Dünya Sağlık Örgütü’ne (WHO) göre, dünyada her yıl 3.6 milyar tıbbi görüntüleme testi gerçekleştirilmektedir. Bu testler, çeşitli sağlık sorunlarını teşhis etmek, izlemek ve tedavi etmek amacıyla yapılmaktadır. Bu görüntülerin çoğu, DICOM (Dijital Görüntüleme ve Tıbbi İletişim) adı verilen küresel bir standartta depolanmaktadır. DICOM formatındaki görüntüleme çalışmaları, yapılandırılmamış görüntülerin ve yapılandırılmış meta verilerin bir kombinasyonunu içermektedir.
Ancak, tipik veri yönetim sistemleri, yapılandırılmamış veri türlerini barındırmakta yetersiz kalmaktadır. Veri gölleri ise, bu görüntüleme incelemelerinin arama, yönetişim ve erişilebilirliği için kritik olan meta verileri kataloglayıp depolamakta zorluk yaşamaktadır. 2021 yılında geliştirilen Databricks Pixels 0.6, bu sorunların birçoğunu ele alarak, tıbbi görüntüleme verilerinizi Databricks Veri Zekası Platformu içerisinde alma, yönetme ve kataloglama için ölçeklenebilir bir ortam sağlamaktadır.
Daha Fazla Entegrasyon ile Gelen Yenilikler
Şimdi, Databricks Pixels 2.0 Çözüm Hızlandırıcısı ile birlikte, NVIDIA’nın hızlandırılmış hesaplama platformları ile MONAI entegrasyonları gibi ek iyileştirmeler yapılmıştır. MONAI, tıbbi görüntüleme alanındaki araştırma ve klinik iş birliğini hızlandırmaya yönelik açık kaynak çerçeveler setidir. Bu entegrasyon, sağlık hizmetleri görüntülerini alma, yönetme ve analiz etme konusundaki uçtan uca yetenekler sunarak klinik analizde anlamlı şekilde yardımcı olmaktadır.
Yapay Zeka Destekli Tıbbi Görüntüleme
Tıptaki en önemli gelişmelerden biri, yapay zekanın tıbbi görüntülemeye entegrasyonudur. Yapay zeka destekli sistemler, radyolojide iş akışlarını düzenleyerek, radyologların iş yükünü azaltmakta ve hasta sonuçlarını iyileştirmektedir. Bu teknolojiler, görüntüleme çalışmalarındaki anormallikleri tespit etme, acil durumları önceliklendirme ve daha hızlı teşhis ile tedavi planlaması yapma imkanı sunmaktadır. Bu durum, görüntüleme hizmetlerine olan artan talebi ve radyoloji uzmanı açığını gidermekte kritik bir rol oynamaktadır.
Ancak, yapay zekanın bu vaatlerini yerine getirebilmesi için, görüntü dosyaları, elektronik sağlık kayıtları (EHR’ler), radyoloji raporları ve klinik veriler gibi çeşitli veri kaynaklarını bir araya getirmek gerekmektedir. Yine de, tıbbi görüntülemede yapay zeka entegrasyonu, model eğitimi ve operasyonalizasyonu için karmaşık MLOps iş akışları yönetimini zorlaştırmakta ve HIPAA ve GDPR gibi sıkı düzenlemelere uyum sağlama gerekliliği getirmektedir. Bu zorlukların üstesinden gelmek için etkili yönetişim, görünürlük ve verilere erişim sağlanmalıdır.
DICOM Kullanımının Zorlukları
DICOM, medikal görüntülerin farklı sistemler arasında taşınmasını ve yapısını tanımlayan küresel bir sağlık standardıdır. Genel olarak, bir DICOM dosyası, zengin meta verilerle dolu bir başlık ve bir veya daha fazla görüntü çerçevesi içeren piksel yoğunluk değerleri kümesinden oluşur.
DICOM dosya yapısı karmaşık bir yapıdadır; bu nedenle etiketler, değerli bilgileri içerirken genellikle yalnızca bir alt kümesi kullanılmaktadır. Tıbbi görüntüleme ve yaşam bilimleri analitik iş akışlarını geliştirme amacıyla yaptığımız keşiflerde, pek çok organizasyonun coplaştırılmış teknoloji çözümleriyle karşılaştığını gözlemledik. Bu tür bir tutarsızlık, kaynakların yönetimi konusunda büyük zorluklar yaratmaktadır.
