ปัจจุบัน ข้อมูลประมาณ 30% ของโลกทั้งหมดเป็นข้อมูลด้านการดูแลสุขภาพ โดยโรงพยาบาลต่างๆ จะสร้างข้อมูล 50 เพตะไบต์ในแต่ละปี และภายในปี 2568 ข้อมูลด้านการดูแลสุขภาพคาดว่าจะเติบโตในอัตราที่สูงที่สุดในทุกอุตสาหกรรม ด้วยเหตุนี้ จึงไม่น่าแปลกใจเลยที่ผู้เชี่ยวชาญด้านหน่วยประมวลผลกราฟิก (GPU) NVIDIAกำลังพัฒนาโฮสต์ของเทคโนโลยีปัญญาประดิษฐ์ (AI) และเครื่องมือที่ออกแบบ
มาเพื่อเปลี่ยนโฉม
AI ด้านการดูแลสุขภาพ ที่งาน ซึ่งเป็นการประชุมเทคโนโลยี GPU ออนไลน์ที่จัดขึ้นเมื่อต้นสัปดาห์ที่ผ่านมา บริษัทได้ประกาศผลิตภัณฑ์ใหม่ที่มีเป้าหมายเพื่อเปลี่ยนวิธีที่ AI ขับเคลื่อนอุปกรณ์ทางการแพทย์ จุดเด่นอย่างหนึ่งคือการเปิดตัว ซึ่งเป็นแพลตฟอร์มการประมวลผล AI สำหรับอุตสาหกรรม
การดูแลสุขภาพ “ความก้าวหน้าล่าสุดใน AI, การเรียนรู้ของเครื่องฟิสิกส์, การติดตามรังสีและการประมวลผลจะปฏิวัติเครื่องมือทางการแพทย์” ผู้ก่อตั้งและซีอีโอของ NVIDIA กล่าวในคำปราศรัยสำคัญของเขา ช่วยให้นักพัฒนาสร้างแอปพลิเคชันที่ประมวลผลข้อมูลเซ็นเซอร์หลายรูปแบบ
เรียกใช้แบบจำลองทางฟิสิกส์ เร่งการวิเคราะห์โดยใช้ AI และแสดงกราฟิกคุณภาพสูงแบบเรียลไทม์ แพลตฟอร์มใหม่นี้มอบโครงสร้างพื้นฐานสำหรับการประมวลผลแบบ ของการสตรีมข้อมูลจากอุปกรณ์ทางการแพทย์ โดยเชื่อมต่ออุปกรณ์ดังกล่าวกับเซิร์ฟเวอร์เอดจ์ในโรงพยาบาลได้อย่างราบรื่น
อุปกรณ์ทางการแพทย์ส่วนใหญ่ ตั้งแต่ระบบภาพวินิจฉัยไปจนถึงเครื่องมือช่วยเหลือในการผ่าตัด มีขั้นตอนการทำงานซึ่งเริ่มต้นด้วยเซ็นเซอร์ รวมขั้นตอนการประมวลผลข้อมูล จากนั้นจึงต้องการการแสดงภาพด้วยภาพสำหรับการตัดสินใจของมนุษย์ขับเคลื่อนโดยชิปหุ่นยนต์ความเร็วสูงตัวใหม่
ออกแบบมาเพื่อเร่งความเร็วในแต่ละขั้นตอนของไปป์ไลน์การประมวลผลข้อมูลนี้ ขั้นตอนประกอบด้วย: การส่งข้อมูลเซ็นเซอร์โดยตรงไปยัง GPU; การคำนวณตามหลักฟิสิกส์หรือการประมวลผล AI เพื่อแปลงข้อมูลเหล่านี้เป็นโดเมนรูปภาพ การประมวลผลภาพ เช่น การแบ่งส่วนหรือการจัดหมวดหมู่
การประมวลผล
ข้อมูล และการสร้างภาพ 3 มิติของข้อมูลอุปกรณ์และการคาดการณ์ผลลัพธ์ที่สำคัญ แพลตฟอร์มนี้ช่วยให้นักพัฒนาเรียกใช้แอปพลิเคชันสตรีมมิ่งที่มีเวลาแฝงต่ำบนอุปกรณ์ ในขณะที่ใช้ประโยชน์จากทรัพยากรศูนย์ข้อมูลสำหรับงานที่ซับซ้อนมากขึ้น “แอปพลิเคชัน สามารถติดตั้งในเครื่องมือ
อย่างเต็มรูปแบบ ในศูนย์ข้อมูลของโรงพยาบาล หรือใช้ทั้งสองอย่างผสมกันได้” อธิบาย “วิธีนี้ช่วยให้บริษัทต่างๆ พัฒนาแอปพลิเคชันที่ต้องการการประมวลผลมากกว่าที่มีอยู่ในอุปกรณ์ หรือเพื่ออัปเกรดฐานอุปกรณ์ที่ติดตั้งหลายปีหลังการปรับใช้”เร่งตรวจหาสารเสพติดอีกด้านที่ AI สามารถสร้างผลกระทบ
มหาศาลได้คือการค้นคว้ายา ซึ่งเป็นกระบวนการที่ใช้เวลานานและใช้ข้อมูลมาก“นักวิจัยกำลังสร้างแบบจำลอง AI ที่เรียนรู้ฟิสิกส์และทำการทำนายที่เป็นไปตามกฎของฟิสิกส์” กล่าว “การประยุกต์ใช้แมชชีนเลิร์นนิงเพื่อปรับปรุงการจำลองทางฟิสิกส์มีการเติบโตอย่างเหลือเชื่อ” และการผสมผสานระหว่าง
