在中國受人工智能影響最大的醫(yī)療健康行業(yè)中，數(shù)據(jù)已成為“AI+醫(yī)療”落地的最大阻礙之一——數(shù)據(jù)復雜且質(zhì)量參差不齊。那么，基于人工智能、云計算和大數(shù)據(jù)三位一體的互聯(lián)互通，是否有望打破醫(yī)療數(shù)據(jù)孤島，助力應用落地？

中國哪一行業(yè)受人工智能影響最大？答案是：醫(yī)療健康行業(yè)，AI滲透率達22%。

這也致使智能醫(yī)療的戰(zhàn)場已經(jīng)涌入無數(shù)新老玩家，但比起數(shù)據(jù)標準化、信息化起步早的金融等行業(yè)，醫(yī)療領(lǐng)域面臨更嚴重的數(shù)據(jù)孤島問題——數(shù)據(jù)零散且質(zhì)量參差不齊。

不少企業(yè)都因為技術(shù)門檻高而選擇在“門外”張望，醫(yī)療健康行業(yè)到底需要怎樣的AI方案？

將數(shù)據(jù)作為突破口，或許是一劑良藥：

醫(yī)療數(shù)據(jù)復雜且分散，“對癥下藥”的前提是需要有效地建立起安全可信的多源數(shù)據(jù)協(xié)同方案；

基于云計算和大數(shù)據(jù)技術(shù)的互聯(lián)互通，AI、云、大數(shù)據(jù)的“組合拳”成為消除醫(yī)療數(shù)據(jù)孤島的利器；

智能醫(yī)療中最先落地的技術(shù)主要集中在計算機視覺領(lǐng)域，例如醫(yī)學影像、醫(yī)療圖像分割等，這些方面的數(shù)據(jù)量較大，而CPU憑借對大內(nèi)存的支持，在高速、大容量數(shù)據(jù)承載和讀寫能力上的優(yōu)勢就格外突顯，有望讓相關(guān)AI推理速度得到較大提升；

在為大半個智慧醫(yī)療圈的企業(yè)做“后盾”的過程中，從芯片航母轉(zhuǎn)型到數(shù)據(jù)中心的英特爾總結(jié)了一份《英特爾醫(yī)療健康行業(yè)AI實戰(zhàn)手冊》，用AI內(nèi)功助力AI+醫(yī)療落地。

醫(yī)療健康行業(yè)AI滲透率達22%，市場潛力巨大但數(shù)據(jù)“水深”

在中國，醫(yī)療健康行業(yè)是被人工智能滲透最多的領(lǐng)域。

在中國各類垂直行業(yè)中，人工智能滲透較多領(lǐng)域的包括醫(yī)療健康、金融、商業(yè)、教育和安防等，其中醫(yī)療健康領(lǐng)域占比最大，達到22%。

相比安防、教育等行業(yè)，AI出現(xiàn)在醫(yī)療領(lǐng)域起到的更多是輔助作用，并非要直接取代人類的工作。例如，在醫(yī)學影像中，AI技術(shù)作為一種工具，憑借在準確度與工作可持續(xù)性方面的優(yōu)勢，可以輔助醫(yī)生提升診斷效率，有利于醫(yī)生做出最終判斷。

然而相對于數(shù)據(jù)標準化、信息化起步早、機械化工作方式占比高的金融行業(yè)，醫(yī)療健康業(yè)真正擁抱AI面對的限制更多，甚至目前還很難看到明確的未來。

數(shù)據(jù)就是一大難關(guān)，無論是數(shù)量還是質(zhì)量。智慧醫(yī)療面臨著諸多挑戰(zhàn)：

數(shù)據(jù)量。模型越復雜，參數(shù)越多，所需要的訓練樣本量就越大。但是對許多復雜的臨床場景而言，所需要的大量可靠數(shù)據(jù)卻并不容易獲得；

數(shù)據(jù)質(zhì)量。一般而言，健康數(shù)據(jù)的組織化和標準化程度都不高，且數(shù)據(jù)分散、有噪聲。在條件不好的診所，還存在電子病歷信息缺失或有誤、多機構(gòu)間分散存儲等問題，同時接口數(shù)據(jù)可靠性也很差；