Tıptaki farklı uzmanlık alanlarıyla bireysel olarak geliştirilmiş çeşitli çözüm yolları, sıkça karşılaştığımız bir durumdur. Bu tür bir teknolojik ayrışma, aşağıdaki sorunları meydana getirebilmektedir:
- 5-10 farklı araştırma grubu
- 5-10 farklı DICOM dosyası yönetim çözümü
- Kuruluş içinde birden fazla teknoloji kullanımı
- İzole veri yönetimi görevlerine ayrılmış önemli IT kaynakları
Yapay zekanın tıbbi görüntülemedeki potansiyelini tam olarak gerçekleştirebilmek için, DICOM gibi görüntü verilerini daha kolay yönetebilen araçlara ihtiyaç vardır.
Araştırma Takımları Üzerindeki Etkiler
Teknolojik ayrışma, biyoenformatikçiler, veri mühendisleri ve veri bilimcileri gibi ekip üyeleri için önemli zorluklar doğurmaktadır. Bu uzmanlar, uçtan uca iş akışlarını ölçeklendirme sorunları ile uğraşmak zorunda kalmaktadır. Birleşik ve akıcı bir yaklaşımın olmaması verimliliği sekteye uğratmakta ve kıymetli araştırma ilerlemelerini yavaşlatabilmektedir. Bu zorlukları aşarak entegre ve yönetilen çözümler geliştirmek, organizasyonların tıbbi görüntüleme analitiği alanındaki araştırma yeteneklerini ve sonuçlarını önemli ölçüde artırma fırsatı sunacaktır.
Databricks Pixels 2.0 Çözüm Hızlandırıcısının, NVIDIA’nın hızlandırılmış hesaplama platformları ve MONAI ile entegrasyonu, sağlık sektöründeki bireyleri güçlendirmeyi amaçlamaktadır. Bu avantajlar aşağıdaki gibidir:
- Hızlandırılmış araştırma: Araştırmacılar, tıbbi görüntüleme için yapay zeka modelleri geliştirme ve eğitme sürecini daha hızlı tamamlayabileceklerdir.
- Geliştirilmiş teşhis doğruluğu: Yapay zeka destekli görüntü analizi, radyologların anormallikleri daha yüksek bir hassasiyetle belirlemesini sağlayacaktır.
- Akıllı iş akışları: Çözüm hızlandırıcı, zaman alıcı görevleri otomatikleştirerek sağlık hizmeti sağlayıcılarının hasta bakımına daha çok odaklanmalarını sağlar.
- Artırılmış iş birliği: Platform, sağlık kurumları arasında daha kolay veri paylaşımına olanak tanıyarak alandaki yenilikleri teşvik eder.
Tüm sağlık alanındaki veri setlerinin birleştirilmesi ve yönetilmesi, Databricks Veri Zekası Platformu üzerinde yapılmaktadır. Bu, HL7 ve FHIR, DICOM gibi pek çok veri kaynağını optimize ederek analitik odaklı iş akışlarını desteklemektedir.
Databricks, türev meta verileri, özellikleri ve segmentleri bulut depolama hesabınıza alır, işler ve saklar. Bu Çözüm Hızlandırıcısı, indeksleme, kimlik gizleme ve MONAI Label Otomatik Segmantasyon modeline dayalı özellik çıkarımını gerçekleştirmektedir. Ayrıca, etiketleme ve zengin görselleştirme ile birlikte, etkileşimli makine öğrenimi (ML) aktif öğrenme iş akışlarını gerçekleştirir. Tüm bu işlemler, güvenli bir HIPAA uyumlu ve ölçeklenebilir bulut ortamında, yüzlerce ila milyarlarca DICOM görüntüsünü güvenilir bir şekilde işlemek için gerekli olan güvenceleri içinde barındırmaktadır.
