领先的制药和技术生物公司的研究人员和开发人员现在可以通过亚马逊网络服务(AWS)轻松部署NVIDIA Clara软件和服务，加速医疗保健领域的发展。 该计划于AWS re:Invent上宣布，为使用AWS云资源的医疗保健和生命科学开发人员提供了灵活性，可以集成NVIDIA加速的产品，例如NVIDIA BioNeMo——一种用于药物发现的生成式人工智能平台，即将在AWS上推出NVIDIA DGX Cloud，目前可通过AWS ParallelCluster集群管理工具和Amazon SageMaker机器学习服务使用。 全球数千家医疗保健和生命科学公司使用AWS。现在，他们将能够使用BioNeMo访问专有数据构建或定制数码生物学基础模型，并使用NVIDIA GPU加速的AWS云服务器来扩大模型的培训和部署。 包括Alchemab Therapeutics、Basecamp Research、Character Biosciences、Evozyne、Etcembly和LabGenius在内的生物技术创新者已经是AWS的用户，并且已经在使用BioNeMo进行生成式人工智能加速的药物发现和开发。这种合作使他们能够更快速地扩展云计算资源，以开发基于生物分子数据的生成式人工智能模型。 此次宣布扩展了NVIDIA在AWS上已有的面向医疗保健的产品——用于医学成像工作流程的NVIDIA MONAI和加速基因组学的NVIDIA Parabricks。 AWS新推出：NVIDIA BioNeMo推进生成式人工智能的药物发现 BioNeMo是一个针对数码生物学生成式人工智能的领域专用框架，包括预训练的大型语言模型 (LLMs)、数据加载器和优化的训练配方，可以帮助加速计算机辅助药物发现的目标识别、蛋白质结构预测和药物候选筛选。 药物发现团队可以利用他们的专有数据使用BioNeMo构建或优化模型，并在基于云的高性能计算集群上运行这些模型。 其中的一个模型ESM-2是一款功能强大的LLM，支持蛋白质结构预测，几乎能够线性扩展至256个NVIDIA H100…
Leave a CommentTag: Healthcare and Life Sciences
英伟达今天推出了一项用于医学影像人工智能的云服务，通过完全托管的基于云的应用程序编程接口，进一步简化和加速地创建基准数据和训练专门的人工智能模型。 在芝加哥举行的北美放射学学会年会上宣布的英伟达MONAI云API——提供了一条加速开发人员和平台提供商将人工智能整合到医学影像产品中的快速路径。这些API使用英伟达和伦敦国王学院创办的开源MONAI项目构建。 医学影像在整个医疗保健领域至关重要，约占约90%的医疗数据。放射科医师和临床医生用它进行筛查、诊断和干预，生物药物研究人员用它评估临床试验患者对新药物的反应，医疗设备制造商用它提供实时决策支持。 在这些领域的工作规模需要一个专门的医学影像人工智能工厂——一个企业级平台，提供大规模的数据管理、创建基准注释、加速模型开发和建立无缝的人工智能应用部署。 通过英伟达MONAI云API，解决方案提供商可以更轻松地将人工智能整合到他们的医学影像平台中，使他们能够为放射科医师、研究人员和临床试验团队提供强大的工具，构建专门领域的人工智能工厂。这些API可以通过英伟达DGX Cloud AI超级计算服务的早期访问模式使用。 英伟达MONAI云API已经集成到Flywheel中，这是一个支持端到端人工智能开发工作流程的领先医学影像数据和人工智能平台。医学图像注释公司RedBrick AI和机器学习运营平台提供商Dataiku的开发人员正准备将英伟达MONAI云API整合到他们的产品中。 医学影像的即时数据标注和训练 构建高效、具有成本效益的人工智能解决方案需要一个健壮的、专门领域的开发基础，其中包括针对软件的全栈优化、可扩展的多节点系统和最先进的研究。它还需要高质量的基准数据，对于需要高级专业技能进行标注的3D医学影像来说，这可能是艰难而耗时的。 