การคัดกรองยาเสมือนจริงเกี่ยวข้องกับการค้นหาสารเคมีที่จะจับและยับยั้งการทำงานของโปรตีนในวิถีของโรค โดยใช้การจำลองไดนามิกระดับโมเลกุลของแรงอะตอมระหว่างสารเคมีและโปรตีน จนกระทั่งเมื่อไม่นานมานี้ โครงสร้าง 3 มิติของโปรตีนมนุษย์ถูกกำหนดโดยใช้กล้องจุลทรรศน์อิเล็กตรอน
แบบใช้ความเย็น
แต่มีเพียง 17% ของโปรตีนมนุษย์ประมาณ 25,000 ชิ้นเท่านั้นที่ถูกถอดรหัส ซึ่งเป็นการจำกัดการค้นพบยาที่ใช้คอมพิวเตอร์ช่วย อย่างไรก็ตาม เมื่อต้นปีนี้ นักวิจัยได้สอนให้ AI ทำนายรูปร่าง 3 มิติของโปรตีนจากลำดับกรดอะมิโน โดยใช้เพื่อถอดรหัสโปรตีนของมนุษย์มากกว่า 20,000 ชนิด
ในชั่วข้ามคืน นอกจากนี้ แบบจำลอง AI ยังสามารถเรียนรู้คุณลักษณะของสารเคมีที่มีประสิทธิภาพที่รู้จัก และใช้สิ่งเหล่านี้เพื่อสร้างยาใหม่ๆ ที่อาจมีประสิทธิภาพ กล่าวว่า “สารเคมีที่มีประสิทธิภาพที่มีศักยภาพมากขึ้นจะตอบสนองโครงสร้างโปรตีนที่มากขึ้นนับแสนตัว ซึ่งเปิดโอกาสใหม่ ๆ ที่ยังไม่ได้สำรวจ”
กล่าว “ช่องว่างของโอกาสเพิ่มขึ้นเป็นล้านเท่า แต่สิ่งนี้ได้สร้างปัญหาคอขวดของการจำลองโมเลกุลขนาดใหญ่” เข้าสู่ บริษัทสตาร์ทอัพในซานดิเอโกซึ่งเป็นสมาชิกของโปรแกรม ซึ่งมีจุดมุ่งหมายเพื่อใช้การเรียนรู้ของเครื่องเพื่อปฏิวัติและเร่งการค้นพบยา ได้สร้าง ซึ่งเป็นสถาปัตยกรรมแมชชีนเลิร์นนิง
ทางฟิสิกส์ที่ให้ประสิทธิภาพเพิ่มขึ้นเป็นพันเท่าในการจำลองระดับโมเลกุล บริษัทกำลังพัฒนาการทำงานโดยใช้ซึ่งเป็นชุดของเครื่องมือ AI โมเดล และแอปพลิเคชันที่ช่วยให้สามารถค้นพบยาในซิลิโค ได้ การเรียนรู้เชิงลึกและการจำลองตามฟิสิกส์สามารถเปลี่ยนวิธีการค้นพบยาเสพติดได้
มุ่งเน้นไปที่การระบุโมเลกุลของยาที่สามารถยับยั้งโปรตีนที่เชื่อมโยงกับมะเร็งบางรูปแบบได้ แบ่งปันตัวอย่างการจำลองปฏิกิริยาเคมีระหว่างโปรตีนและยาที่เป็นตัวเลือก “การจำลองนี้ใช้เวลาสามชั่วโมงในหนึ่ง GPU หากไม่มีแมชชีนเลิร์นนิงทางฟิสิกส์ของ OrbNet อาจใช้เวลามากกว่าสามเดือน” เขาชี้ให้เห็น
“อนาคตของการค้นพบยาคือการคำนวณตั้งแต่ต้นจนจบ การสร้างแบบจำลองเส้นทางของโรค ยีนที่เกี่ยวข้อง ปฏิกิริยาระหว่างยากับเป้าหมาย และการโต้ตอบนอกเป้าหมาย” Huang กล่าว “ด้วยการบรรจบกันของการเร่งความเร็วล้านเท่า การเรียนรู้ของเครื่องสำหรับการทำนายโปรตีนและโครงสร้างทางเคมี
หมึกชีวภาพจำนวนมากเป็นส่วนผสมของเซลล์ที่มีชีวิตและไฮโดรเจล ซึ่งเป็นเครือข่ายโพลิเมอร์ที่ดูดซับได้ดี เช่น เจลาตินหรืออัลจิเนต ไฮโดรเจลช่วยปกป้องเซลล์จากแรงเฉือนที่มากเกินไปในระหว่างกระบวนการพิมพ์ แต่ไฮโดรเจลเหล่านี้มีโครงสร้างที่อ่อนแอ การเพิ่มโพลิเมอร์สังเคราะห์ที่แข็งแรงกว่าลงในส่วนผสมทำให้ง่ายต่อการสร้างโครงสร้างหลายชั้นที่คงรูปร่างไว้
credit: coachwebsitelogin.com assistancedogsamerica.com blogsbymandy.com blogsdeescalada.com montblanc–pens.com getthehellawayfromsalliemae.com phtwitter.com shoporsellgold.com unastanzatuttaperte.com servingversusselling.com
