HYHY : solution d'imagerie médicale à cycle complet basée sur l'IA

L'accélération synergétique logiciel-matériel basée sur l'architecture Intel® a amélioré l'efficacité de la détection et du dépistage.

En bref :

  • Huiyi Huiying Medical Technology (HYHY) se spécialise dans l'application et le développement des technologies de vision par ordinateur et de deep learning.

  • Pour optimiser les performances de la solution d'imagerie médicale d'IA à cycle complet, HYHY a appliqué des technologies telles que les processeurs Intel® Xeon® Scalable de 2e génération avec Intel® Deep Learning Boost et des outils d'optimisation logicielle tels que la distribution Intel® du kit d'outils OpenVINO™ et la distribution Intel® pour Python.

BUILT IN - ARTICLE INTRO SECOND COMPONENT

La propagation rapide de la maladie respiratoire aiguë 2019-nCoV (ci-après « COVID-19 ») a représenté un défi soudain et très exigeant envers les capacités de diagnostic rapide des institutions médicales. Le développement de l'analyse intelligente et du diagnostic assisté par ordinateur d'images médicales grâce aux techniques d'intelligence artificielle (IA) a offert une solution efficace à ces nouveaux défis. Huiyi Huiying Medical Technology Co., Ltd. (HYHY) se spécialise dans l'application et le développement des technologies de vision par ordinateur et d'apprentissage profond (deep learning). En utilisant sa plateforme d'IA brevetée Dr. Turing, la plateforme Radcloud de données et d'analyse d'IA dans le Cloud, et le produit Novacloud d'imagerie intelligente dans le Cloud, HYHY a fourni aux institutions médicales une solution d'imagerie médicale à cycle complet, de haute performance et basée sur l'IA, capable de diagnostiquer avec succès des douzaines de maladies (y compris COVID-19).

La plateforme d'IA Dr Turing est la pierre angulaire de la solution HYHY et se concentre sur le diagnostic assisté par ordinateur des images médicales. Elle fournit aux hôpitaux et aux patients une analyse par IA des images médicales ainsi que des rapports structurés pour plus de 10 types différents de maladies courantes. Le produit Cloud d'imagerie intelligente Novacloud exploite l'interactivité par IA de bout en bout des services Cloud pour fournir des services plus pratiques aux médecins, patients et administrateurs d'hôpitaux. RadCloud, la plateforme de big data et d'analytique par IA, est un outil de recherche important pour les institutions médicales. Sa capacité à faciliter l'analyse scientifique des big data à partir d'une variété d'images accélère considérablement la vitesse à laquelle les nouvelles technologies en radiomique et dans d'autres disciplines peuvent être introduites dans l'industrie médicale.

Pour aider à optimiser les performances de la solution d'imagerie médicale par IA en cycle complet, Intel a proposé à HYHY des technologies telles que les processeurs Intel® Xeon® Scalable de 2e génération avec Intel® Deep Learning Boost (Intel® DL Boost) en tant que moteur de traitement central de cette solution, et des outils d'optimisation des logiciels tels que le kit d'outils OpenVINO™ et la distribution Intel® pour Python. Grâce aux avantages apportés par l'accélération synergétique logiciel-matériel, la plateforme d'IA Dr Turing a permis d'améliorer considérablement la vitesse d'inférence dans des scénarios d'analyse d'images tels que le dépistage de la COVID-19 et la détection du cancer du sein. L'optimisation de la plateforme Radcloud de big data et d'analytique par IA a permis d'augmenter considérablement la vitesse de traitement de la solution d'analyse radiomique.

La propagation soudaine et rapide de la COVID-19 a représenté un sérieux défi pour les institutions médicales, tant en Chine que dans le monde entier.

