倫敦大學國王學院（King’s College London）與其合作的醫院和大學一起公布了關于合成大腦項目（Synthetic Brain Project）的新細節。該項目是英國最強大的超級計算機——Cambridge-1 上的首批項目之一。

合成大腦項目的重點是建立可以合成人類大腦人工3D核磁共振（MRI）影像的深度學習模型。 這些模型可以幫助科學家了解人類大腦在不同年齡、性別和疾病狀態下的模樣。

這些AI模型由倫敦大學國王學院和NVIDIA的數據科學家及工程師共同開發。這項研究屬于倫敦醫學影像與AI中心 Value-Based Healthcare 項目的一部分，并且得到了英國研究與創新署和Wellcome旗艦計劃的資助。

開發此類AI模型的目標是幫助基于大腦核磁共振掃描的神經系統疾病診斷。這些模型還可用于預測大腦疾病的發展進程，從而進行預防性治療。

使用合成數據還有一個好處：能夠保護患者的隱私，并使倫敦大學國王學院能夠向整個英國醫療行業開放這項研究。如果沒有 Cambridge-1，AI模型的訓練時間將會長達幾個月而不是現在的幾周，所得到的影像質量也不會如此清晰。

倫敦大學國王學院和NVIDIA的研究人員使用 Cambridge-1 中的多個GPU將模型擴展到必要的規模，然后采用一項被稱為超參數調整的流程來大幅提高模型的精度。

倫敦大學國王學院人工醫學智能高級講師Jorge Cardoso表示：“Cambridge-1通過加速合成數據的生成，使國王學院的研究人員能夠了解不同因素對大腦、解剖學和病理學的影響。我們可以讓我們的模型生成幾乎無限的數據并指定年齡和疾病，這樣就能夠開始解決一些問題，例如疾病如何影響大腦以及大腦何時可能存在異常。”

NVIDIA Cambridge-1 超級計算機的出現為像合成大腦項目這樣的開創性研究帶來了新的可能性并可用于加速數字生物學在疾病、藥物設計和人類基因組方面的研究。

作為世界上速度最快的50臺超級計算機之一，Cambridge-1 以80個DGX A100系統為基礎，集成了NVIDIA A100 GPU、BlueField-2 DPU 以及 HDR InfiniBand網卡。

倫敦大學國王學院正在使用NVIDIA的硬件和由PyTorch支持的開源MONAI軟件框架，并將CuDNN和Omniverse用于其合成大腦項目。MONAI是一個免費且獲得社區支持，基于PyTorch的醫療影像領域深度學習框架；CUDA深度神經網絡庫（cuDNN）是一個GPU加速的深度神經網絡庫；而Omniverse是一個用于虛擬協作和實時模擬的開放平臺。倫敦大學國王學院剛剛開始用它來實現大腦的可視化，以此幫助醫生更好地了解大腦疾病的形態和病理。

隨著深度學習架構效率的不斷提高以及硬件方面的改進，研究者能夠創建出復雜、高緯度的高分辨率醫學立體數據模型。矢量量化變分自動編碼器（VQ-VAE）可用于實現高效生成式無監督學習方法，通過對影像進行編碼大幅壓縮初始大小，同時保留解碼的保真度。

倫敦大學國王學院使用受VQ-VAE啟發并且經過3D優化的網絡對全分辨率的大腦立體影像進行高效的編碼，將數據壓縮到原始大小的1%以下，同時保持影像的保真度，超過了之前的最高技術水平。

在使用VQ-VAE對影像進行編碼后，可以通過一個針對數據體積特性和相關序列長度進行優化的長程變換器模型來學習潛在空間。數據的三維性質所引起的序列長度需要建立巨大的模型，而Cambridge-1提供的多GPU和多節點縮放功能使之成為可能。

通過從這些大型轉換器模型中取樣并將目標臨床變量（如年齡或疾病等）設置為條件，就可以生成新的潛在空間序列并使用VQ-VAE解碼為立體大腦影像。Transformer AI模型所采用的注意力機制可以對輸入數據的每個部分的重要性進行不同的權衡并用于理解這些序列的長度。

創建與現實生活中的神經放射學研究極為相似的生成式大腦影像有助于理解大腦如何形成、創傷和疾病對大腦所產生的影響以及如何幫助大腦恢復。使用合成數據代替真實患者數據解決了數據訪問和患者隱私方面的問題。倫敦大學國王學院合成大腦生成項目中的代碼和模型均開放源代碼。NVIDIA為合成大腦項目所基于的Fast-transformers 項目的開源做出了貢獻，進一步提高了該項目的性能。

編輯：jq