模型的可解釋性。深度學習模型是個黑盒子，對如何得出結(jié)論沒有明確的解釋，其決策模式的權(quán)威性也尚待驗證;

模型的通用性。首先是模型偏差，比如采用白種人患者數(shù)據(jù)進行訓練的模型，可能在其他種族患者中效果不佳;還有就是模型互操作性差，也就是很難建立一個適用于兩種不同電子病歷系統(tǒng)中的深度學習模型;

已知前方“攔路虎”，亟需更對路的AI解決方案。

基于人工智能、云計算和大數(shù)據(jù)的互聯(lián)互通，打破數(shù)據(jù)孤島，建立醫(yī)療全連接

在AI三大支柱——算力、算法和數(shù)據(jù)中，數(shù)據(jù)更有望成為智慧醫(yī)療的突破口。

其中，醫(yī)學影像則被認為是AI與醫(yī)療的融合中，最有可能率先實現(xiàn)商業(yè)化的領(lǐng)域。影像數(shù)據(jù)的標準性和大體量為AI在這一領(lǐng)域的應用提供了最重要前提。

通過較為成熟的算法和大數(shù)據(jù)應用，機器讀片可以做到較為“客觀、精準、高效”，也給機器在醫(yī)學影像上與人工媲美，甚至代替人工增加了可能。

然而，過去很多醫(yī)療數(shù)據(jù)都是孤島式的，一個設(shè)備產(chǎn)生一個孤島式數(shù)據(jù)，一家醫(yī)院產(chǎn)生一個孤島式數(shù)據(jù)，當把這些“孤島”全部連接在一起，才是真正的大數(shù)據(jù)。

而英特爾此前倡導要“深挖數(shù)據(jù)紅利，釋放數(shù)據(jù)價值”。同時，人工智能、云、大數(shù)據(jù)技術(shù)結(jié)合也是必然趨勢，可圍繞數(shù)據(jù)的每個環(huán)節(jié)創(chuàng)造價值。

如今在醫(yī)學影像分析中，“云技術(shù)+大數(shù)據(jù)+AI”這套組合拳正逐漸打破醫(yī)療數(shù)據(jù)的孤島：基于云計算和大數(shù)據(jù)技術(shù)的互聯(lián)互通，各醫(yī)療機構(gòu)之間可以建立無邊界醫(yī)療全連接。

將醫(yī)技設(shè)備鏈接和聚合起來的醫(yī)真云

例如，西安盈谷的解決方案就是，先通過醫(yī)真云的部置，利用物聯(lián)網(wǎng)技術(shù)，將源自不同設(shè)備的海量醫(yī)學影像數(shù)據(jù)鏈接起來，再通過其醫(yī)學影像處理及分析云計算核心引擎iMAGES，來輸出強勁的影像大數(shù)據(jù)在線處理能力。最后，構(gòu)建 Cloud IDT 服務(wù)，將AI技術(shù)引入到醫(yī)學影像處理和分析中。

在這一解決方案的過程中，盈谷在英特爾的支持下完成了 Cloud IDT 服務(wù)向英特爾架構(gòu)平臺的遷移，以及對于 Tensorflow等AI技術(shù)框架的部署和優(yōu)化。

AI與云技術(shù)的搭配實現(xiàn)了實現(xiàn)了人工智能輔助醫(yī)學診療的創(chuàng)新。例如，在篩查肺部疾病時，在 Cloud IDT 服務(wù)的輔助下，低劑量 CT 肺小結(jié)節(jié)智能化輔助診斷定量的監(jiān)測敏感度（探測率）已達到 95%，篩查時間也由人工方式所需的10多分鐘縮短到6秒以內(nèi)。

CPU優(yōu)勢盡顯，深度學習技術(shù)加速圖像分割AI推理

事實上，入局AI+醫(yī)療，強大推理能力的尤為重要。

在AI推理市場，英特爾至強處理器的普及率非常高，為80%-90%的AI推理助力。

而作為計算機視覺技術(shù)的重要分支，圖像分割已在醫(yī)學影像處理領(lǐng)域獲得廣泛應用，例如腫瘤和其他病理位置定位、計算機輔助手術(shù)以及臨床輔助診斷等細分領(lǐng)域。