Avantages de la solution d'imagerie médicale par IA à cycle complet de HYHY

  • Dans les scénarios d'analyse d'images de tomodensitométrie (CT) pulmonaire liés à la COVID-19, la combinaison de la forte puissance de calcul des processeurs Intel Xeon Scalable de 2e génération et des optimisations grâce au kit d'outils OpenVINO a réduit le temps d'inférence moyen de la plateforme d'IA Dr Turing à seulement 35 % de la plateforme d'origine.1.
  • Dans les scénarios d'analyse d'images du cancer du sein, le modèle de détection, construit sur la plateforme d'IA Dr Turing basée sur des processeurs Intel Xeon Scalable de 2ème génération et l'accélération d'inférence INT8 fournie par son Intel DL Boost intégré, a eu une vitesse d'inférence jusqu'à 8,24 fois supérieure avec une perte de précision inférieure à 0,17 % après avoir été converti et optimisé avec le kit d'outils OpenVINO.2.
  • La distribution Intel pour Python combinée à la puissance de calcul des processeurs Intel Xeon Scalable de 2e génération a permis d'augmenter de 2,08 à 2,12 fois la vitesse d'inférence de la solution d'analyse radiomique basée sur la plateforme d'analyse de données et d'IA Radcloud.3.

La mission de Huiyi Huiying a toujours été d'accélérer la vitesse d'analyse de l'imagerie médicale grâce à la technologie de l'IA et d'aider les institutions médicales à achever le passage de l'informatisation à l'intellectualisation, permettant ainsi à plus de patients de bénéficier d'une technologie médicale intelligente. L'introduction de logiciels, de produits matériels et de technologies avancés tels que les processeurs Intel Xeon Scalable de 2e génération, le kit d'outils OpenVINO et la distribution Intel pour Python a considérablement amélioré les performances de traitement des plateformes activées dans nos solutions d'imagerie médicale ». —Chai Xiangfei, PDG et fondateur, Huiyi Huiying

Les principes de contrôle de la COVID-19 sont essentiellement les mêmes que ceux de la prévention et du contrôle d'autres maladies infectieuses : détection précoce, diagnostic et traitement. Les termes « détection précoce » ou « diagnostic précoce » désignent le moment où les individus infectés sont identifiés à temps parmi les groupes suspects. Cette étape est cruciale et permet une mise en quarantaine et un traitement précoces. Comme le montre la figure 1, les hôpitaux chinois utilisent généralement le test d'acide nucléique (NAT) comme principale méthode de diagnostic de la COVID-19 et l'angiographie pulmonaire par tomographie assistée par ordinateur (CTPA) comme méthode secondaire.

Figure 1 Méthodes de dépistage et de diagnostic de la COVID-19.

Le NAT est rapide et pratique, mais il est influencé par des facteurs tels que la charge virale du sujet, les mutations virales, l'extraction efficace de la RNA viral et la bonne manipulation des échantillons. Le test a une certaine marge d'erreur et peut donner de faux négatifs. Le CTPA analyse les images des poumons et recherche des changements pathologiques chez le patient. Sa sensibilité est supérieure à celle du NAT pour les premiers symptômes de la COVID-19. Un rapport a révélé que lors des tests effectués sur 51 patients, la sensibilité du CTPA à la COVID-19 était de 98%, bien plus élevée que la sensibilité du NAT (réaction de la chaîne de transcription inverse de la polymérase, RT-PCR)..4

Le « seuil » d'application du CTPA est bien plus élevé que celui du NAT, car le médecin doit être formé à l'analyse des images CT et connaître les signes cliniques de la COVID-19. Par exemple, l'opacité en verre dépoli (GGO) est l'un des signes les plus courants de la COVID-19 et une manifestation importante pour de nombreux types de pneumonie et d'infections pathogènes. Les médecins qui analysent des images de tomodensitométrie en 2D conventionnelles doivent souvent faire des comparaisons répétées pour vérifier leur diagnostic. Un diagnostic de consultation multidisciplinaire peut même être nécessaire dans des situations plus complexes. Ce type de réponse entraînera évidemment des retards dans la lutte contre la pandémie en cas d'apparition d'un foyer.

