机器之心原创作者：力琴深耕医疗健康领域20年，医疗健康数字化、药物治疗精确化一直是英特尔的重要议题。每年都有万人因心血管疾病失去生命，易患疾病排名前三，又称头号健康杀手。在医院里，心血管内科医生每天都要查看大量的医学影像资料，凭借着自己的经验判读每一张MRI（心脏磁共振成像检查)影像，试图从隐秘而复杂的心脏结构中发现心血管疾病病人的患病秘密。人命关天，尽管他们不敢掉以轻心，但不同医生之间经验有差别，而且长时间工作中谁也无法保证一直处于最佳状态。如今，AI加入这场医学影像分析游戏，它超长待机永不疲倦，其颗粒度极其细微，熟稔心脏的每一处结构，就连隐藏暗处的线索都能够发现。在医疗健康领域，AI被广泛应用于医学影像、辅助诊断、疾病预测、药物研发等多个环节，它们就像汽车里的超级马达，促使各个医疗环节加快效率。据数据显示，年中国医疗人工智能市场规模达到亿元。这一高速增长得益于中国医疗市场的迫切需求，以及近年来医疗人工智能技术的发展与相关政策的支持。作为人工智能应用落地最具潜力的领域之一，英特尔将自身软硬件能力、算法能力以及相关应用深入医疗健康领域，协同产业医疗机构、医药公司等多方合作，在推理医学影像、医学影像分析、病理切片分析、药物研发等场景大显身手。一、人工智能落地医疗根据GlobalMarketInsight的统计数据，药物研发在全球医疗人工智能市场中的占比最大，达到35%。紧随其后的是医学影像人工智能，占比25%，并将以超过40%的增速发展，预计年将达到25亿美元的规模。人工智能在医疗健康领域的应用非常广泛，从医学影像、辅助诊断、疾病预测，到健康管理、药物研发等诸多环节，都发挥重要作用。例如人工智能应用于慢病管理与疾病监测，基于患者体征对(潜在)慢性疾病进行风险预估，从而通过早期干预，降低患者的医疗费用。影像辅助诊断方面，帮助放射科医生快速筛除正常影像，提高分析影像的准确度，缩短诊断结果报告时间，提升医疗系统的诊断能力。现阶段，我国基本成型的医疗医院试用阶段，该领域公司基本没有实现盈利；在辅助诊断方面，医学影像、电子病历、导诊机器人是主要应用场景，多为软硬件一体化全套解决方案，目前产品仍处于打磨阶段。国内新药研发仍以仿制药和改良药为主，国内AI新药研发主要是人工智能公司与药企合作开发新药。要解锁AI在医疗健康领域的落地困境，需要软硬件配套设备的支撑，AI算法提高诊断精度，AI芯片作为底层关键技术，配合先进工艺的硬件设备，三方力量集成，以促进生物技术与信息技术的融合，从而撬动AI与医疗大生态。英特尔自身优势与AI落地医疗领域的节点正好契合。二、英特尔软硬兼施作为一家拥有数据积淀的科技公司，英特尔一直坚持从云到端的产品与技术创新，广泛与合作伙伴共同推动云计算、大数据、人工智能等技术与解决方案的发展。目前英特尔的硬件产品有英特尔至强可扩展处理器和傲腾数据中心级持久内存和傲腾固态盘等；软件产品有英特尔架构优化的Caffe和TensorFlow，以及OpenVINO工具套件等。第二代英特尔至强可扩展处理器专为数据中心现代化变革而设计，提供比前代产品高出25%-35%的性能，且具备多项新特性，能够打造性能更强的敏捷服务和更具价值的功能，进而改善总体拥有成本，提升生产力。此外，该第二代处理器集成了深度学习加速技术(矢量神经网络指令VNNI)，可加速人工智能和深度学习推理，并针对工作负载进行优化。这使其拥有集成AI加速能力的CPU架构。作为新一代至强可扩展平台的「核心」，第二代英特尔至强可扩展处理器支持英特尔傲腾数据中心级持久内存这一全新产品类别。而英特尔傲腾数据中心级持久内存通过与第二代英特尔至强金牌以及铂金处理器搭配，可以作为DRAM内存的有力补充，提高系统性能，加速工作负载处理和服务交付。在强有力的硬件产品支撑下，英特尔的软实力也不可小觑。面向深度神经网络的英特尔数学核心函数库(MKL-DNN)，作为加速深度学习框架的性能增强库，包含高度矢量化和线程化的构建模块，支持利用C和C++接口实施深度神经网络,具备广泛的深度学习研究、开发和应用生态系统，适用于：Caffe、TensorFlow、Pytorch、ApacheMXNet、BigDL、CNTK、OpenVINO工具包等深度学习软件产品。