킹스 칼리지 런던은 파트너 병원 및 대학 공동 작업자와 함께 영국에서 가장 강력한 슈퍼 컴퓨터인 Cambridge-1의 첫 번째 프로젝트 중 하나에 대한 새로운 세부 정보를 최근 공개했다.  

합성 두뇌 프로젝트는 인간 두뇌의 인공 3D MRI 이미지를 합성할 수 있는 딥 러닝 모델을 구축하는 데 중점을 두고 있다. 이 모델은 과학자들이 다양한 연령, 성별 및 질병에 걸쳐 인간의 뇌가 어떻게 생겼는지 이해하는 데 도움이 될 수 있다.

AI 모델은 가치 기반 의료를 위한 London Medical Imaging & AI Center의 일부로 킹스 칼리지 런던, NVIDIA 데이터 과학자 및 엔지니어가 개발했다. 이 연구는 UK Research and Innovation과 Wellcom Flagship Program(University College London과 공동으로)의 지원을 받았다.

AI 모델 개발의 목표는 뇌 MRI 스캔을 기반으로 신경 질환 진단을 돕는 것이다. 또한 시간이 지남에 따라 뇌가 발달할 수 있는 질병을 예측하는 데 사용할 수 있어 예방 치료가 가능하다.

합성 데이터를 사용하면 환자의 개인 정보를 보호할 수 있는 추가적인 이점이 있으며 킹스는 더 광범위한 영국 의료 커뮤니티에 연구를 공개할 수 있다. Cambridge-1이 없었다면 AI 모델을 훈련하는 데 몇 주가 아닌 몇 달이 걸렸을 것이고 결과 이미지 품질은 그렇게 명확하지 않았을 것이다.

킹스와 NVIDIA 연구원은 Cambridge-1을 사용하여 여러 GPU를 사용하여 필요한 크기로 모델을 확장한 다음 하이퍼파라미터 튜닝이라는 프로세스를 적용하여 모델의 정확도를 크게 향상시켰다.

킹스 칼리지 런던의 인공 의료 지능 수석 강사인 Jorge Cardoso는 "Cambridge-1은 다양한 요인이 뇌, 해부학 및 병리에 어떻게 영향을 미치는지 이해할 수 있는 능력을 킹스의 연구원에게 제공하는 합성 데이터의 가속화된 생성을 가능하게 한다."고 말했다. “우리는 모델에 나이와 질병이 규정된 거의 무한한 양의 데이터를 생성하도록 요청할 수 있다. 이를 통해 질병이 뇌에 어떤 영향을 미치고 언제 이상이 존재할 수 있는 지와 같은 문제를 해결할 수 있다.”

NVIDIA Cambridge-1 슈퍼컴퓨터의 도입은 합성 뇌 프로젝트와 같은 획기적인 연구를 위한 새로운 가능성을 제시하며 질병, 약물 설계 및 인간 게놈에 대한 디지털 생물학 연구를 가속화하는 데 사용될 수 있다.

세계에서 가장 빠른 50대 슈퍼컴퓨터 중 하나인 Cambridge-1은 NVIDIA A100 GPU, Bluefield-2 DPU 및 NVIDIA HDR InfiniBand 네트워킹을 통합하는 80 DGX A100 시스템에 구축되었다.

킹스 칼리지 런던은 합성 두뇌 프로젝트를 위해 cuDNN 및 Omniverse와 함께 PyTorch에서 지원하는 NVIDIA 하드웨어 및 오픈 소스 MONAI 소프트웨어 프레임워크를 활용하고 있다. MONAI는 무료로 사용 가능한 커뮤니티 지원 PyTorch 기반 프레임워크로 의료 영상 분야의 딥 러닝을 지원한다. CUDA 심층 신경망 라이브러리(cuDNN)는 심층 신경망을 위한 GPU 가속 라이브러리이다. Omniverse는 가상 협업 및 실시간 시뮬레이션을 위한 개방형 플랫폼이다. 킹스는 의사가 뇌 질환의 형태와 병리를 더 잘 이해하는 데 도움이 될 수 있는 뇌를 시각화 하는 데 사용하기 시작했다.

하드웨어 개선과 함께 딥 러닝 아키텍처의 효율성이 높아짐에 따라 더 높은 해상도에서 의료 체적 데이터의 복잡하고 고차원적인 모델링이 가능해졌다. VQ-VAE(Vector-Quantized Variational Autoencoder)는 디코딩 된 충실도를 유지하면서 초기 크기에 비해 상당히 압축된 표현으로 이미지를 인코딩할 수 있는 효율적인 생성 비지도 학습 접근 방식을 위한 옵션이었다.

킹스는 VQ-VAE에서 영감을 받은 3D 최적화 네트워크를 사용하여 전체 해상도의 뇌 볼륨을 효율적으로 인코딩하고 이미지 충실도를 유지하면서 데이터를 원래 크기의 1% 미만으로 압축하고 이전 최첨단 기술을 능가했다.

이미지가 VQ-VAE에 의해 인코딩 된 후 데이터의 체적 특성 및 관련 시퀀스 길이에 최적화된 장거리 변환기 모델을 통해 잠재 공간이 학습된다. 데이터의 3차원 특성으로 인해 발생하는 시퀀스 길이는 Cambridge-1에서 제공하는 다중 GPU 및 다중 노드 확장으로 가능한 비할 데 없는 모델 크기를 필요로 한다.

이러한 대형 변환기 모델에서 샘플링하고 관심 있는 임상 변수(예: 연령 또는 질병)에 대한 컨디셔닝을 통해 새로운 잠재 공간 시퀀스를 생성하고 VQ-VAE를 사용하여 체적 뇌 이미지로 디코딩할 수 있다. Transformer AI 모델은 주의 메커니즘을 채택하여 입력 데이터의 각 부분의 중요성을 차등적으로 평가하고 이러한 시퀀스 길이를 이해하는 데 사용된다.

실생활의 신경 방사선학 연구와 섬뜩할 정도로 유사한 생성 뇌 이미지를 생성하면 뇌가 형성되는 방식, 외상과 질병이 뇌에 미치는 영향, 회복을 돕는 방법을 이해하는 데 도움이 된다. 실제 환자 데이터 대신 합성 데이터를 사용하면 데이터 액세스 및 환자 개인 정보 보호 문제를 완화할 수 있다.

킹스 칼리지 런던의 합성 두뇌 생성 프로젝트의 일환으로 코드와 모델은 오픈 소스이다. NVIDIA는 Synthetic Brain 프로젝트가 의존하는 fast-transformers 프로젝트의 성능을 개선하기 위해 오픈 소스에 기여했다.

Cambridge-1에 대해 자세히 알아보려면 NVIDIA 창립자이자 CEO인 Jensen Huang의 특별 연설과 AstraZeneca, GSK, Guy's 및 St Thomas's NHS Foundation Trust, 킹스 칼리지 런던 및 Oxford Nanopore의 영국 의료 전문가 패널과 함께하는 Cambridge-1 취임식 다시보기를 시청하라.