隨著計算機視覺技術(shù)飛速發(fā)展，與卷積神經(jīng)網(wǎng)絡(luò)（CNN）類似的模型，是目前基于AI的圖像分割技術(shù)中常見的網(wǎng)絡(luò)模型。這其中，全卷積網(wǎng)絡(luò)、U-net 和 V-net 是常見的幾種基于深度學習的圖像分割方法。

基于AI的圖像分割需要大規(guī)模推理，而AI應用不能對臨床診療造成延遲，因此需要保持保證 AI 推理具備高吞吐、低延遲的特性，在這方面CPU優(yōu)勢明顯。

西門子醫(yī)療與英特爾一起合作，優(yōu)化了基于全新的第二代英特爾至強可擴展處理器平臺構(gòu)建的心腔檢測和量化模型。

西門子醫(yī)療與英特爾一起構(gòu)建心臟 MRI 的 AI 分析能力

處理器內(nèi)置的英特爾深度學習加速技術(shù)，具有全新的矢量神經(jīng)網(wǎng)絡(luò)指令（VNNI），能夠進一步加速深度學習中的各種計算密集型操作，讓圖像分類、圖像分割、目標檢測等 AI 應用在該處理器平臺上的推理效率變得更高。

英特爾深度學習加速技術(shù)對 INT8 良好的支持能力，使其可以將 FP32 訓練模型轉(zhuǎn)化為 INT8，在保持準確性的同時大幅提升推理速度。

硬件如同土地，那么軟件就像耕地的工具，選擇適合的軟件與硬件搭配，能實現(xiàn)事半功倍的效果。

圖像分割的深度學習模型也需要軟件進行優(yōu)化。CT檢查是現(xiàn)代醫(yī)療最常用的檢查手段之一。以往通常依賴人類醫(yī)生進行人工看片，通用電氣醫(yī)療集團（GE醫(yī)療）正利用深度學習的方法，使 CT 切片圖像能更便捷地進行分類和標記。

英特爾DLDT是 OpenVINOTM 工具套件中，專門用于深度學習模型的推理加速部件?？梢詫Χ喾N主流深度學習開源框架訓練好的模型進行轉(zhuǎn)換和優(yōu)化，生成獨立于深度學習框架的 bin 文件和 xml 文件。

利用英特爾DLDT 對模型進行轉(zhuǎn)換和優(yōu)化后，可將優(yōu)化后的模型導入GE 醫(yī)療CT 邊 緣 AI 增強應用中，該應用在硬件基礎(chǔ)上構(gòu)建了基于邊緣的強大推理引擎。

多核心帶來了推理性能的穩(wěn)步擴展

GE 醫(yī)療希望在對模型實施優(yōu)化后，能夠在使用小于 4 個處理器核心的情況下，使推理引擎每秒可處理的圖像數(shù)量達到 100 張。優(yōu)化后的測試結(jié)果為：在使用了英特爾至強處理器上的4個核心時，優(yōu)化后的模型每秒可處理的圖像數(shù)量，提升到了596張，近6倍于上述的期望值。

AI介入藥物研發(fā)進程，圖像分析模型訓練時間從11小時降至31分鐘

醫(yī)療健康行業(yè)不僅限于臨床醫(yī)學，還包含藥物研發(fā)與制造等細分領(lǐng)域。

AI技術(shù)如今也被運用于藥物研發(fā)進程，基于細胞圖像的高內(nèi)涵篩選（HCS）是目前在該領(lǐng)域常用的自動化分析方法之一，也是AI技術(shù)在藥物發(fā)現(xiàn)早期環(huán)節(jié)的重要應用。

利用深度學習方法、從數(shù)據(jù)中“自動”學習，并區(qū)分一種治療與另一種治療的相關(guān)圖像特征，但細胞顯微鏡圖像巨大的信息量使這一方法仍需耗費大量時間——其圖像分析模型的訓練時間約為 11 小時。

如今，英特爾和諾華的生物學家、數(shù)據(jù)科學家們通過基于優(yōu)化的英特爾至強可擴展處理器平臺上部署的 M-CNN 網(wǎng)絡(luò)，來加快 HCS 分析，實現(xiàn)更佳的訓練和推理效果。