为了应对在CPU上运行深度学习模型面临的性能挑战，英特尔推出优化版TensorFlow，能够确保深度学习类工作负载在各种情况下都可利用英特尔MKL-DNN基本运算单元高效运行。此外，为配合软硬件双重发力，英特尔还推出一系列软件开发工具套件，分别是面向英特尔架构优化的Python分发包，提供编写Python原生扩展所需的一切；OpenVINO工具套件，用以加快高性能计算机视觉处理和应用。该工具允许异构执行，支持Windows与Linux系统，以及Python/C++语言，能够有效推进计算机视觉技术在从智能摄像头、视频监控、机器人，到智能交通、智能医疗等领域的深入应用。三、四大场景急速医疗产业变革围绕推理医学影像、医学影像分析、病理切片分析、药物研发等多个场景，通过英特尔与东软、西门子、医院、盈谷以及江丰生物等合作伙伴在医疗人工智能领域的实战案例，我们将详细阐述实战中的部署和应用。1）推理医学影像：底层架构优化图像分割结果在医学影像处理领域，图像分割也已在肿瘤和其他病理位置定位、组织体积测量、解剖学研究、计算机辅助手术、治疗方案制定以及临床辅助诊断等多个场景证明了其价值。在治疗心血管疾病过程中，心血管专家需要凭借经验来对心脏磁共振成像检查(MRI)影像进行判读，不仅费时费力，且错误率较高，在解释图像时也容易受到主观因素的影响，导致漏诊和误诊。目前西门子医疗与英特尔开展一系列创新医疗AI应用的研究，并将人工智能应用到心脏病学与放射性影像分析的实际应用中。该AI模型基于DenseU-net，可对心脏的左右心室进行语义分割，并可扩展到所有四个腔室。AI模型的输入是跳动心脏的MRI图像的堆叠，输出则是识别心脏的区域以及结构，其中每个结构都会被颜色编码。这样可以实现原先需要人工识别标注的过程，从而加快影像判读速度。第二代英特尔至强可扩展处理器为该AI模型的推理提供高效、灵活和可扩展的平台，特别是与OpenVINO工具套件的紧密结合，有效地加速针对视觉应用的深度学习推理，提高诊疗过程宝贵的诊断、决策速度和准确性。英特尔深度学习加速技术对INT8良好的支持能力，使其可以将FP32训练模型转化为INT8，在保持准确性的同时大幅提升推理速度。脑卒中的首选有效治疗手段为溶栓和取栓治疗，但这一方法有赖于对脑部医疗影像的快速和准确判读。eStroke溶栓取栓影像平台是基于缺血性脑卒中半暗带、脑微出血、脑侧支循环做出定量评价的云服务平台，可以实现对溶栓、取栓多模态影像做出精准评价。以eStroke溶栓取栓影像平台为载体，东软与英特尔携手，基于U-net模型对平台中的脑卒中医学影像进行图像分割处理。该方案采用面向英特尔架构优化的TensorFlow(基于英特尔MKL-DNN优化)以及OpenVINO工具套件进行优化，使基于U-net模型的深度学习推理在保证准确性的同时，推理时间得以大幅减少。在推理准确性基本一致的情况下，采用两个工具优化后的方案与未经优化的方案对比，推理延迟分别降低72.6%和85.4%。最左列为脑部CT原图，中间列是未优化时的图像分割结果，最右列是通过OpenVINO工具套件优化之后生成的图像分割结果。推理速度高于未优化时。目前，英特尔的应用已经在东软、西门子医疗、通用电气医疗集团等公司展开。2）医学影像分析：云技术与大数据双管齐下医学影像设备在医疗机构已相当普及，但在一些边远地区或基层医疗机构，却常常面临空有设备却无人有能力「看片」的尴尬境地。以一些省份为例，很多医学影像设备已部署到县、社区一级的医疗机构，但病人接受检查后，医院却依然无法做出精准的判断和分析，需要将影像文件通过拍照、扫描等方式传给上一级医疗机构。有时会因为影像文件的质量得不到保障乃至失真，造成病情的延误或误判。不仅如此，由于各医疗机构的信息化系统彼此独立，且数据标准未完全统一。例如各个影像归档和通信系统上存储的医学影像数据几乎没有连通，形成一个个信息「孤岛」，这些都会造成偏远地区患者在基层医疗机构得不到有效的病情分析。以医学影像数据为例，云技术与大数据双管齐下，可以让信息孤岛问题得以解决。专注医学影像核心技术近20年的西安盈谷，通过医真云的部署，将海量医学影像数据链接起来。