شتاب بخش هوش مصنوعی تصویربرداری پزشکی: انتقال داده ها و بهینه سازی محاسباتی

پیش‌بینی می‌شود که بازار جهانی هوش مصنوعی مراقبت‌های بهداشتی تا سال 2027 به 67 میلیارد دلار برسد، که تصویربرداری پزشکی 40 درصد از کاربردها را به خود اختصاص می‌دهد. از آنجایی که ابزارهای تشخیصی مبتنی بر هوش مصنوعی سالانه پتابایت داده‌های DICOM با وضوح بالا تولید می‌کنند، زیرساخت‌های سنتی فناوری اطلاعات با سه چالش حیاتی روبرو هستند:

• رادیولوژیست‌ها به تجزیه و تحلیل تصویر زیر 2 ثانیه برای تشخیص در زمان واقعی نیاز دارند
• همکاری بین مراکز داده به انتقال ایمن اسکن‌های چند گیگابایتی نیاز دارد
• خوشه‌های GPU به شبکه‌های 200 گیگابیت بر ثانیه+ برای جلوگیری از گرسنگی محاسباتی نیاز دارند

آزمایش‌های معیار Mellanox در سال 2024 نشان داد:

خطوط لوله هوش مصنوعی معمولی 60٪ زمان بیکاری GPU را نشان می‌دهند که به دلیل:

• دسترسی کند به حافظه ذخیره‌سازی NVMe (تاخیر 150 میکروثانیه)
• پیش‌پردازش محدود به CPU
• گرسنگی داده ناشی از شبکه

ConnectX-7 NIC با قابلیت‌های 400 گیگابیت بر ثانیه، موارد زیر را ارائه می‌دهد:

• RDMA با شتاب سخت‌افزاری برای تصویربرداری تقریباً بدون کپی
• پشتیبانی NVMe-oF برای دسترسی مستقیم GPU به PACS توزیع‌شده
• رمزگذاری روی تراشه برای انطباق با HIPAA

معماری UEC Mellanox به موارد زیر دست می‌یابد:

استقرار در یک بیمارستان سطح 1 نشان داد:

• 3.8 برابر توان عملیاتی تجزیه و تحلیل PET-CT سریع‌تر
• 92٪ کاهش ازدحام مرکز داده
• 1.2 میلیون دلار صرفه‌جویی سالانه از خوشه‌های GPU تلفیقی

با ادغام راه‌حل‌های شبکه‌سازی هوش مصنوعی مراقبت‌های بهداشتی Mellanox با شتاب SmartNIC، مؤسسات می‌توانند پتانسیل کامل تشخیص هوش مصنوعی را باز کنند. برای بررسی طرح‌های پیاده‌سازی برای زیرساخت داده‌های پزشکی خود، به آدرس mellanox.com/healthcare-ai مراجعه کنید.