KI kann bei der Auswertung medizinischer Bilder eine wertvolle Hilfe sein, doch das Training der Algorithmen braucht wegen der großen Datenmengen und zahlreichen Parameter viel Rechenleistung. An der Universität Hamburg kommt daher eine leistungsstarke mobile Workstation-Lösung von Dell Technologies zum Einsatz, die eine Weiterentwicklung der Lernmodelle während der Pandemie auch aus dem Homeoffice erlaubt.
Künstliche Intelligenz verändert viele Lebensbereiche und birgt auch in der Medizin ein enormes Potenzial, etwa bei der Diagnose von Krankheiten und der Entwicklung neuer Therapien. Um KI-Lösungen für die klinische Nutzung zu entwickeln, hat das zur Universität Hamburg gehörende Universitätsklinikum Hamburg-Eppendorf (UKE) vor zwei Jahren ein Zentrum für biomedizinische KI gegründet, kurz bAIome genannt. Dort arbeiten unter anderem Mitarbeiter vom Institut für Medizinische Systembiologie des Zentrums für Molekulare Neurobiologie (ZMNH) an intelligenter Software, die Gefäßveränderungen infolge von Malaria-Erkrankungen untersucht. Diese soll helfen, sowohl die Krankheit besser zu verstehen als auch die Auswirkung von Interventionen zu analysieren, die später zu neuen Behandlungsmethoden führen können.
Bisher war die Forschung in diesem Bereich sehr aufwändig, weil man Biopsien durchführen oder Organe sezieren musste, und dann auch nur einen kleinen Teil der betroffenen Organe zur Analyse erhielt. Mit neuen bildgebenden Verfahren ist es inzwischen allerdings möglich, ganze Organe mitsamt ihren funktionalen Einheiten sichtbar zu machen. Während sich die Forscher und Forscherinnen aktuell auf die Untersuchung von Veränderungen der Nieren konzentrieren, sollen künftig auch Veränderungen im Gehirn betrachtet werden.
Die neuen bildgebenden Verfahren liefern große Mengen an 3D-Bilddaten, die perfekt für die Auswertung mit neuronalen Netzen und baumbasierten Lernalgorithmen geeignet sind. Die Forscher und Forscherinnen nutzen Modelle wie VGG16-Net, 3D-U-Net und XGBoost für die semantische Segmentierung der Bilder, um Glomeruli – die Gefäßknäuel innerhalb der Nierenkörperchen – zu detektieren und zu zählen. Das Training der Algorithmen erfordert viel Rechenkraft, da diese mehrere Millionen Parameter berücksichtigen und viele Berechnungen parallel durchführen müssen. Solche parallelen Berechnungen sind die Stärke von Grafikprozessoren (GPUs), in denen anders als in klassischen Prozessoren (CPUs) eine große Anzahl einfacher Kerne steckt. Das bAIome betreibt in seinem Rechenzentrum daher zwei Nvidia DGX-1 sowie ein Nvidia DGX-A100 – spezielle Systeme für die KI-Forschung.
Algorithmen-Training im Homeoffice
Über Nvidia kam auch der Kontakt zu Dell Technologies zustande, das dem Institut für Medizinische Systembiologie die mobile Rechen-Power der Data Science Workstation Dell Precision 7740 für das lokale Training der Lernmodelle zur Verfügung stellte. Damit sind die Mitarbeiter in der Lage, die Algorithmen während der Corona-Pandemie im Homeoffice weiterzuentwickeln – ohne ein leistungsstarkes Arbeitsgerät wäre das wegen der großen Datenmengen von rund 20 GB pro 3D-Bild, die auf den Server übertragen werden müssten, kaum praktikabel. Insbesondere für häufigere kleine Änderungen ist der Aufwand schlicht zu groß.
Für längere Berechnungen mit fortgeschrittenen Algorithmen nutzen die Forscher und Forscherinnen weiter die Infrastruktur im Rechenzentrum, doch bei den meisten Arbeiten kann die mobile Workstation-Lösung zum Einsatz kommen. Diese ist speziell für KI-Anwendungen ausgelegt und mit einem Data-Science-Softwarepaket von Nvidia bestückt, das auf Nvidia CUDA-X AI basiert und die GPU-Beschleunigung der Grafikkarte für Lernalgorithmen nutzbar macht. Als Grafikkarte dient eine aktuelle Nvidia Quadro RTX 4000 mit 8 GB GDDR6-Speicher. Ausgestattet mit einem Intel Xeon E2286M (8 Cores, 2,40 GHz, Turbo-Boost bis 5,00 GHz) und 64 GB DDR4-RAM bietet die Lösung auch abseits von KI-Berechnungen eine sehr hohe Performance. Zwei NVMe-SSDs mit jeweils 512 GB sorgen dafür, dass alle Anwendungen flott starten und die umfangreichen Bilddaten ohne Verzögerungen für die Lernmodelle bereitstehen.
„Die mobile Workstation ist uns eine sehr große Hilfe“, erklärt Institutsdirektor Professor Dr. Stefan Bonn. Seine Mitarbeiter können ihre neuronalen Netze und baumbasierten Lernalgorithmen mit mehreren Millionen Parametern nach Anpassungen in weniger als einer Stunde im Homeoffice trainieren – der Upload der Bilder auf den Server oder lokale Berechnungen mit typischen PCs oder Notebooks würden dagegen signifikant länger dauern.
Malte Kuehl, der aktuell vorwiegend mit der Workstation-Lösung arbeitet, merkt zudem an, dass ihm diese nicht nur den langwierigen Datenupload erspart, sondern auch den regelmäßigen Login auf dem Server sowie die Remote-Ausführung der Anwendungen. Zudem lobt er neben der hohen Leistung der mobilen Workstation auch deren gute Kühlung: „Natürlich wird das Gerät unter Last ein wenig lauter, aber ohne zu stören. Dafür hält sich die Hitzeentwicklung sehr in Grenzen. Dank des guten Luftaustausches an den Seiten werden weder die Tastatur noch andere Teile des Notebooks, die man berührt, heiß.“
Kuehl schätzt die flotte und reibungslose Arbeit mit der Precision 7740, weshalb er plant, diese auch nach der Rückkehr ans Institut statt der dortigen Rechner zu nutzen.
Autor: Peter Beck
