Nova oprema bo v okviru programske skupine
Analiza biomedicinskih slik in signalov in Laboratorija za slikovne tehnologije (LST) omogočila nove in poglobljene raziskave na področju analize velikih količin medicinskih podatkov. Na primer, za analizo podatkovne baze
UK BioBank , ki vključuje 150 TB medicinskih podatkov za več kot 50 tisoč oseb, kot so elektronski zdravstveni karton, MRI slikovne preiskave glave in srca, ipd. Z novo opremo in najnaprednejšimi tehnikami globokega učenja razvijamo in vrednotimo diagnostične in prognostične napovedne modele za najrazličnejša zdravstvena stanja in patologije, tako na osnovi MRI slik kot nestrukturiranih podatkov. Osredotočili smo se na napovedne modele za nevrološke, kardiovaskularne in muskoskeletne bolezni ter različne vrste raka.
Alternativa novi opremi je so-uporaba domačih superračunalniških omrežij, kot je
SLING in storitev ponudnikov oblačnih storitev v tujini (Amazon AWS, Google, Oracle, ipd.). Vendar pa prenašanje in hramba medicinskih podatkov v oddaljenem računalniškem centru ali oblaku zaradi varnostnih tveganj pri upravljanju z osebnimi podatki in pogodbenih omejitev, pa tudi zaradi velike količine teh podatkov, ni niti varnostno, niti ekonomsko upravičena.
Metode globokega strojnega učenja so računsko intenzivne in izkazujejo zmogljivosti približno premosorazmerno s količino prostih parametrov (npr. število plasti nevronske mreže) in količino obdelanih učnih podatkov. Še posebej računsko in spominsko zahtevna je analiza večrazsežnih strukturiranih podatkov kot so 3D ali 4D medicinske slike. Za ta namen se uporabljajo masovno paralelni računalniški sistemi. Tovrstni sistemi so za analizo 3D ali 4D medicinskih slik učinkoviti le če imajo pridružene velike količine delovnega spomina, saj konvergenco učenja napovednih modelov iz takih slik kritično določa izbrano številom plasti modela (globina) in število vzorcev v paketu (batch size). Tipična velikost delovnega spomina pri grafičnih procesnih enotah, ki se pogosto uporabljajo za te namene je do 24 GB. Distribucija učenja na več (paralelnih) procesnih enot je programsko lahko zahtevna, njeno učinkovitost pa omejuje hitrost standardnega komunikacijskega vodila. Proizvajalci masovno paralelnih računalniških sistemov so zato v zadnjem času razvili hitra komunikacijska vodila, ki omogočajo združevanje posameznih paralelnih procesnih enot v gruče, ki navzven delujejo kot ena paralelna procesna enota. Posamezni procesni enoti pridruženi delovni spomin je prav tako sklopljen preko istega hitrega vodila, kar navidezno poveča delovni spomin takega sistema. Omenjeni lastnosti takih sistemov zato omogočata učinkovito analizo velikih količin podatkov z metodami globokega strojnega učenja. Nova strojna oprema omogoča navidezni delovni spomin grafičnih procesnih enot v skupni kapaciteti 320 GB. Oprema je bila dobavljena v oktobru 2022 in je bila novembra 2022 že v celoti vključena v tekoče raziskave.
