深度学习模型开发速度加快10倍，为癌症提供精准医疗

会议总结

人工智能可以改变医疗保健, 为研究人员提供新的见解，以发现新的治疗方法，并为患者提供精准医疗. 但这样做需要分析大量数据集的能力. 在他的演讲中, Peter深入探讨了Janssen如何使用深度学习来分析活检和手术标本的整张幻灯片图像(称为组织病理学图像)。. 每张图片的大小一般在2g到5g之间, 大多数临床试验都会产生成千上万张这样的图像. 彼得说，大型临床试验可以生成多达10万张图像.

通过训练深度学习模型，在这些图像的细胞水平上区分患者之间的差异, 研究人员可以更好地确定哪些患者可以作为治疗目标和临床试验资格，或者预测患者对特定治疗的潜在反应.

为了支持这项工作, Janssen为深度学习和分布式训练建立了统一的框架, 使用Domino数据科学平台为数据科学家提供对各种工具的自助基础设施访问, 语言, 数据集, 以及可扩展的计算, 包括英伟达 gpu, 在大数据集上训练深度学习模型的关键是什么. 在他的讨论中, Peter分享了Domino如何帮助团队更快速地开发深度学习模型, 在某些情况下，速度高达10倍. (当然, 将这些模型投入生产将需要数据科学家之间强有力的合作, IT和商业领袖. Peter与易捷航空和PointRight的数据科学领导者一起在网络研讨会上讨论了这一领域的挑战和最佳实践。”跨越过道.”)

具体来说就是统一的框架, 彼得强调了四个好处, 包括:

• 同时使用不同的超参数进行多个实验. 在过去, Peter表示，在单个GPU机器上使用小数据集训练模型可能需要9天的时间. 有了大量的数据集，这变得更具挑战性. 在一种情况下, 研究人员发现，由于内存限制和充分利用多gpu计算资源的挑战，训练卷积神经网络模型对图像进行分类甚至是不可可行的.
• 复制的结果 因此，研究人员可以将一组患者的结果转化为其他患者或其他环境.
• 跟踪每个模型的指标，并将模型存储在一个集中的位置 因此，他们可以分析模型是否正常工作，并确定正在使用的确切数据集.
• 轻松地将模型集成到数据科学工作流程中 (换句话说，使研究具有可重复性和可重用性，这样它们就可以跨多个业务用例使用). 对Peter来说，这包括减少只适用于一组实验而不适用于其他实验的临时代码库的使用, 并确保模型是可解释和可解释的.

Peter还举了三个例子，说明这种方法如何帮助加速研究:

1. 将深度学习模型的训练时间减少10倍. 例如, 在一个案例中，研究人员将模型训练扩展到六个gpu，而不是一个gpu，几乎实现了线性加速. 在另一个例子中, 他们减少了每个训练阶段的运行时间, 从两小时到两分钟, 通过尝试不同的图像格式.
2. 优化模型 能够在模型训练和验证中使用更多的图像.
3. 更好地预测临床试验合格性，合格患者增加4倍基于一次实验的结果. “如果BOB官方APP下载能够将这种模型部署到诊所, BOB官方APP下载能够在临床试验中筛选出阳性的患者数量增加4倍.“有了这些结果, 该团队正在推进其概念验证进入下一个开发阶段, 其中包括额外的验证和额外数据的收集, 为治疗资格预测创建一个非常健壮和可推广的模型，可以跨用例使用.

关于演讲者

了解更多

观看网络研讨会”组织病理学中基于计算机视觉深度学习模型的多gpu机器，以了解更多关于Janssen面临的关键技术挑战以及他们是如何解决这些挑战的.