Según la Organización Mundial de la Salud (OMS), la tuberculosis (TB) es una de las diez principales causas de muerte y la principal causa derivada de un solo agente infeccioso (por encima del VIH/SIDA). Uno de los objetivos de desarrollo sostenible de la OMS es poner fin a la epidemia de tuberculosis para el 2030. Gracias al diagnóstico y el tratamiento de la tuberculosis, entre 2000 y 2018 se salvaron unos 58 millones de vidas,1, por lo tanto una detección precisa y rápida sigue siendo crítica para continuar reduciendo la cantidad de casos cada año.
La microscopía de fortis de esputo (SSM, por su sigla en inglés) ha sido el método principal de diagnóstico de tuberculosis debido a su sencillez y los bajos costos asociados. Sin embargo, la lectura manual de las láminas teñidas requiere mucho tiempo y expone a los médicos a un posible riesgo de infección. KFBIO utiliza sus sistemas de exploración de patología para digitalizar las láminas de SSM como imágenes de alta resolución y luego aplicar algoritmos de aprendizaje profundo para respaldar el diagnóstico de la infección por M. tb.
La exploración basada en aprendizaje profundo ayuda a diagnosticar M. tuberculosis
Ningbo Konfoong Bioinformation Co., Ltd (KFBIO) desarrolla soluciones relacionadas con la patología. Estas incluyen equipos de procesamiento de muestras, sistemas de exploración de patología digital, sistemas de información de patología y algoritmos y modelos de aprendizaje profundo para la detección y la clasificación de cambios y anomalías precancerosas. La capacidad de KFBIO para la exploración de secciones patológicas tradicionales en imágenes digitales permite que los científicos apliquen técnicas de aprendizaje profundo para ayudar al diagnóstico médico. KFBIO ha desarrollado una serie de soluciones de patología que funcionan con tecnología de inteligencia artificial basadas en la tecnología del aprendizaje profundo, lo que incluye la detección de cáncer de cuello uterino y de M. tuberculosis.
La obtención de imágenes digitales permite que los datos médicos se almacenen, se compartan y se analicen de forma colaborativa a través de una red. La patología digital con inteligencia artificial ayuda a abordar la escasez de recursos médicos y permite acceder mejor al diagnóstico para las personas en zonas remotas y rurales.
El desempeño demostrado en este documento subraya el potencial de la detección y el diagnóstico de M. tuberculosis por medio de la inteligencia artificial gracias a la colaboración entre KFBIO e Intel.
Intel AI acelera la detección automatizada 8,40 veces
2
Aunque KFBIO tenía una solución de aprendizaje profundo eficaz para la exploración de muestras de M. tuberculosis utilizando GPUs, sus ingenieros necesitaban un mayor desempeño para realizar la exploración y el diagnóstico más rápidamente. En colaboración con Intel AI, KFBIO optimizó su código basado en PyTorch y el modelo detectron2 para aprovechar las mejoras de los procesadores escalables Intel® Xeon®, incluida la tecnología Intel Deep Learning Boost y la mayor capacidad de memoria del procesador.
Los procesadores escalables Intel Xeon de 2ª Generación (anteriormente Cascade Lake) incluyen la tecnología Intel Deep Learning Boost para acelerar el desempeño de inferencia. Se han añadido matemáticas rápidas a la Intel Math Kernel Library for Deep Neural Networks para aprovechar los avances de hardware del procesador. Las optimizaciones de Intel Math Kernel Library for Deep Neural Networks se abstraen y se integran directamente en el marco de PyTorch,[Consulte el artículo “Intel y Facebook colaboran para impulsar el desempeño de la CPU PyTorch” para obtener más información sobre las aceleraciones de desempeño recientes.] por lo tanto los usuarios finales pueden aprovechar esta tecnología sin modificaciones de código especiales. La última versión oficial de PyTorch integra Intel Math Kernel Library for Deep Neural Networks de manera predeterminada. Por lo tanto, los usuarios pueden obtener beneficios de desempeño en plataformas basadas en procesadores escalables Intel Xeon de 2ª Generación sin pasos de instalación adicionales.
Además, los procesadores escalables Intel Xeon de 2ª Generación admiten muchos terabytes de memoria que permiten un acceso rápido a grandes conjuntos de datos. Las imágenes de patología digital tienden a ser de gran tamaño, lo que puede poner a prueba la capacidad de memoria de la GPU. Con una memoria más grande, la solución de exploración podría ejecutar múltiples instancias de inferencia simultáneas en la misma configuración.