Pour surmonter ce problème et permettre au CTPA de jouer un rôle plus opportun et plus important dans la prévention et le contrôle des pandémies, HYHY, leader mondial dans les applications et la recherche sur l'IA dans l'imagerie médicale, a déployé sa plateforme d'IA Dr Turing pour fournir un dépistage rapide de la COVID-19.

Des optimisations synergiques logiciel-matériel accélèrent le dépistage de la COVID-19

La plateforme d'IA Dr Turing fait partie de la solution d'imagerie médicale d'IA complète de HYHY et se concentre sur le diagnostic d'image médicale assistée par IA. Elle offre aux hôpitaux et aux patients deux fonctions principales, les « applications assistées par l'IA de plusieurs maladies » et le « rapport structuré ». En plus du diagnostic assisté par l'IA de plus de 10 maladies courantes, la plateforme fournit également une segmentation automatisée des lésions, la détection et la mesure ainsi que des rapports structurés contenant des informations sur le classement **-RADS. La plateforme améliore l'efficacité du diagnostic de l'hôpital et aide les patients à obtenir un traitement plus précis.

Bien que la plateforme d'IA Dr Turing soit une solution vérifiée et éprouvée, elle avait toujours besoin de certaines optimisations et mises à niveau spécifiques pour gérer la COVID-19. Ces optimisations et mises à niveau (illustrées dans la Figure 2) comprennent la plateforme nécessaire pour recueillir de grandes quantités de données sur la COVID-19 pour que les médecins les marquent, puis les algorithmes d'apprentissage profond intégrés ont été utilisés pour mettre en œuvre une segmentation et une mesure précises des lésions liées à la pneumonie. La plateforme devait également intégrer des modèles d'algorithmes d'apprentissage profond tels que Inception V4 et Inception ResNet V2 pour reconstruire des segments de CT bi-dimensionnels en un modèle tri-dimensionnel affichant l'emplacement, la taille, le changement de surface et le degré de gravité de la lésion de manière plus claire et plus distincte. Il peut fournir aux médecins une analyse d'image pathologique plus complète, ce qui permet des jugements plus efficaces et plus précis.

Figure 2 le dépistage de la COVID-19 avec la plateforme d'IA Dr. Turing de HYHY

Les optimisations ci-dessus conçues pour le dépistage CT de la COVID-19 ont entraîné une augmentation de la quantité et de la complexité des calculs nécessaires lors de l'exécution des processus d'inférence pour la plateforme d'IA Dr. Turing Pour maintenir les performances d'inférence à un niveau satisfaisant dans de tels cas, HYHY s'est associé à Intel pour exploiter la puissance de calcul offerte par les processeurs Intel Xeon Scalable de 2e génération. Le kit d'outils OpenVINO a également été introduit pour réviser l'ensemble du pipeline avec le moteur d'inférence fourni par ce kit d'outils. Les outils d'optimisation intégrés dans le kit d'outils OpenVINO ont été utilisés pour convertir les modèles de réseaux Nested U-Net et HR-Net existants, construits avec le cadre de deep learning PyTorch, en modèles pouvant tirer profit de ce kit d'outils. Les résultats des bancs d'essai (figure 3) montrent que l'ensemble du processus a pris jusqu'à 140,3 secondes avant l'optimisation, tandis que le temps d'inférence pour chaque échantillon de données n'était que de 48,47 secondes après l'optimisation. L'inférence a été améliorée pour ne prendre que 35 % du temps précédent, soit une augmentation de 2,89x des performances.5.

Figure 3 Comparaison des performances du modèle de détection du CT de la COVID-19 avant et après avoir été optimisé avec le kit d'outils OpenVINO.

Ces améliorations des performances ont permis un examen beaucoup plus rapide des images du CT de la COVID-19. En fait, ce n'était pas la première fois que la plateforme d'IA Dr Turing utilisait l'optimisation synergique logiciel-matériel d'Intel pour réaliser une solide accélération de l'IA. HYHY avait déjà adopté la combinaison logiciel et matériel, qui est au cœur de la technologie d'accélération d'IA de la plateforme Intel Xeon Scalable, lorsqu'ils ont pris le modèle du réseau neuronal convolutif (CNN) ResNet50 comme base et ont développé le modèle de détection cible RetinaNet pour la formation et l'inférence sur le dépistage du cancer du sein.

