel sinir ağının işleme akışı:
“`html
GTC 2021’de, Grundium Ltd, patoloji için tam kaydırma tarayıcılarının NVIDIA Jetson platformunun hesaplama yeteneklerinden yararlanarak nasıl yeniden düşünülebileceğini gösterdi. Derin öğrenme tabanlı görüntü analizi tarama süreci ile iç içe geçebilir. Bu nedenle, sonuçlar tarama tamamlandığında hazır olabilir ve tanı verimliliğini artırır.
NVIDIA’nın blogundan Bakım Noktasında AI: Girişimin Taşınabilir Tarayıcısı Beyin İnmelerini Dakikalar İçinde Teşhis Ediyor, 32 32 TeraOps AI performansı sunan ve enerji verimli çıkarım yapan NVIDIA Jetson AGX Xavier ile güçlendirilmiş hafif bir beyin tarama cihazı bulunmaktadır. Akıllı gömülü sistemler, beyin sinyallerinin nasıl etkileşimde bulunduğunu ve daha ileri bir tanıyı nasıl belirlediğini anlamaktadır.
Gelecek modül Jetson Orin Nano da bir sonraki nesil için düşünülmektedir. Orin NX ve Orin Nano için reComputer’ı yeni duyurduk. Düşüncelerinizi bizimle paylaşın!
Ayrıca MathWorks GPU Coder’ı kullanarak tahmin hattını NVIDIA Jetson üzerinde dağıtabilirsiniz.
Çözüm hedefi, Aritmi (ARR), Konjestif Kalp Yetmezliği (CHF) ve Normal Sinüs Ritmi (NSR) arasında ayrım yapabilen bir sınıflandırıcı eğitmektir. Bu eğitim, üç grup veya sınıftan elde edilen EKG verilerini kullanmaktadır:
- Kalp aritmisi olan kişiler
- Konjestif kalp yetmezliği olan kişiler
- Normal sinüs ritmine sahip kişiler
Seeed NVIDIA Jetson Ekosistemi
Seeed, NVIDIA Partner Network‘de kenar AI için bir Elite ortaktır. Daha fazla taşıyıcı kart, tam sistem cihazları, özelleştirme hizmetleri, kullanım durumları ve geliştirici araçlarını keşfedin Seeed’in NVIDIA Jetson ekosistemi sayfasında.
AI yeniliklerinin ön saflarında bizimle birlikte yer alın! Endüstrilerde makine öğreniminin gerçek dünyada dağıtımını devrim niteliğinde gerçekleştirmek için en son donanım ve teknolojinin gücünden yararlanın. Geliştiricilere ve işletmelere mevcut en iyi ML çözümlerini sağlama misyonumuzun bir parçası olun. Daha fazla kenar AI olasılıklarını keşfetmek için başarılı vakalar kataloğumuzu kontrol edin!
İlk adımı atın ve bu heyecan verici yolculuğun bir parçası olmak için bize bir e-posta gönderin: edgeai@seeed.cc!
Size uygun bir seçenek bulmak için en son Jetson Kataloğumuzu indirin. İhtiyaçlarınız için hazır Jetson donanım çözümünü bulamazsanız, lütfen özelleştirme hizmetlerimizi kontrol edin ve değerlendirme için yeni bir ürün talebi gönderin: odm@seeed.cc.
“`