英伟达MONAI云API具备由VISTA-3D（Vision Imaging Segmentation and Annotation）基础模型驱动的交互式标注功能。它专为连续学习而设计，这一功能可根据用户反馈和新数据提高人工智能模型的性能。 VISTA-3D是通过对来自超过4000名患者的3D CT扫描图像进行注释数据集训练而得到的，涵盖了各种疾病和身体部位，可加速用于医学影像分析的3D分割掩模的创建。随着连续学习，人工智能模型的注释质量会随时间提高。 为了进一步加速人工智能训练，该版本还包括使基于MONAI预训练模型构建自定义模型变得无缝的API。英伟达MONAI云API还包括Auto3DSeg，它自动化了给定的3D分割任务的超参数调优和人工智能模型选择，简化了模型开发过程。 英伟达研究人员最近在MICCAI医学影像会议上使用Auto3DSeg赢得了四项挑战。其中包括用于分析肾脏和心脏的3D CT扫描的人工智能模型，以及用于大脑MRI和心脏的3D超声。 解决方案提供商和平台构建者拥抱英伟达MONAI云API 医学影像解决方案提供商和机器学习平台正在使用英伟达MONAI云API向客户提供至关重要的人工智能洞见，加速他们的工作。 Flywheel通过NVIDIA AI…
Leave a CommentRoche集团的成员Genentech正在开创性地使用生成型人工智能来发现和开发新的治疗方法，并以更高效的方式向患者提供治疗。 Genentech，这家生物技术先驱与NVIDIA之间的新合作旨在通过将两家公司的专家汇聚在一起，优化和加速Genentech专有的算法，从而改变发现和开发新药物的方式。 NVIDIA将与Genentech合作，加速在NVIDIA DGX Cloud上进行这些模型，该平台提供由NVIDIA云服务提供商合作伙伴托管的专用AI超级计算机实例和软件。 Genentech计划使用NVIDIA BioNeMo，该平台能够使生物技术公司以规模化方式定制模型，并将BioNeMo云应用程序接口直接整合到计算药物发现工作流程中。 BioNeMo现已作为训练服务提供，它是一个领域特定的平台，简化、加速和扩展了计算药物发现的生成型人工智能应用程序。它使研究人员能够在DGX Cloud上对最先进的模型进行预训练或微调。 这次合作最初的重点将放在优化Genentech的药物发现AI模型上，以实现“实验室循环”框架。目标是使研究人员能够理解复杂的生物分子模式和关系，真正颠覆药物研发，提高研发的成功率，并赋予科学家为患者和更广泛的医疗生态系统带来乘法效益，而不是线性或加法效益。 Genentech研究与早期发展执行副总裁Aviv Regev表示：“我们与NVIDIA的合作建立在长期以来在技术方面取得成功并在最初并不显而易见的领域部署技术的基础上。我们是第一家利用分子生物学进行药物发现和开发的生物技术公司，改变了世界。我们开创了抗体治疗的范式。现在，我们将人工智能、实验室和临床结合在一起，以揭示海量数据中无法访问的模式，并设计实验来测试这些模式。与NVIDIA的合作，引入生成型AI，有能力快速推动发现和设计改进全球患者生活的治疗方法。” 通过计算简化药物发现 目前，药物发现和开发是一个耗时、复杂且昂贵的过程。预测新药物的药靶是困难的，同样成功将分子开发为潜在的治疗药物也是如此。人工智能可以发挥转变性的作用，因为生成型和其他人工智能模型可以通过在大规模数据集上进行训练，帮助科学家快速识别潜在的药物分子和相互作用。 对于Genentech来说，使用人工智能有助于弥合实验室实验和计算算法之间的差距。 该公司的研发团队gRED已经在多个领域使用人工智能进行了重要工作，以发现和开发新的治疗方法，并更多地了解生物学和疾病的基本构建块。 Genentech和NVIDIA的团队将共同努力，优化Genentech定制开发的模型，以缩短药物发现和开发这一耗时的过程，并取得更大的成功。 