Le kit d'outils OpenVINO comprend de nombreux types d'outils d'optimisation intégrés et de modèles de formation. Le kit d'outils est capable d'optimiser les modèles formés par la compression, l'accélération et d'autres techniques pour améliorer la vitesse d'inférence. La méthode d'optimisation utilisée à l'époque par HYHY consistait à optimiser le modèle FP32 pour la détection du cancer du sein avec ce kit d'outils. La vitesse d'inférence du modèle optimisé était 3,02 fois supérieure au modèle original ; HYHY a ensuite exploité le kit d'outils OpenVINO pour convertir le modèle FP32 susmentionné en modèle INT8. L'Intel DL Boost, intégré dans les processeurs Intel Xeon Scalable de 2e génération, a été mis à profit pour accélérer l'INT8 sans sacrifier la précision du modèle. Ces améliorations ont permis d'augmenter la vitesse d'inférence de 8,24 fois avec une diminution de la précision de moins de 0,17 %.6.

Figure 4 Comparaison des performances du modèle de détection du CT de la COVID-19 avant et après avoir été optimisé avec le kit d'outils OpenVINO.

Tant dans l'accélération du dépistage du CT de la COVID-19 que dans l'optimisation de la détection du cancer du sein par IA, le succès de HYHY a montré que l'utilisation combinée de processeurs Intel Xeon Scalable de 2e génération et du kit d'outils OpenVINO permettait une synergie dans les scénarios d'analyse d'images médicales supérieure à la somme de ses parties. Ce succès a en outre prouvé que le déploiement et l'exploitation d'applications d'imagerie médicale d"IA sur l'infrastructure informatique basée sur processeur présente dans de nombreux établissements médicaux étaient non seulement faisables mais aussi très efficaces.

Développement d'une solution d'imagerie médicale d'IA à cycle complet

La performance exceptionnelle de la plateforme d'IA Dr Turing dans la détection et l'aide au diagnostic de la COVID-19 a représenté une autre étape importante dans la collaboration entre HYHY, Intel et d'autres partenaires pour aider les institutions médicales à franchir l'étape critique qui consiste à passer de l'informatisation à l'intellectualisation grâce à l'innovation conjointe.

Le développement rapide de l'informatique médicale a permis l'adoption généralisée d'une variété d'équipements et de systèmes d'information médicaux. Les dispositifs d'imagerie médicale en particulier sont utilisés dans un nombre croissant d'applications et sont devenus un outil important pour les institutions médicales et les départements de recherche médicale, fournissant un soutien essentiel pour « plus de 70% des diagnostics cliniques ».7. Cependant, seul le déploiement de matériel informatique, motivé par une stratégie d'informatisation, est loin d'être suffisant pour améliorer la qualité des soins dans les établissements médicaux. De nombreux patients sont encore confrontés à de longues files d'attente ou à une mauvaise interprétation des images médicales, ce qui reste fréquent dans le diagnostic de maladies telles que la tuberculose (TB), le cancer du sein, le cancer de la prostate et les fractures osseuses, où les ressources médicales sont insuffisantes.

Cela est dû au fait que l'analyse des images médicales nécessite non seulement le bon équipement, mais aussi des médecins formés et compétents en médecine clinique, en radiologie et en imagerie médicale. Ces médecins doivent non seulement posséder les connaissances et les compétences nécessaires, mais aussi être capables d'appliquer de nombreuses techniques analytiques différentes pour réaliser un diagnostic assisté. Même les grands hôpitaux connaissent une pénurie de médecins bien formés dans toutes ces compétences.

Figure 5 Solution d'imagerie médicale d'IA de HYHY conçue pour être déployée dans différents scénarios.

