De acordo com a Organização Mundial de Saúde (OMS), a tuberculose (TB) é uma das dez principais causas de morte e a principal causa por um único agente infeccioso (mais do que HIV/AIDS). Um dos objetivos de desenvolvimento sustentável da OMS é acabar com a epidemia de tuberculose até 2030. Cerca de 58 milhões de vidas foram salvas através do diagnóstico e tratamento da TB entre 2000 e 2018,1, assim a detecção rápida e precisa é fundamental para continuar a reduzir o número de casos a cada ano.
A baciloscopia de escarro (SSM) tem sido o principal método de diagnóstico de tuberculose devido à sua simplicidade e aos baixos custos associados. No entanto, a leitura manual de lâminas coradas é demorada e expõe os médicos ao potencial risco de infecção. A KFBIO usa seus sistemas de digitalização de patologia para digitalizar lâminas de SSM como imagens de alta resolução e depois aplica algoritmos de aprendizagem profunda (DL) para oferecer suporte ao diagnóstico de infecção por M. tb.
A triagem com base em DL auxilia o diagnóstico de M. Tuberculosis
Ningbo Konfoong Bioinformation Co., Ltd (KFBIO) desenvolve soluções relacionadas à patologia. Dentre elas, equipamentos de processamento de amostra, sistemas de digitalização de patologia digital, sistemas de informação de patologia, algoritmos e modelos de DL para detecção e classificação de alterações e anormalidades pré-cancerosas. A capacidade da KFBIO em digitalizar seções patológicas tradicionais em imagens digitais permite que os cientistas apliquem técnicas de DL para auxiliar o diagnóstico médico. A KFBIO desenvolveu um conjunto de soluções patológicas alimentadas por IA com base em tecnologia DL, incluindo detecção de câncer cervical e da M. tuberculosis.
A imagem digital possibilita que os dados médicos sejam armazenados, compartilhados e analisados de forma colaborativa em uma rede. A patologia digital com IA ajuda a lidar com a escassez de recursos médicos e oferece melhor acessibilidade ao diagnóstico para pessoas em áreas remotas e rurais.
O desempenho demonstrado neste trabalho ressalta o potencial de triagem e diagnóstico da M. tuberculosis com base em IA por meio da colaboração entre a KFBIO e a Intel.
A Intel AI acelera triagem automatizada em 8,40 vezes
2
Enquanto a KFBIO tinha uma solução de DL eficaz para a digitalização de espécimes de M. tuberculosis usando GPUs, seus engenheiros precisavam de um melhor desempenho para completar a digitalização e o diagnóstico mais rapidamente. Colaborando com engenheiros de IA da Intel, a KFBIO otimizou seu código com base no PyTorch e no modelo detectron2 para tirar proveito dos aprimoramentos da arquitetura do processador escalável Intel® Xeon®, incluindo a tecnologia Intel Deep Learning Boost (Intel DL Boost) e a grande capacidade de memória do processador.
Os processadores escaláveis Intel Xeon da 2ª Geração (antigos Cascade Lake) incluem nova tecnologia Intel Deep Learning Boost para acelerar o desempenho de inferência. A matemática prática foi adicionada à Intel Math Kernel Library for Deep Neural Networks (Intel MKL-DNN) para tirar proveito dos avanços do hardware do processador. As otimizações Intel Math Kernel Library for Deep Neural Networks estão resumidas e integradas diretamente ao quadro PyTorch,3 para que os usuários finais possam aproveitar a tecnologia sem modificações de código especial. O último lançamento oficial do PyTorch integra a Intel Math Kernel Library for Deep Neural Networks por padrão. Assim, os usuários podem obter benefícios de desempenho em plataformas de processadores escaláveis Intel Xeon da 2ª Geração, sem etapas de instalação adicionais.
Além disso, os processadores escaláveis Intel Xeon da 2ª Geração agregam muitos terabytes de memória permitindo acesso rápido a grandes conjuntos de dados. As imagens de patologia digital tendem a ser grandes, o que pode sobrecarregar a capacidade de memória da GPU. Com maior capacidade de memória, a solução de escaneamento poderia executar várias instâncias de inferência simultânea na mesma configuração.
As otimizações para o algoritmo de digitalização de M. tuberculosis da KFBIO foram diretas ao usar o PyTorch 1.6 otimizado para a arquitetura Intel, em vez da versão anterior do PyTorch 1.4. Otimizações adicionais foram completadas com a criação do perfil do modelo detectron2 e a otimização de operações mínimas.
Os testes de referência nos processadores Intel® Xeon® Gold 6252 revelaram um melhor desempenho de inferência em comparação com um modelo de linha de base sem otimizações rodando no mesmo processador.
Dois benchmarks otimizados retomaram aumentos de desempenho em 2,17 vezes para uma única instância e 11,4 vezes para 24 instâncias (veja o gráfico acima).4 A solução se beneficiou de uma grande capacidade de memória ao executar 24 instâncias.
Uma implementação do cliente
Recentemente, a KFBIO implantou sua solução de triagem de TB com base em DL com êxito no Shanghai Public Health Clinical Center na China, em uma estação de trabalho integrada executada em processadores escaláveis Intel Xeon da 2ª Geração. O centro irá usá-lo para acelerar o processamento de casos de diagnóstico de tuberculose. A implantação integra o scanner de patologia digital KFBIO e software de IA para fornecer capacidade de ponta a ponta: digitalização de lâminas de amostras, realização de inferências de IA para detecção, visualização de resultados e produção de relatórios de diagnóstico. De acordo com a avaliação do cliente, o sistema oferece precisão média (AP) de 86,8 por cento na detecção; e precisão de 88,9 por cento na classificação.5 O pipeline de fluxo de trabalho inteiro pode ser concluído em menos de 80 segundos para um diagnóstico de caso único, desde a entrada da amostra até a saída do relatório.5 O cliente está satisfeito com o desempenho e espera encurtar o processo para 60 segundos.
Conclusão
A aceleração da triagem por máquina de amostras usando tecnologias de IA pode aumentar o número de amostras triadas e potencialmente alertar os médicos sobre os pacientes mais rapidamente do que apenas com os métodos manuais. O uso do PyTorch 1.6 com a biblioteca Intel Math Kernel Library for Deep Neural Networks integrada permitiu ao modelo detectron2 da KFBIO tirar proveito do Intel DL Boost em processadores escaláveis Intel Xeon da 2ª Geração. O amplo suporte de memória da arquitetura do processador também permitiu que várias instâncias de inferência fossem executadas ao mesmo tempo diretamente da memória. Com o PyTorch otimizado para o Intel DL Boost e ampla memória, o modelo detectron2 foi até 11,4 vezes mais rápido do que o modelo de linha de base.6