[论文解读] Role of Edge Device and Cloud Machine Learning in Point-of-Care Solutions Using Imaging Diagnostics for Population Screening

Amit Kharat, Vinay Duddalwar+9 more|arXiv (Cornell University)|Jun 18, 2020

COVID-19 diagnosis using AI参考文献 10被引用 4

一句话总结

本文提出了一种混合边缘-云机器学习框架，用于在人群筛查中进行即时医疗影像诊断，利用设备端（边缘）推理实现实时分诊，同时通过云基础模型实现模型优化。该框架可实现对X光、超声及其他医学影像（如结核病和肺炎）的即时、带宽无关筛查，显著减少资源有限环境下的诊断延迟。

ABSTRACT

Edge devices are revolutionizing diagnostics. Edge devices can reside within or adjacent to imaging tools such as digital Xray, CT, MRI, or ultrasound equipment. These devices are either CPUs or GPUs with advanced processing deep and machine learning (artificial intelligence) algorithms that assist in classification and triage solutions to flag studies as either normal or abnormal, TB or healthy (in case of TB screening), suspected COVID-19/other pneumonia or unremarkable (in hospital or hotspot settings). These can be deployed as screening point-of-care (PoC) solutions; this is particularly true for digital and portable X-ray devices. Edge device learning can also be used for mammography and CT studies where it can identify microcalcification and stroke, respectively. These solutions can be considered the first line of pre-screening before the imaging specialist actually reviews scans and makes a final diagnosis. The key advantage of these tools is that they are instant, can be deployed remotely where experts are not available to perform pre-screening before the experts actually review, and are not limited by internet bandwidth as the nano learning data centers are placed next to the device.

研究动机与目标

• 通过在医疗现场部署AI，解决人群筛查中的诊断延迟问题。
• 克服偏远或资源有限临床环境中互联网带宽和专家可及性的限制。
• 实现实时、设备端的医学影像分类（如X光、超声），以实现结核病和肺炎等疾病的早期检测。
• 整合边缘与云机器学习，平衡诊断工作流中的速度、准确性和可扩展性。
• 支持无需每次检查都立即由专家审阅的可扩展、远程部署AI驱动筛查工具。

提出的方法

• 在与数字X光、CT和超声设备集成的边缘设备（CPU/GPU）上部署轻量级深度学习模型。
• 利用边缘推理对影像研究进行实时分类，判断为正常、异常、结核病阳性或疑似肺炎。
• 采用两级架构：边缘设备执行初步分诊，云基础模型接收匿名化数据以实现持续的模型再训练和优化。
• 利用与边缘设备同地部署的纳米级学习数据中心，最大限度降低延迟和带宽依赖。
• 应用迁移学习和模型压缩技术，以优化便携式和低功耗设备上的推理速度和模型大小。
• 设计系统以支持多种影像模态，包括通过模态特定的模型适配实现乳腺X线摄影和CT扫描中的中风检测。

实验结果

研究问题

• RQ1 边缘机器学习如何提升资源有限环境中即时医疗影像诊断的速度和可及性？
• RQ2 在人群筛查场景中，设备端推理与云基础模型优化之间的性能权衡如何？
• RQ3 边缘AI能否以足够高的准确度对医学影像（如X光、超声）进行分诊，以有效减少专家工作量？
• RQ4 该混合边缘-云架构如何在保障数据隐私的同时实现持续的模型优化？
• RQ5 该框架在多种影像模态和临床环境中的可扩展性达到何种程度？

主要发现

• 边缘设备可在医疗现场实现医学影像的即时、实时分类，显著减少诊断延迟，且无需互联网连接。
• 混合边缘-云架构可通过云基础再训练实现持续的模型优化，同时在边缘保持低延迟推理。
• 该系统可部署于便携式和低功耗成像设备，适用于偏远和资源匮乏的临床环境。
• 基于边缘的分诊可高灵敏度识别异常病例（如结核病或肺炎），显著减少需专家审阅的影像数量。
• 与边缘设备同地部署的纳米级学习数据中心消除了带宽限制，实现了高效的设备端推理。
• 该框架可适配多种影像模态，包括数字X光、超声、乳腺X线摄影和CT，适用于多样化的筛查应用。