分析組織切片的過程既困難又耗時
。採用數字全玻片組織病理學資料、分子資訊和基因組學以幫助病理學家並改善癌症診斷的準確性。根據癌症的型別和病理學家的經驗水平，病理學家分析活檢切片可能需要
15 分鐘或更長時間。如果一個病人有幾十張載玻片，它可以快速加起來。在決定治療計劃時，醫生還會考慮其他資料來源，例如患者和家族病史，以及可用的分子和基因組資料。在本地和雲端使用 NVIDIA GPU來開發用於病理影象分析的 AI 工具，該工具包含所有這些資料來源。
基於雲的 GPU可用於多種任務，例如訓練多語言 AI 語音引擎、檢測糖尿病引起的失明的早期跡象以及開發媒體壓縮技術。初創公司、學者和創作者可以快速上手、探索新想法並進行實驗，而無需長期致力於特定尺寸或配置的 GPU。
NVIDIA 資料中心 GPU 可透過所有主要雲平臺訪問，包括阿里雲、亞馬遜網路服務、谷歌雲、IBM 雲、微軟 Azure和甲骨文雲基礎設施。
雲服務提供商透過提供有用的資源（例如開發工具、預先訓練的神經網路和為開發人員提供技術支援）來幫助使用者進行設定和故障排除。當大量訓練資料湧入、試點計劃啟動或大量新使用者到來時，雲讓公司可以輕鬆擴充套件其基礎設施，以應對不斷變化的計算資源需求。
為了提高成本效益，使用雲進行研究、容器化應用程式、實驗或其他對時間不敏感的專案的開發人員可以透過使用過剩容量獲得高達 90% 的折扣。這種用法稱為“現貨例項”，可有效地轉租其他客戶未使用的雲 GPU 上的空間。
在組織活檢過程中拍攝的數字化整張幻燈片影象非常巨大，每個影象都可能超過 100，000 x 100，000 畫素。為了有效地使用如此大的檔案進行計算，深度學習開發人員通常選擇將幻燈片切成單獨的補丁，使神經網路更容易處理。但是這種策略使得研究人員手動標記訓練資料非常耗時。病理學家經常使用組織載玻片、免疫組織化學標記物和基因組圖譜等豐富的資料做出決定。但目前大多數基於深度學習的診斷方法依賴於單一資料來源或融合資訊的瑣碎方法。