Ainsi, une fois que les institutions médicales ont terminé le déploiement de leur infrastructure d'information préliminaire, beaucoup se tournent vers les technologies et techniques émergentes telles que l'IA, le big data et le Cloud computing pour réaliser leurs objectifs de transformation intelligente. C'est pour cette raison que HYHY a développé des produits avancés tels que la plateforme d'IA Dr Turing, le Cloud d'imagerie intelligente Novacloud et la plateforme Radcloud de données et d'analyse d'IA dans le Cloud. Une variété de formats de déploiement, y compris le Cloud public, le Cloud privé ou un dispositif tout-en-un, fournissent aux institutions médicales une solution intelligente d'imagerie médicale par IA à cycle complet et aux performances élevées.

La plateforme d'IA Dr Turing fournit une analyse par IA d'imagerie médicale frontale à la fois efficace et pratique, ainsi qu'une capacité de diagnostic assistée. Le Cloud d'imagerie intelligente Novacloud fournit aux institutions médicales et aux patients une capacité d'interaction par IA de bout en bout basée sur le Cloud. Comme le montre la figure 6, pour les médecins, lorsqu'il est intégré à la plateforme d'IA Dr Turing, le Cloud d'imagerie intelligente Novacloud offre des fonctions telles que la visualisation d'images AI multi-terminales, le télédiagnostic conjoint et les recommandations de médecins. Pour les patients, le Cloud d'imagerie intelligente Novacloud fournit des fonctions telles que l'interprétation intelligente du rapport basé sur le traitement du langage naturel (NLP), la téléconférence experte et l'affichage d'images multi-terminales. Pour les institutions médicales, le Cloud d'imagerie intelligente Novacloud fournit non seulement une assistance à la plateforme de big data, d'analyse par IA et de Cloud, mais permet également aux administrateurs de configurer le tableau de bord. Celui-ci affiche le diagnostic, le traitement et la recherche de manière plus intuitive, et permet d'ajuster les politiques et les stratégies connexes selon les besoins.

Figure 6 Cloud d'imagerie intelligente Novacloud servant de pièce finale de la solution d'imagerie médicale par IA à cycle complet.

La distribution Intel® pour Python améliore la productivité de la recherche médicale

En plus de la plateforme d'IA Dr Turing et du Cloud d'imagerie intelligente Novacloud, les piliers de la solution d'imagerie médicale par IA à cycle complet de HYHY comprennent également la plateforme de big data et d'analyse par IA de RadCloud, qui est conçue pour prendre en charge la recherche médicale.

Actuellement, de nombreuses institutions médicales utilisent des technologies d'imagerie médicale telles que le CT, le RIM et le PET pour la détection précoce et le traitement du cancer et d'autres maladies malignes En tant que premier développeur de solutions de radiomiques, HYHY utilise la plateforme de big data et d'analyse par IA RadCloud comme base pour fournir aux institutions médicales une fonctionnalité d'analyse de big data complètes et centralisées pour les images médicales, afin d'accélérer le développement et l'application de nouvelles technologies radiomiques.

Pour mieux comprendre le rôle joué par la plateforme Radcloud de big data et d'analyse par IA dans la recherche en radiomique, nous devons d'abord comprendre la signification de la radiomique. En termes simples, la radiomique désigne le processus par lequel des images médicales sont converties en données de caractéristiques d'images à haut débit pour l'exploration de données, après quoi certaines techniques de criblage sont utilisées pour extraire les caractéristiques radiomiques ayant le plus de valeurs. Une formation au modèle d'IA est ensuite dispensée pour créer un modèle de valeurs pour le diagnostic, le pronostic ou la prédiction. L'objectif ultime est de fournir un soutien efficace pour un traitement précis et personnalisé.

Figure 7 Processus analytique de base en radiomique.

