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)療領域面臨更嚴重的數(shù)據(jù)孤島問題——數(shù)據(jù)零散且質量參差不齊。

不少企業(yè)都因為技術門檻高而選擇在“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主要集中在計算機視覺領域，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，從芯片航母轉型到數(shù)據(jù)中心的英特爾總結了一份《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域。

在中國各類垂直行業(yè)中，人工智能滲透較多領域的包括醫(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，無論是數(shù)量還是質量。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，對如何得出結論沒有明確的解釋，其決策模式的權威性也尚待驗證;

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)化的領域。影像數(shù)據(jù)的標準性和大體量為AI在這一領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)技術結合也是必然趨勢，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+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)技術的互聯(lián)互通，各醫(yī)療機構之間可以建立無邊界醫(yī)療全連接。

將醫(yī)技設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，將源自不同設備的海量醫(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，構建 Cloud IDT 服務，將AI技術引入到醫(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 服務向英特爾架構平臺的遷移，以及對于 Tensorflow等AI技術框架的部署和優(yōu)化。

AI與云技術的搭配實現(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 服務的輔助下，低劑量 CT 肺小結節(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的重要分支，圖像分割已在醫(yī)學影像處理領域獲得廣泛應用，例如腫瘤和其他病理位置定位、計算機輔助手術以及臨床輔助診斷等細分領域。

隨著計算機視覺技術飛速發(fā)展，與卷積神經(jīng)網(wǎng)絡（CNN）類似的模型，是目前基于AI的圖像分割技術中常見的網(wǎng)絡模型。這其中，全卷積網(wǎng)絡、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建的心腔檢測和量化模型。

西門子醫(yī)療與英特爾一起構建心臟 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，具有全新的矢量神經(jīng)網(wǎng)絡指令（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對 INT8 良好的支持能力，使其可以將 FP32 訓練模型轉化為 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，該應用在硬件基礎上構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)與制造等細分領域。

AI技術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）是目前在該領域常用的自動化分析方法之一，也是AI技術在藥物發(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，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)療體系的構建起到了關鍵作用。

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

2017年7月8日，國務院印發(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)安全和主權問題尚未沒解決前，不同醫(yī)療和健康機構的數(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，為平安科技聯(lián)邦學習技術團隊聚合多源數(shù)據(jù)實施 AI 模型訓練的過程保駕護航。

英特爾SGX 技術以可信“飛地”來增強數(shù)據(jù)安全防護

英特爾SGX 技術可通過在特定硬件（例如內(nèi)存）中構造出一個可信的“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。英特爾SGX 技術能解決另一痛點問題就是跨醫(yī)療機構、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)轉型提供高價值的借鑒作用。

在人工智能賦能各個領域中，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。