将人工智能纳入循环 Genentech的“实验室循环”是一个迭代框架，用于生成和探索具有预测特性的分子设计。它旨在使用实验数据来建立生成型计算模型，并更好地优化未来的分子设计。NVIDIA将帮助Genentech通过加速训练和推断Genentech的药物发现模型来优化其框架。 通过这种合作，NVIDIA的人工智能专家将获得有关药物发现和开发中与AI相关的挑战的见解。NVIDIA计划利用这些见解来改进其BioNeMo平台和其他平台，以进一步适应生物技术行业使用的模型的要求。 NVIDIA的医疗保健副总裁Kimberly Powell表示：“人工智能在加速药物发现和开发方面可以发挥转变性的作用，就像在医疗保健和生命科学的其他许多领域一样。 NVIDIA与Genentech共同开发和实施的人工智能模型和算法使我们能够快速迭代和发现洞见，从而推动科学创新。” 订阅NVIDIA医疗资讯。
Leave a Comment随着全球珊瑚礁的迅速衰退，夏威夷大学马诺阿分校的研究人员开创了一种基于人工智能的勘测工具，可以从天空监测珊瑚礁的健康状况。 利用由NVIDIA GPU提供动力的深度学习模型和高分辨率卫星图像，研究人员开发出一种新的方法，可以发现和追踪珊瑚礁光环——围绕珊瑚礁的一圈贫瘠沙地。 这项研究最近发表在《遥感环境》杂志上，可能为实时珊瑚礁监测和全球保护工作带来转机。 “珊瑚礁光环可能是生态系统健康的潜在指标，”夏威夷大学的博士后研究员阿梅利亚·迈尔说道，她也是这项研究的合著者。“这些光环模式可以从太空中看到，为科学家和保护人士提供了观察广阔而遥远地区的独特机会。借助人工智能，我们可以定期评估光环的存在和大小，以确定生态系统的健康状况。” 明晰海洋：揭示珊瑚礁健康 根据研究人员最近的发现，以前认为仅由鱼类觅食造成的珊瑚礁光环也可以指示一个健康的捕食者-被捕食者生态系统。一些食草鱼类在保护珊瑚礁周边的海藻或海草上觅食，而捕食者则在海底挖掘寄生无脊椎动物，使周围的沙地裸露。 这些动态表明该区域为维持多样化的海洋生物种群提供了丰富的食物资源。当光环的形状发生变化时，表明海洋食物链存在失衡，可能指示一个不健康的珊瑚礁环境。 身陷困境 虽然珊瑚礁在海洋中仅占不到1%，但它们为超过100万种水生物种提供了栖息地、食物和育种场所。这也具有巨大的商业价值——每年约有3750亿美元的商业捕捞、旅游和沿海风暴保护，以及为药物研发研究提供抗病毒化合物。 然而，过度捕捞、养分污染和海洋酸化威胁着珊瑚礁的健康。加剧的气候变化以及来自变暖海洋的热应激也会加剧珊瑚白化和传染病的发生。 全球超过一半的珊瑚礁已经消失或严重受损，科学家预测到2050年所有的珊瑚礁都将面临威胁，其中很多处于危险之中。 借助人工智能开创新的视野 发现珊瑚礁光环的变化对于全球保护工作至关重要。然而，追踪这些变化是一项耗时且需要大量人力的任务，限制了研究人员每年进行的勘测数量。偏远地区珊瑚礁的可及性也带来了挑战。 研究人员创建了一个人工智能工具，可以从全球卫星图像中识别和测量珊瑚礁光环，使保护人士有机会主动应对珊瑚礁退化问题。 他们使用Planet SkySat图像，开发了一个双模型框架，采用了两种类型的卷积神经网络（CNNs）。依靠图像分割的计算机视觉方法，他们训练了一个Mask R-CNN模型，逐像素检测珊瑚礁和光环的边缘。一个U-Net模型则被训练用于区分珊瑚礁和光环的区域，并进行分类和预测。 研究区域概述（A），包含光环的SkySat卫星图像示例（B）以及光环的放大子集（C）。 团队使用TensorFlow、Keras和PyTorch库对珊瑚礁模型进行了数千个注释的训练和测试。 为了应对任务的大量计算需求，CNNs在一台NVIDIA RTX A6000 GPU上运行，借助cuDNN加速的PyTorch框架。研究人员通过NVIDIA学术硬件赠款计划获得了A6000 GPU。…