Databricks Pixels Çözüm Hızlandırıcısının Evrimi
Databricks Pixels 0.6 Çözüm Hızlandırıcısının temel amacı, DICOM meta verilerinin alınması, indeklenmesi ve erişilebilirliğinin hızlandırılmasıydı. Pixels 0.6, DICOM dosyasını açarak başlıkta bulunan meta veri etiketlerini, tüm etiketleri ve birkaç görüntü metriğini çekmek için piyasada yaygın olarak kullanılan Pydicom ve GDCM kütüphanelerinden faydalandı.
Databricks müşterileri, verileri silolarından çıkararak entegre bir Lakehouse mimarisi aracılığıyla DICOM verilerini EHR, talepler ve genetik veri setleri ile kolayca birleştirebiliyor. Örneğin, UC Davis Health, Pixels kullanımından büyük fayda sağladığını belirtmiştir. UC Davis Health’in kurumsal veri mimarı Peter Paing Soe, “Pixels Çözüm Hızlandırıcısını, DICOM görüntülerini Databricks ortamımıza almak için kullanıyoruz. Birleşik Lakehouse platformumuz, öğretim üyeleri ve personelin, kapsamlı klinik veriler ve DICOM görüntülerine entegre erişim sağlamakta, bu sayede etkili Databricks hesaplama kaynakları ile bilgi paylaşımını artırmaktadır.” demektedir.
Databricks ve NVIDIA Arasındaki İş Birliği
Databricks Veri Zekası Platformu, veri ve yapay zeka işleme için ölçeklenebilir çözümler sunmaktadır. Databricks, kapsamlı yönetişim, veri işleme ve geniş bir yapay zeka hizmetleri yelpazesi sunar. NVIDIA ise, yüksek kaliteli önceden eğitilmiş modeller (MONAI gibi) ile birlikte hızlandırılmış hesaplama (GPU) sağlamaktadır. NVIDIA, MONAI ve Open Health Imaging Foundation (OHIF) topluluklarının ana sponsorudur.
Pixels 2.0 Tıbbi Görüntüleme Çözüm Hızlandırıcısı, Databricks ve NVIDIA bileşenlerini bir araya getirerek bir referans uygulama ve iyi bir şekilde yönetilen bir mimari sağlar. Pixels 2.0, dakikalar içinde kurulmakta ve bir saat içerisinde çalıştırılabilmektedir.
Databricks Pixels 2.0 Çözüm Hızlandırıcısının Ana Özellikleri
Pixels 2.0, aşağıdaki ana yetenekleri sağlamaktadır:
- Akış, artımlı ve tam tarihsel yükleme ve işleme: Tarihsel yükleme, artımlı yükleme (örneğin, her gün veya her saat) veya sürekli bir akış şeklinde veri alma, sıkıştırmayı açma, indeksleme ve kimlik gizleme, yapay zeka tabanlı segmentasyon ve ilave featurizasyon gerçekleştirme.
- Birleşik yönetim ve veri paylaşımı ile Unity Catalog: Ham verileri, etiketlerden kaynaklanan karmaşık yapılandırılmış verileri, türetilmiş toplamları ve grupları, ve yapay zeka modellerini yönetin.
- Korunan Sağlık Bilgisi (PHI) redaksiyonu: Açık kaynak veya ticari paketler aracılığıyla PHI etiketlerini ve görüntü verilerini de-identify etmek.
- Sıfırdan ölçeklenebilir model sunma, çıkarım, segmentasyon ve aktif öğrenme: IoT ortamında makine öğrenimi yapısını maliyet etkin bir şekilde uygulamak.
- Etkin OHIF görüntüleyici ve etiketleme, entegre bir Lakehouse Uygulaması: İnsan merkezli iş akışlarında, lakehouse’da saklanan görüntülerin görselleştirilmesi, etiketlenmesi ve ML işlemlerinin komutlandırılması.
- Açık API’ler ve Delta Paylaşımı, Temiz Odalar: Departmanlar ve cihazlar arasındaki etkileşimi güçlendirin.
Şekil 2’deki referans çözüm mimarisi diyagramı, Databricks Pixels 2.0 Çözüm Hızlandırıcısının bir araya getirdiği yetenekleri özetlemektedir.
Bu yetenekleri tek bir Çözüm Hızlandırıcısı altında toplamış olmak, organizasyonların iş akışlarını optimize etmelerini, karmaşık mimarilerin azaltılmasını ve ihtiyaç duydukları ölçeği elde etmelerini sağlamaktadır.