Comme le montre la figure 7, le processus radiomique de base peut être divisé en collecte de données, segmentation de la VOI, extraction de caractéristiques, sélection de caractéristiques, formation du modèle, évaluation du modèle et prédiction du modèle. Pendant la phase d'extraction des caractéristiques, la plateforme tentera d'extraire le plus grand nombre possible de caractéristiques de données pour identifier les détails de l'image médicale. À ce stade, la plateforme peut rencontrer des problèmes causés par la « malédiction de la dimensionnalité ». Autrement dit, pour une taille d'échantillon donnée, à mesure que le nombre de dimensions d'entrée augmente, les données spatiales deviennent plus rares, ce qui a un impact majeur sur la performance prédictive du modèle, augmentant considérablement la charge de calcul de la plateforme et réduisant l'efficacité de l'inférence.

Pour surmonter ce problème, HYHY et Intel ont choisi d'utiliser des algorithmes de sélection de caractéristiques tels que LASSOCV et PCA pour protéger efficacement la plateforme de recherche contre la malédiction potentielle de la dimensionnalité et aider à minimiser la perte de données de la plateforme pendant la compression. L'efficacité de ces algorithmes de fonctionnalités a été améliorée grâce à l'introduction de processeurs Intel Xeon Scalable de 2e génération comme base de calcul de la plateforme de recherche. Leurs performances d'exécution globales ont quant à elles été optimisées grâce au déploiement de la distribution Intel pour Python afin d'optimiser les performances globales d'exécution.

La distribution Intel pour Python diffère du Python natif car elle contient les dernières instructions vectorielles, prend en charge une plus grande variété de bibliothèques Intel® telles qu'Intel® MKL et prend également en charge d'importantes bibliothèques d'IA tierces telles que sklearn, ce qui augmente considérablement l'efficacité d'exécution de la plateforme lors de la sélection des fonctionnalités.

La figure 8 montre les résultats de l'optimisation de l'algorithme. La partie gauche montre la charge de travail de l'algorithme LASSOCV lorsque toutes les caractéristiques radiomiques sont sélectionnées avec la validation croisée K-Fold 10. La distribution Intel pour Python a été 2,12x plus rapide que le Python natif. La partie droite montre la charge de travail de l'algorithme LASSOCV + PCA lorsque toutes les caractéristiques radiomiques sont sélectionnées avec la validation croisée K-Fold 10. La distribution Intel pour Python a été 2,08x plus rapide que le Python natif .6.

Figure 8 Comparaison des performances entre la distribution Intel pour Python et Python natif.

Prise en charge par les capacités synergiques d'accélération logicielle et matérielle de la plateforme d'Intel Xeon Scalable, la plateforme de big data et d'analyse par IA de HYHY est actuellement utilisée pour faciliter la recherche sur plus de 20 maladies et a été utilisée avec succès pour appliquer plus de 20 subventions de projet. .8 Il est important de noter que la solution d'IA basée sur la radiomique de la plateforme a été appliquée à l'identification de précision et au diagnostic de la COVID-19, et a reçu de bons commentaires des utilisateurs dans des scénarios réels.

Perspectives d'avenir

La mise en œuvre et l'innovation continues de nouvelles technologies telles que l'IA et le big data vont révolutionner toute l'industrie médicale. L'introduction de solutions d'imagerie médicale d'IA, en particulier, a permis de réaliser des percées dans de nombreuses maladies rares et auparavant incurables. Même les maladies infectieuses, qui pouvaient être dévastatrices autrefois, sont maintenant contrôlées plus efficacement grâce aux nouvelles technologies et plateformes.

À l'avenir, Intel continuera à travailler avec HYHY et d'autres partenaires pour promouvoir l'application de produits et de technologies plus avancés, en particulier ceux liés à l'IA et à l'analyse des données, pour répondre aux besoins de l'industrie médicale, accélérant le passage des institutions médicales de l'informatisation à la transformation intelligente. Intel et ses partenaires travailleront également ensemble pour développer des solutions médicales intelligentes plus diversifiées et plus utiles, au bénéfice de la santé de l'ensemble de la population.

Découvrez les produits et solutions associés

Processeurs Intel® Xeon® Scalable

Générez des données exploitables, comptez sur la sécurité matérielle et mettez en place des prestations de services dynamiques avec les processeurs Intel® Xeon® Scalable.