Leave a Comment2022年11月22日是一个具有里程碑意义的时刻，虽然大部分是虚拟的，但它震动了全球几乎每个行业的基础。 在那天，OpenAI发布了ChatGPT，这是迄今为止最先进的人工智能聊天机器人。这引发了对生成式人工智能应用的需求，这些应用帮助企业更高效地工作，从为消费者提供问题的答案，到加速研究人员在寻求科学突破时的工作，以及更多其他方面。 之前只是尝试过人工智能的企业现在正急于采用和部署最新的应用。生成式人工智能——算法创造新的文本、图像、声音、动画、3D模型甚至计算机代码的能力——正在以超光速发展，改变人们工作和娱乐的方式。 通过使用大型语言模型（LLMs）处理查询，这项技术可以大大减少人们用于搜索和整理信息等手动任务的时间。 利益巨大。据普华永道估计，到2030年，人工智能可能为全球经济贡献超过15万亿美元。而人工智能的采用影响可能超过互联网、移动宽带和智能手机的发明——总和超过。 推动生成式人工智能的引擎是加速计算。它使用GPU、DPU和网络以及CPU，加速应用程序在科学、分析、工程以及消费者和企业用例中的应用。 从药物发现、金融服务、零售和电信到能源、高等教育和公共部门的早期采用者，正在将加速计算与生成式人工智能结合起来，改变业务运营、服务提供和生产力。 点击查看信息图表：生成下一波人工智能转型 药物发现的生成式人工智能 今天，放射科医生使用人工智能来检测医学影像中的异常，医生使用它来扫描电子健康记录以发现患者洞察，研究人员使用它来加速新药的发现。 传统的药物发现是一个资源密集型的过程，可能需要合成5000多种化合物，平均成功率仅为10%。大多数新药候选品要花费十多年的时间才能上市。 研究人员现在使用生成式人工智能模型读取蛋白质的氨基酸序列，并能够在几秒钟内准确预测目标蛋白的结构，而不是几周或几个月。 使用NVIDIA BioNeMo模型，全球生物技术领导者Amgen将为分子筛选和优化定制模型的时间从三个月缩短到几周。这种可训练的基础模型使科学家能够为研究特定疾病创建变体，使他们能够开发针对罕见疾病的靶向治疗。 无论是预测蛋白质结构还是在大型真实世界和合成数据集上安全训练算法，生成式人工智能和加速计算正在开辟研究的新领域，有助于减轻疾病的传播、实现个性化医疗治疗和提高患者的生存率。 金融服务的生成式人工智能 根据最近的一项NVIDIA调查，金融服务行业中的顶级人工智能应用案例是客户服务和深度分析，其中自然语言处理和LLMs用于更好地回答客户的问题并发现投资见解。另一个常见的应用是推荐系统，它们提供个性化的银行体验、优化营销和投资指导。 先进的人工智能应用有助于帮助该行业更好地预防欺诈，并改变银行的方方面面，从投资组合规划和风险管理到合规和自动化。 80%的业务相关信息是以非结构化格式——主要是文本——存在的，这使其成为生成式人工智能的首选。彭博新闻每天发布与金融和投资社区相关的5000篇报道。这些报道代表了一大批非结构化的市场数据，可以用于进行及时的投资决策。 NVIDIA、德意志银行、彭博社和其他机构正在创建基于领域特定和专有数据的LLMs，用于支持金融应用。 财务变形器，或称“FinFormers”，可以学习上下文并理解非结构化金融数据的含义。它们可以驱动问答聊天机器人，概述和翻译金融文本，提供反对方风险的早期预警，快速检索数据并识别数据质量问题。 这些生成式人工智能工具依赖于能够将专有数据集成到模型训练和微调中的框架，集成数据策划以防止偏见，并使用安全措施保持与金融相关的对话。 预计金融科技初创企业和大型国际银行将扩大他们对LLMs和生成式人工智能的应用，开发复杂的虚拟助手为内部和外部利益相关者提供服务，创建超个性化的客户内容，自动化文档摘要以减少手动工作，并分析公共和私人数据的TB级数据以生成投资见解。 零售业的生成式人工智能 随着60%的购物旅程从线上开始，消费者比以往任何时候都更加联网和知识丰富，人工智能已成为帮助零售商满足不断变化的期望并与日益激烈的竞争区分开来的重要工具。…
Leave a Comment