Las optimizaciones para el algoritmo de exploración de M. tuberculosis de KFBIO fueron sencillas, simplemente requirieron el uso de PyTorch 1.6 optimizado para la arquitectura Intel en lugar de la versión anterior de PyTorch 1.4. Se realizaron optimizaciones adicionales mediante la creación de perfiles del modelo detectron2 y la optimización de operaciones mínimas.
Las pruebas de análisis de referencia en los procesadores Intel® Xeon® Gold 6252 revelaron un desempeño de inferencia mejorado en comparación con un modelo de línea de base sin optimizaciones ejecutado en el mismo procesador.
Dos análisis de referencia optimizados mostraron un aumento del desempeño de 2,17 veces para una única instancia y de 11,4 veces (ver cuadro anterior) para 24 instancias.[desempeño de procesamiento del modelo detectron2 para detección de m. tuberculosis de KFBIO con procesadores Intel® Xeon® Gold 6252 de 2ª Generación: NUEVO: Prueba 1 (única instancia con PyTorch 1.6: Probado por Intel al 22 de mayo de 2020. Procesador Intel® Xeon® Gold 6252 de 2ᵃ Generación de 2 zócalos, 24 núcleos, HT activado, Turbo activado, Memoria total 192 GB (12 ranuras/16 GB/2666 MHz), BIOS: SSE5C620.86B.02.01.0008.031920191559 (ucode: 0x500002c), Ubuntu 18.04.4 LTS, kernel 5.3.0-51-genérico, mitigado. Prueba 2 (24 instancias con PyTorch 1.6: Probado por Intel al 22 de mayo de 2020. Procesador Intel Xeon Gold 6252 de 2ᵃ Generación de 2 zócalos, 24 núcleos, HT activado, Turbo activado, Memoria total 192 GB (12 ranuras/16 GB/2666 MHz), BIOS: SSE5C620.86B.02.01.0008.031920191559 (ucode: 0x500002c), Ubuntu 18.04.4 LTS, kernel 5.3.0-51-genérico, mitigado. LÍNEA DE BASE: (única instancia con PyTorch 1.4): Pruebas de Intel al 22 de mayo de 2020. Procesador Intel Xeon Gold 6252 de 2ᵃ Generación de 2 zócalos, 24 núcleos, HT activado, Turbo activado, Memoria total 192 GB (12 ranuras/16 GB/2666 MHz), BIOS: SSE5C620.86B.02.01.0008.031920191559 (ucode: 0x500002c), Ubuntu 18.04.4 LTS, kernel 5.3.0-51-genérico, mitigado.] La solución se benefició de una mayor capacidad de memoria al ejecutar 24 instancias.
Implementación de un cliente
Recientemente, KFBIO implementó con éxito su solución para la detección de TB basada en aprendizaje profundo en el Shanghai Public Health Clinical Center en China en una estación de trabajo integrada ejecutada con procesadores escalables Intel Xeon de 2ª Generación. El centro la utilizará para acelerar el procesamiento de las cargas de casos de diagnóstico de tuberculosis. La implementación integra el explorador de patología digital de KFBIO y el software de inteligencia artificial para proporcionar una capacidad integral: digitalización de las láminas de las muestras, realización de inferencia mediante inteligencia artificial para la detección, visualización de resultados y producción de informes de diagnóstico. Según la evaluación de los clientes, el sistema ofrece una precisión promedio del 86,8 por ciento en la detección y una precisión del 88,9 por ciento en la clasificación.3 El canal de flujo de trabajo completo se puede terminar en menos de 80 segundos para un diagnóstico de un solo caso, desde la entrada de la muestra hasta la salida del informe.3 El cliente está satisfecho con el desempeño y espera acortar más el proceso a 60 segundos.
Conclusión
La aceleración de la detección automática sobre muestras utilizando inteligencia artificial puede aumentar la cantidad de muestras examinadas y potencialmente alertar a los médicos con respecto a inquietudes relacionadas con los pacientes más rápidamente que los métodos manuales. El uso de PyTorch 1.6 con la Biblioteca Intel Math Kernel Library for Deep Neural Networks integrada le permitió al modelo detectron2 de KFBIO aprovechar Intel Deep Learning Boost y los procesadores escalables Intel Xeon de 2ª Generación. La gran capacidad de memoria de la arquitectura del procesador también permitió que múltiples instancias de inferencia se ejecutaran de manera simultánea directamente desde la memoria. Con PyTorch optimizado para Intel Deep Learning Boost y una memoria grande, el modelo detectron2 funcionó hasta 11,4 veces más rápido que el modelo de línea de base.4