En savoir plus

Intel® Deep Learning Boost

Les processeurs Intel® Xeon® Scalable font franchir un nouveau seuil de performances aux applications d'IA grâce à Intel® Deep Learning Boost.

En savoir plus

Kit d'outils OpenVINO™

Construisez rapidement des solutions complètes de vision par ordinateur sur l'architecture Intel® et notre framework de deep learning.

En savoir plus

Infos sur le produit et ses performances

1 Les données sont basées sur les résultats des tests internes de HYHY selon la configuration suivante : Processeur : Intel® Xeon® Gold 6252N à deux sockets, 2,30 GHz ; Cœurs/threads : 24/48 ; Système d'exploitation : Ubuntu 18.04.4 LTS ; version du cadre de deep learning PyTorch : 1.5.1 ; distribution Intel® de la version du kit d'outils OpenVINO™ : R2020.3.194 ; Modèle réseau : Nested U-Net, HR-Net
2 Les données sont basées sur les résultats des tests internes de HYHY : Https://builders.intel.com/docs/aibuilders/huiying-medical-technology-optimizes-breast-cancer-early-screening-and-diagnosis-with-intel-ai-technologies.pdf. Configuration de test : Processeur : Intel® Xeon® Platinum 8268 double socket, 2.90 GHz ; Coeurs/threads : 24/48 ; version de la distribution Intel® du kit d'outils OpenVINO™ : 2019R2 ; ensemble de données : 366 images radiographiques de mammographie avec une résolution d'image de 1280x640 fournies par HYHY
3 Les données sont basées sur les résultats des tests internes HYHY selon la configuration suivante : Processeur : Double socket Intel® Xeon® Gold 6252, 2,1 GHz, 24 cœurs, 48 threads ; Mémoire : 192 Go de DRAM ; Stockage : INTEL SSDSC2BB48 ; version BIOS : SE5C620.86B.02.01.0009.092820190230 ; Système d'exploitation : 18.04.1 LTS ( Kernel : 4.15.0-91-generi) ; Version Python native : Python2.7.17 ; Distribution Intel® pour la version Python* : Intel-Python2019U5 ; Charge de travail : Formation à la classification des images médicales fournies par HYHY
4 Données citées sur « Sensitivity of Chest CT for COVID-19: Comparison to RT-PCR » (Sensibilité du CT thoracique pour la COVID-19 : comparaison au RT-PCR) :https://pubs.rsna.org/doi/10.1148/radiol.2020200432.
5Les données sont basées sur les résultats des tests internes de HYHY selon la configuration suivante : Processeur : Intel® Xeon® Gold 6252N à deux sockets, 2,30 GHz ; Cœurs/threads : 24/48 ; Système d'exploitation : Ubuntu 18.04.4 LTS ; version du cadre de deep learning PyTorch : 1.5.1 ; distribution Intel® de la version du kit d'outils OpenVINO™ : R2020.3.194 ; Modèle réseau : Nested U-Net, HR-Net
6 Les données sont basées sur les résultats des tests internes de HYHY : Https://builders.intel.com/docs/aibuilders/huiying-medical-technology-optimizes-breast-cancer-early-screening-and-diagnosis-with-intel-ai-technologies.pdf. Configuration de test : Processeur : Intel® Xeon® Platinum 8268 double socket, 2.90 GHz ; Coeurs/threads : 24/48 ; version de la distribution Intel® du kit d'outils OpenVINO™ : 2019R2 ; ensemble de données : 366 images radiographiques de mammographie avec une résolution d'image de 1280x640 fournies par HYHY
7 Données citées à partir de statistiques internes tenues par HYHY. Pour plus d'informations, veuillez consulter l'article « HYHY Overall AI Solution for Medical Imaging » (Solution globale d'IA HYHY pour l'imagerie médicale)
8 Données citées dans le document interne de HYHY « Application of Radiomics in Medical Imaging and Case Studies » (Application de la radiomique dans l'imagerie médicale et les études de cas)