Tıbbi Görüntüleme Verilerini Verimli Bir Şekilde İşleme
Databricks ve MONAI birlikte, sağlık sektörünün en acil sorunlarından birini ele alma imkanına sahiptir: her gün üretilen büyük miktarlardaki tıbbi görüntüleme verilerini verimli bir şekilde işlemek. MONAI Label, tıbbi görüntülerin etiketlenmesi ve segmentasyonu için makine öğrenimi modelleri oluşturma, eğitme ve dağıtma konusunda akıllı bir araçtır.
MONAI, etiketleme gereksinimlerini %75 oranında azaltarak veri etiketleme sürecini kolaylaştırmaktadır. Bu araç, CT taramaları içindeki pikselleri ve voksel otomatik segmentasyonunu sağlamakta, 1.000’den fazla DICOM görüntü çerçevesini içeren bir görüntüleme çalışmasında organların kesin şekilde temsil edilmesine olanak tanımaktadır.
Bu çaba, batch, akış ve gerçek zamanlı çıkarım modlarında CT görüntülerinin üretim ölçeğinde otomatik segmentasyonunu tanıtmaktadır. Model, Databricks Unity Catalog’a kaydedilir, çalışma zamanı sırasında modeli ve ağırlıkları yükler ve bu DICOM dosyaları üzerinde tahmin yapar.
Etkin kullanım senaryoları için MONAI Label, GPU tabanlı, sıfıra ölçeklenebilir bir son noktaya dağıtılmaktadır. Model son noktası tamamen yönetilmekte ve yeni “şampiyon” model versiyonları otomatik olarak üretime alınmaktadır. Güvenli model sunum son noktası, etkileşimli veri uygulamaları oluşturmayı kolaylaştırmaktadır. Örneğin, OHIF görüntüleyici, entegrasyonu ve yönetimi kolay bir açık kaynaklı tıbbi görüntüleme görüntüleyicisidir.
Aktif öğrenme iş akışı, CT taramasının belirli kısımlarını etiketlemeyi, anotasyonları (etiketleri) Databricks’e geri kaydetmeyi ve ardından Databricks yönetimindeki bir makine öğrenimi GPU kümesinde modeli yeniden eğitmeyi içerir. Bu aktif öğrenme süreci tamamen OHIF görüntüleyicisi ile etkileşim kurarak sürdürülmektedir.
Başlamak İstiyor Musunuz?
Sağlık hizmetlerinin geleceği veri odaklıdır. Databricks Pixels 2.0 çözümü ile NVIDIA’nın hızlandırılmış hesaplama platformları ve MONAI entegrasyonu, sağlık görüntülerinin alma, yönetme ve analiz etme yeteneklerini önemli ölçüde artırmıştır.
Databricks Pixel 2.0 kullanarak CT çalışmaları sergileyen, yapay zeka ile ön etiketleme yapan ve kullanıcıların düzeltmeler yapmasına imkan tanıyan bir proof of concept uygulaması hızlıca geliştirebilirsiniz. Daha sonra, modelin gerçek zamanlı güncellemelerle ince ayarını yapabilirsiniz.
Databricks-NVIDIA Çözüm Hızlandırıcısını keşfetmek için adımları takip edin:
- Databricks iş alanınıza giriş yapın veya hızlı kurulum deneyimi ile yeni bir deneme hesabı oluşturun. ‘Profesyonel’i seçin.
- GitHub reposunu çatallayın ve Databricks iş alanınızdaki bir repo klasörüne kopyalayın.
- Örnek alma ve segmentasyon boru hattını oluşturmak için Databricks kümesinde RUNME defterini çalıştırın.
- Lakehouse Uygulamanızı veya aktif öğrenme ayarınızı dağıtmak için README’de belirtilen ek defterleri gözden geçirin.
Daha fazla destek için Databricks veya NVIDIA hesap ekibinize ulaşabilirsiniz. Ayrıca databricks-industry-solutions/pixels GitHub sayfasını ziyaret ederek sorularınızı veya sorunlarınızı iletebilirsiniz. MONAI hakkında daha fazla bilgi edinmek için MONAI Hızlı Başlangıç Kılavuzu ve MONAI Model ZOO‘na göz atabilirsiniz.