諾華優(yōu)化后方案的訓練效果

優(yōu)化方案部署了8 個基于英特爾至強可擴展處理器的節(jié)點，使用 Broad Bioimage Benchmark Collection* 021 （BBBC-021） dataset29 數(shù)據(jù)集，圖像總量為 1 萬張，尺寸為1024*1280*3。在超過20 次的訓練后，如圖上圖所示，訓練時間總長約為31分鐘，準確率超過 99%。

在這一過程中，CPU在大內(nèi)存方面的優(yōu)勢就格外突顯。它在某些需要較大容量內(nèi)存的（數(shù)十GB乃至上百GB）場合時要優(yōu)于其他平臺的表現(xiàn)。

事實上，醫(yī)療行業(yè)內(nèi)，盡管數(shù)據(jù)質(zhì)量參差不齊，但常常要處理大量需要大內(nèi)存支持的影像數(shù)據(jù)，除了3D數(shù)據(jù)外，還有附帶時序的核磁共振4D數(shù)據(jù)，它們更加依賴大容量內(nèi)存。

用特定硬件“圈地”畫邊界，增強數(shù)據(jù)安全防護

盡管前景并非百分百明朗，但很多傳統(tǒng)醫(yī)療機構(gòu)還是一頭扎進了AI戰(zhàn)場。

人們對健康的追求是不會停止的，AI+醫(yī)療這一領(lǐng)域也更貼近人們對未來科技世界的美好期待——AI的出現(xiàn)對智能化醫(yī)療體系的構(gòu)建起到了關(guān)鍵作用。

就數(shù)據(jù)方面，AI+醫(yī)療依然存在不少隱患，這需要政策與技術(shù)的雙重努力。

2017年7月8日，國務(wù)院印發(fā)《新一代人工智能發(fā)展規(guī)劃》，提出要發(fā)展智能醫(yī)療，推廣應用人工智能治療的新模式新手段，建立快速精準的智能醫(yī)療體系。

政策的支持促使人工智能在醫(yī)療領(lǐng)域的應用更上一層樓。然而，醫(yī)療行業(yè)大數(shù)據(jù)集中化確實是一大重要趨勢，但在數(shù)據(jù)安全和主權(quán)問題尚未沒解決前，不同醫(yī)療和健康機構(gòu)的數(shù)據(jù)很難實現(xiàn)真正意義上的共享，或者共同的發(fā)掘和利用，這就要求技術(shù)方面要建立起真正實用且安全可信的多源數(shù)據(jù)協(xié)同方案。

在這方面，英特爾就憑借過“硬”技術(shù)，為平安科技聯(lián)邦學習技術(shù)團隊聚合多源數(shù)據(jù)實施 AI 模型訓練的過程保駕護航。

英特爾SGX 技術(shù)以可信“飛地”來增強數(shù)據(jù)安全防護

英特爾SGX 技術(shù)可通過在特定硬件（例如內(nèi)存）中構(gòu)造出一個可信的“飛地”（Enclave），使數(shù)據(jù)和應用程序的安全邊界僅限于“飛地”本身以及處理器，同時其運行過程也不依賴于其他軟硬件設(shè)備。

這意味著數(shù)據(jù)的安全保護是獨立于軟件操作系統(tǒng)或硬件配置之外，即使硬件驅(qū)動程序、虛擬機乃至操作系統(tǒng)均受到攻擊和破壞，也能更有效地防止數(shù)據(jù)泄露。

而多源數(shù)據(jù)，顧名思義，數(shù)據(jù)來源多樣，來自不同機構(gòu)。英特爾SGX 技術(shù)能解決另一痛點問題就是跨醫(yī)療機構(gòu)、跨公司企業(yè)之間的數(shù)據(jù)利用問題——既可以推動跨不同機構(gòu)的數(shù)據(jù)利用，又可以保障其安全。

中國醫(yī)療市場潛力巨大，AI+醫(yī)療仍處于起步階段，英特爾在這方面的經(jīng)驗將為傳統(tǒng)醫(yī)療企業(yè)轉(zhuǎn)型提供高價值的借鑒作用。

在人工智能賦能各個領(lǐng)域中，落地已經(jīng)成為繞不開的話題，所有AI都應該最終能做到解決實際問題，實現(xiàn)真正的落地。簡化流程、對癥下藥，正是英特爾在中國醫(yī)療健康行業(yè)的AI實戰(zhàn)經(jīng)驗。