A mesterséges intelligencia orvosi alkalmazásai hatalmas számítási kapacitást és rugalmas erőforrásokat igényelnek – pontosan ezt biztosítja kutatóink számára a HUN-REN Cloud. Dénes-Fazakas Lehel (Óbudai Egyetem) alábbi beszámolójában bemutatja, hogyan vált az HUN-REN Cloud infrastruktúrája nélkülözhetetlen társává a doktori munkája során. Az alábbiakban részletesen olvasható, miként épültek egymásra a projektek, hogyan gyorsította fel a GPU-alapú feldolgozás a kísérleteket, és milyen eredmények születtek a kutatási felhő segítségével.
ScienceCloud Projektek időrendi sorrendben
1. LSTM, U-NET és RL alapú modellezés kiber-medikai célra GPU-val (2022. március – 2022. szeptember)
Ez volt az első belépőprojektem a ScienceCloud infrastruktúrájába, amely két fő irányra épült. Az egyik az LSTM-alapú fizikai aktivitás detektálása folyamatos glükózmonitor és viselhető szenzoradatok alapján, amely 90% feletti pontosságot ért el. A másik irány az MRI-képfeldolgozás, különösen a csecsemő-agy szegmentálása U-Net és (2+1)D U-Net architektúrákkal. A ScienceCloud GPU-in végzett gyorsított tanítás tette lehetővé a nagyméretű kísérletek rövid idő alatti futtatását.
2. Inzulin szabályzó fejlesztése, Agyi tumor osztályozás (2022. október – 2023. május)
A projekt két fő területre oszlott. Az első az inzulinadagolás optimalizálása megerősítéses tanulással, ahol több millió szimulációt futtattam a ScienceCloud GPU-in, hogy a vezérlő képes legyen minimalizálni a hipo- és hiperglikémiás kockázatokat. A másik terület az L-Net fejlesztése volt, amely integráltan végezte az agyi tumorok szegmentálását és osztályozását. A modell >99%-os F1-pontosságot ért el.
3. AI fejlesztés cukorbeteg és agyi MRI felvételekhez (2023. június – 2024. január)
Ez a projekt összevonta a diabéteszhez és MRI-képfeldolgozáshoz kapcsolódó fejlesztéseket. Kifejlesztettem egy mobil-szenzor alapú étkezési gesztus felismerő rendszert, amely valós időben képes detektálni a táplálkozási eseményeket, csökkentve a manuális adatbevitel szükségességét. MRI területen a (2+1)D U-Net modell továbbfejlesztése 92%-os pontosságot eredményezett a csecsemő-agy szövetek szegmentálásában.
4. Mesterséges intelligencia fejlesztés az orvoslásba (2024. február – 2024. július)
A projekt célja a különböző orvosi AI alkalmazások fejlesztése volt, beleértve a biztonságos adatkezelést, nagy teljesítményű feldolgozást és több modell integrálását diagnosztikai rendszerekbe. Bár nem minden eredmény kapcsolódott közvetlenül a disszertációhoz, a technológiai tapasztalatok és a pipeline-ok fejlesztése hozzájárult a későbbi kutatási modulok sikeréhez.
Kapcsolódás a disszertációhoz – részletesen
A doktori disszertációm öt, egymásra épülő kutatási pillérből állt, és mindegyikhez elengedhetetlen volt a ScienceCloud infrastruktúrája. Ezek a modulok nem elszigetelten készültek, hanem logikusan kapcsolódtak egymáshoz, minden új lépés az előző eredményeire építkezett.
1. Fizikai aktivitás detektálása
Az 1. projekt LSTM-modelljei idősoros CGM és szenzoradatokból képesek voltak kategorizálni a páciensek aktivitási szintjét. A ScienceCloud GPU-k lehetővé tették, hogy több tucat hiperparaméter-kombinációt teszteljek, és a legjobb modellt kiválasszam. Ez a rész a dolgozatban az adatgyűjtés és előfeldolgozás fejezetében kapott hangsúlyt.
2. Étkezési gesztus felismerése
A 3. projekt mobil-szenzoros rendszerének célja az étkezési események automatikus detektálása volt. A ScienceCloud segítségével párhuzamosan tudtam feldolgozni több hetes nyers adatfolyamokat, és tanítani a hálót. Ez a modul közvetlen inputot adott az inzulinvezérléshez, hiszen az étkezés pontos időpontja kulcsfontosságú a dózis meghatározásánál.
3. RL-alapú inzulinvezérlés
Az 1. és 2. projekt eredményeire építve a 2. projektben teljesen kidolgoztam a megerősítéses tanuláson alapuló vezérlőt. A ScienceCloud-on milliós nagyságrendű szimulációt tudtam végrehajtani rövid idő alatt, ami lehetővé tette a jutalomfüggvények finomhangolását és a stratégia optimalizálását.
4. Csecsemő-agy MRI szegmentálás
Az 1. és 3. projekt MRI-vonalából nőtt ki ez a modul. A (2+1)D U-Net architektúra fejlesztése és tanítása nagy memóriát és gyors háttértárat igényelt, amit a Wigner-ág biztosított. Az elért 92%-os pontosság kiemelt eredmény a dolgozat orvosi képfeldolgozásról szóló fejezetében.
5. Agyi tumor osztályozás (L-Net)
A 2. projektben fejlesztett L-Net integrált módon végezte a szegmentálást és osztályozást, ami klinikailag is értékes, mert egy lépésben ad pontos diagnózist. A ScienceCloud lehetővé tette nagyméretű MRI-adathalmazok párhuzamos feldolgozását és több architektúraváltozat összehasonlítását. Az eredmény >99% F1-pontosság.
A SZTAKI és Wigner ágak használata
A HUN-REN Cloud két adatközponti ágon – a SZTAKI és a Wigner FK infrastruktúráján – keresztül biztosította az erőforrásokat.
- SZTAKI-ág: a nagy számításigényű neurális hálómodellek GPU-alapú tanításához (LSTM, U-Net, L-Net)
- Wigner-ág: nagymemóriás MRI-feldolgozásokhoz és párhuzamos szeletfeldolgozáshoz
A két ág kombinált használata biztosította, hogy a kutatás párhuzamosan több területen is zökkenőmentesen haladhasson.
Összegzés
A disszertációm elkészítése során a HUN-REN ScienceCloud infrastruktúra nem pusztán kényelmi tényező volt, hanem a kutatás gerince. A négy projekt során több tízezer GPU-óra, több terabájtnyi adatfeldolgozás és több millió szimuláció futott le a felhőben. Ez az erőforrás biztosította, hogy a kezdeti ötletek gyorsan validált prototípusokká, majd nemzetközi szinten is publikálható eredményekké váljanak.
Biztosan állíthatom: a HUN-REN Cloud nélkül nem lett volna lehetséges ekkora mennyiségű és ilyen magas színvonalú kutatást megvalósítani a doktori képzés ideje alatt. Az infrastruktúra stabilitása, teljesítménye és skálázhatósága közvetlenül hozzájárult ahhoz, hogy a disszertáció minden pillére nemcsak megvalósuljon, hanem a lehető legmagasabb minőségben.
