Vous devez être connecté pour accèder à cette archive.

Se connecter
X
Composants > Electronique/optique

Modélisation parcimonieuse : vers une IA embarquée pour l’imagerie médicale

Publié le 06 octobre 2020 par Patrick RENARD
Premiers Computer-on-Modules de Congatec supportant le logiciel Sparse Modeling d’Hacarus (source Congatec).
Crédit photo : 03-conga-QA5s-V2 allongée

Moins gourmande en ressources et en données que l'intelligence artificielle traditionnelle, la modélisation parcimonieuse peut être embarquée avantageusement sur des modules processeurs, pour répondre, en particulier, aux besoins des applications de détection de maladies rares.

Par Zeljko Loncaric, ingénieur marketing chez Congatec AG

L'intelligence artificielle (IA) a un gros potentiel pour améliorer la performance et la précision d’un diagnostic d'imagerie médicale. Mais les approches classiques de l'IA présentent certains inconvénients :

  • L'apprentissage profond basé sur la vision doit traiter chaque détail d'une image pour pouvoir fournir des résultats fiables. C'est une activité qui exige beaucoup de puissance et de calcul.
  • L'IA conventionnelle a besoin d'une grande quantité d'images classifiées pour faire des prévisions fiables. Cela réclame également beaucoup de temps et d'énergie.
  • Dans la vraie vie, les données de formation nécessaires ne sont pas disponibles en quelques jours ou semaines. La collecte d'images de milliers de patients peut prendre des années.
  • L'IA conventionnelle a toujours besoin d'une formation de niveau serveur par apprentissage profond avant de pouvoir compiler un algorithme d'inférence capable de prendre des décisions d'ordre médical.
  • L'intégration de l'IA via une logique d'inférence dans les systèmes embarqués des dispositifs médicaux exige des performances plus élevées. Les systèmes embarqués qui n'ont pas de marge supplémentaire pour leur enveloppe thermique risquent de perdre de leur longévité avec l'IA.

50 images au lieu de 1000

Facilité d'intégration et évolutivité

L'empreinte réduite et l'efficacité énergétique du Sparse Modeling facilitent la mise en œuvre de l'IA par les OEM de systèmes de vision, avec souvent la possibilité de réutiliser des solutions de plate-forme existantes. Les OEM peuvent ainsi équiper leurs dispositifs d'une IA préformée qui continue d'apprendre en cours d'exploitation. En outre, les OEM peuvent former l'IA et améliorer continuellement la logique d'inférence en l'utilisant dans les hôpitaux universitaires et les instituts de recherche. Une fois qu'un nouveau modèle est validé par des experts, l'OEM peut le charger sur les systèmes de ses clients afin qu'il soit disponible partout.

Si les OEM permettent une formation décentralisée et utilisent les résultats, ils peuvent encore améliorer la précision de la logique de l'IA au travers de l'intelligence distribuée. Avec la modélisation parcimonieuse, les besoins de performance supplémentaires sont si faibles que, en général, les solutions matérielles existantes peuvent continuer à être utilisées. Avec les cartes porteuses spécifiques à l'application, même les mises en œuvre basées sur FPGA pour les systèmes de diagnostic mobiles et portables sont possibles et réduisent encore la consommation d'énergie requise de la logique d'IA. Un équilibre optimal des performances est encore meilleur avec les Computer-on-Modules, tels que ceux proposés par Congatec.

La modélisation parcimonieuse, traduction de Sparse Modelling, offre une approche différente et une voie plus large pour intégrer l'IA dans les applications médicales basse consommation. En substance, la modélisation ne concerne que les données axées sur l'identification de caractéristiques uniques. Il s'agit d'interpréter les données comme le fait notre cerveau, de façon globale, plutôt que d'examiner chaque cheveu et chaque millimètre d'une personne. Il se base en effet sur des caractéristiques clés, comme les yeux ou les oreilles pour reconnaître des amis ou des parents. Le Sparse Modeling intègre une logique comparable dans les systèmes de vision intelligents.

Lorsqu'on présente de nouvelles données, la modélisation parcimonieuse recherche l'occurrence de caractéristiques clés déterminées précédemment pour faire des prédictions, plutôt que d'analyser l'ensemble de la nouvelle entrée. Un avantage inhérent à cette approche est que les caractéristiques isolées sont compréhensibles par les humains. Cela se traduit par une IA de type "boîte blanche" explicable, contrairement à l'IA classique. Et pour développer un nouveau modèle d'inférence standard, la modélisation parcimonieuse n'a besoin que d'environ 50 images pour le modèle initial, à comparer aux 1 000 images ou plus nécessaires pour l'IA classique.

Une étude a été menée avec un ensemble de données de 1 000 images pour faire des prédictions. La précision acceptable des prédictions du modèle a été définie à 90 %. Si l'IA classique et la modélisation parcimonieuse ont toutes deux produit des résultats comparables, en atteignant le même niveau de précision, l'effort requis différait sensiblement : le modèle basé sur le Sparse Modeling a été formé 5 fois plus rapidement et n'a consommé que 1 % de l'énergie nécessaire à l'apprentissage profond.

Une IA embarquable

Congatec s'est associé aux experts en IA du Japonais Hacarus pour mettre au point un kit de démarrage d'applications de modélisation parcimonieuse. Conçu sur la base de modules QSeven intégrant les processeurs Apollo Lake d'Intel, ce kit compact (173 x 88 x 21,7 mm) peut être déployé et testé instantanément dans tout environnement GigE et USB 3.x.

D'un point de vue matériel, un système de modélisation parcimonieuse est très léger et économe en ressources. Il peut fonctionner sur des plates-formes informatiques x86 embarquées et est prêt à être mis en œuvre sur des plates-formes telles que Xilinx et ARM ou Altera et RISC-V. Toutefois, comme l'empreinte finale dépend entièrement de la tâche et de la complexité du modèle requis, il est recommandé d'utiliser une plate-forme matérielle modulaire basée sur des Computer-on-Modules prenant en charge l'ingénierie en boucle fermée et servant les deux variantes de processeur.

Les premières applications médicales du Sparse Modeling concernent, par exemple, la détection de maladies rares qui ne produit pas tout le Big Data nécessaire à un modèle IA basé sur l'apprentissage profond. Cette nouvelle approche est aussi avantageuse dans le médical car l'informatique embarquée dans les dispositifs fournit désormais une puissance de calcul suffisante pour effectuer des inférences et des apprentissages en parallèle. Cela évite également d'avoir à envoyer des données dans le cloud, ce qui est souvent impossible pour des raisons de confidentialité et/ou de connectivité limitée.


www.congatec.com

Partagez cet article sur les réseaux sociaux ou par email :
Mots-clés :

A lire aussi