同时将深度学习引入医学影像处理中，基于目标侦测神经网络模型构建了全新的CloudIDT服务，进而提高检出率、降低决策时间、提高工作效率。为帮助西安盈谷更好地推动这一系统的部署落地，英特尔向西安盈谷注入了强大的算力支撑能力，在英特尔至强可扩展处理器等最新一代平台产品与技术的配合下，助其完成CloudIDT服务向英特尔架构平台的迁移，以及对于Caffe、TensorFlow等深度学习框架的部署和优化。西安盈谷CloudIDT智能应用、医学影像处理及分析云计算iMAGES核心引擎等应用结合与英特尔软硬件双双配合。目前西安盈谷已在肺结节诊断等一大批关键场景中建立起「AI+Cloud」的智能辅助诊断系统能力。3）病理切片分析：层融合技术+分类卷积神经网络病理切片是将部分病变组织或脏器，经过一系列处理后形成微米级薄片，粘附在玻片上并进行染色处理，然后再交至病理科，病理科医生通过显微镜对病理切片进行镜检，观察病理变化，并作出病理诊断和预后评估。病理切片检查是一项非常复杂和具有挑战性的工作，而想要成为病理学方面的专家，更是需要具备多年的读片经验与数万张切片的阅片积累以及具有丰富专业知识。然而，据统计，目前全国病理科医生还不足万人。此外，人工检查不免带有较大主观性，由不同病理科医生对同一患者的病理切片作出的诊断，也经常会存在差异，这可能导致误诊、漏诊等现象产生。宫颈癌作为女性癌症患者中排名第四的致命疾病，成为目前严重危害女性健康的恶性肿瘤之一。目前，中国每年都会产生数千万新的宫颈LBP涂片，这对医疗机构的病理分析能力构成巨大的挑战。为此，江丰生物与英特尔一起，利用AI技术，构建和优化基于宫颈LBP切片的宫颈癌筛查AI解决方案。系统在输入图片后，经由数据预处理、分类卷积神经网络和后处理阶段，分别得到阳性预测和阴性预测。对于阳性预测，方案则进行第二阶段的目标侦测网络(基于Resnet50)模型的训练，然后进行阳性识别的推理过程，并交由医生做最终审查。江丰生物和英特尔一同测评了优化后的基于宫颈LBP切片的宫颈癌筛查AI解决方案，基于张精准标注样本进行了训练，并在张测试集上评估了不同的模型。评估结果表明，加入分类网络后的优化方案，其准确性比单独的目标侦测网络方案有了大幅提升。4）药物研发：基于M-CNN网络模型加速HCS进程越来越多的新技术正被运用于加速药物研发进程。基于细胞图像的高内涵筛选(HCS)方法是目前在系统生物学和药物研发领域常用的自动化分析方法之一，也是AI技术在药物发现早期环节的重要应用。目前诺华正与英特尔一起，合作研究使用深度学习的方法，以及通过基于优化的英特尔至强可扩展处理器平台上部署的M-CNN网络来加速HCS进程。左侧是一个用于HCS的显微镜图像，其单张像素接近万，而右侧是来自著名的ImageNet数据集的图像，其训练数据集单张图像为15万像素，双方相差26倍。利用深度学习方法，诺华可以从数据中「自动」学习，并区分一种治疗与另一种治疗的相关图像特征，但细胞显微镜图像巨大的信息量使这一方法仍需耗费大量时间——其图像分析模型的训练时间约为11小时。除了推理医学影像、医学影像分析、病理切片分析、药物研发在医学行业的应用之外，越来越多的图像处理软件与技术被运用于医疗行业中进行图像和文字识别。目前利用基于深度学习的识别模块来辅助药品发放等过程，已经被证明可以降低人为因素导致的差错率，具有很好的应用前景。医院与英特尔合作，利用深度学习技术辅助门诊发药实践。首先药师会将待发的药品置于发药窗口操作台上；其次操作台上方的图像采集装置会自动捕获药品图像，并传送到系统后台；基于深度学习的药品外包装识别模块，会快速对药品外包装进行识别，并将识别结果显示在电脑屏幕上。同时，系统会自动与HIS（医院信息管理系统）处方信息自动关联，对药品名称、规格、厂家和数量等参数分别进行匹配，并将错误信息标记为显著颜色进行提醒。现在，药品外包装识别模块已在医院辅助门诊发药系统中得到部署，有效地减轻药房工作人员的工作强度，同时提升发药准确率，病患满意度获得大幅提升。四、结语从年英特尔就与医疗健康领域结缘，与CommuniHealth合作，帮助患者和医生更好地管理慢性疾病。如今已有20年，英特尔一直

转载请注明:http://www.aideyishus.com/lkzp/6151.html