数字病理学深度学习的运营温室气体排放:一个建模研究
Alireza Vafaei Sadr1, Roman Bülow2, Saskia von Stillfried2
1Institute of Pathology, University Hospital Aachen, Rheinisch-Westfälische Technische Hochschule Aachen, Aachen, Germany; Department of Public Health Sciences, College of Medicine, Pennsylvania State University, Hershey, PA, USA.
The Lancet. Digital health
|November 23, 2023
概括
病理学中的深度学习可以改善医疗保健,但会带来重大的环境成本. 优化模型和数据输入可以大大减少二氧化碳等效 (CO2eq) 排放.
科学领域:
- 医学成像分析分析 医学成像分析
- 计算病理学计算病理学
- 医疗保健中的环境可持续性
背景情况:
- 深度学习 (DL) 正在改变医疗保健,特别是在像病理学这样的图像密集型领域.
- 对癌症病理学的临床适用DL诊断工具正在出现.
- 这些DL工具的环境可持续性数据有限.
研究的目的:
- 在患者护理病理学中进行DL理论实施的环境可持续性分析.
- 在数字病理学工作流程中量化与DL相关的二氧化碳等效 (CO2eq) 排放.
- 探索减少DL在病理学中的环境影响的策略.
主要方法:
- 通过2019年的数字病理学数据 (乳腺和前列腺样本) 进行了建模研究.
- 二氧化碳等效 (CO2eq) 排放量是根据整个幻灯片图像 (WSIs),不同的数据输入场景以及DL模型大小和任务计算的.
- 使用当地电网数据将能源消耗转换为CO2eq,并评估了减排策略,如模型修剪和病理学.
主要成果:
- 在病理学中广泛的DL可能具有相当大的全球变暖潜力,全球每年的排放量高达16兆 (Mt) 的CO2eq.
- 优化DL场景 (例如,7任务场景,仅用组织幻灯片上的小型模型) 可以将全球排放量减少多达141倍.
- 帕索米克提供了与多任务DL模型相比可比或更好的结果,减少了147倍的CO2eq排放.
结论:
- 在病理学中广泛采用DL可能会对全球变暖作出重大贡献.
- 对这种环境影响的认识对医学界,政策制定者和公众至关重要.
- 实施CO2eq减排策略对于可持续的DL在病理学中的整合至关重要.
