英特尔AI医疗实战手册曝光:医生诊断提速10倍,推理时间

2019-09-27 15:40 稿源:量子位公众号  0条评论

英特尔 (2)

声明:本文来自于微信公众号量子位(ID: QbitAI),作者:乾明 李根 ,授权站长之家转载发布。

AI正在变革(中国)医疗。

最近,一份实战手册刚刚披露,清晰勾勒出了AI如何重塑着医疗行业的各个方面。

而且这份手册展示的不光有趋势分析、技术规划,还展示了诸多案例,是实践实战后的全面总结。

报告撰写者,正是提供了最基础但覆盖全流程的AI能力计算巨头英特尔,可以说是AI医疗的首份权威“剑谱”。

那么,“剑谱”中究竟有什么?又该如何修炼?我们详细拆解。

人工智能,AI

欲练此功,先看趋势

在AI落地趋势中,医疗已经成为了最大的应用场景。

根据 2018 年 9 月中国信息通信研究院Gartner联合发布的《2018 世界人工智能产业蓝皮书》,在中国,医疗健康领域的AI渗透率已经达到了22%,在所有垂直行业中渗透率最高。

远超排名第二的是金融,渗透率为14%,而之前AI落地竞争最激烈的安防,当前仅排名第五。

尽管只有如此渗透率,整个AI医疗行业就已经形成了数百亿美元的市场规模,相应投资也在快速增长。

前瞻产业研究院发布的《中国医疗人工智能行业市场前景预测与投资战略规划分析报告》显示, 2017 年中国医疗人工智能行业市场规模达到136. 5 亿元,增长率为41%,到 2018 年,这一数字将会突破 200 亿元,达到 210 亿左右。

而且如此趋势并不只是中国独有,在全球范围内,医疗领域的AI落地发展也极为迅猛。

根据 Global Market Insight 发布的报告显示, 2019 年至 2025 年期间,医疗保健人工智能市场规模的复合年增长率预计将达到41.7%。

这些数字的背后,不仅有AI技术的进一步发展落地推动,也有医疗市场本身的迫切需求,以及现相关政策的支持。

具体到实际的落地场景中,AI的应用可以说非常广泛,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,都可发挥关键作用。

但在不同层级的医疗机构中,AI的应用也有所不同,将会呈现出更加多元化的趋势。

在基层医院或第三方体检中心,主要以辅助筛查辅助诊断为主;

在三甲医院等医疗机构,则以提高医生工作效率为主;

在健康管理方面,会以支持单位和个人支付的健康体检为主要方向。

而药物研发这一领域,人工智能的应用则深入许多,通常需要人工智能技术公司与大型药企、医药研究机构通力合作来推进。

当然,将AI应用到医疗领域中,还有不少问题亟待解决,比如数据的数量与质量、模型的通用性和可解释性、以及相应的安全问题等等。

但AI医疗之大势,已经浩浩汤汤,锐不可挡。

其中还有一些“先富起来”的实践者,在各种招式摸索之后,已经趟出一条黄沙百战之路,有总结,可参考,甚至能够学习复刻。

而且更关键的是,还是在英特尔这份实战为主题的报告中,详细披露了AI医疗落地本领如何铸就,还有各方高手,如西门子、东软、解放军总医院等,纷纷给出了“注解”。

所以这究竟是一份怎样的实战报告,我们细细拆解。

AI医疗 5 种绝技

整个手册,一共介绍了AI在医疗领域的五大应用——覆盖发现病情、病情分析研究、药物研发等?全流程各个方面。

具体来说就是 5 大绝技。

绝技一:图像分割审查病情,用AI推理助力诊断

图像分割,顾名思义,就是将图像切分为多个区域,来简化或改变图像的表现形式,从而让图像变得更加容易解读和分析。

目前,图像分割技术用在了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细分领域。

图像分割的实现方式也不难理解——以图像中的自然边界,例如物体轮廓、线条等,将图像切分为多个区域。

在计算机中,是对图像中的每个像素加上标签,并认为具有相同标签的像素有着某种共同视觉特性,从而来实现分割。

传统中有基于聚类、阈值、边缘、区域等特征的方法。但随着AI技术的发展,基于深度学习的方法效果出众,超过人类,成为最广泛的应用。

这其中,全卷积网络(Fully Convolutional Network, FCN)、U-net 和 V-net 是常见的几种基于深度学习的图像分割方法。

但在医疗领域中,应用最为广泛的则是U-net 。需要分割的图像有其独特性,大多数情况下是针对一个指定器官的成像,而非全身。

器官本身结构比较固定,语义信息并非特别丰富。

所以高级语义信息和低层级特征就显得重要,而 U-net 的 U 型结构和跳跃连接在这种场景中,可以发挥出更大作用。

近年来,U-net 在医学影像 分割领域良好的应用效果,已在很多部署中得到充分了证明。

良好的图像分割模型,能有效帮助医疗机构提高医学影像判读效率,进而增强临床诊疗能力、提升疾病治愈率以及减少病患等待时间,弥补因医疗机构影像科资源缺乏带来的多种问题。

但医疗领域的图像分割对时效性要求更高。

通常情况下,留给病患的黄金诊疗窗口往往只有数十分钟。因此,如果图像分割 AI 应用的推理效率不够高,就有可能延误宝贵的抢救时间。

这就决定想要将图像分割应用到真正的医疗场景中,一方面需要基于不同的图像分割类型对模型进行优化,另外一方面则需要强大稳定的计算能力来完成推理。

怎么进一步落地?英特尔提供了工具,比如OpenVINOTM工具套件以及至强处理器系列产品等等, 能够在在保证 U-net 模型高准确率的同时,推理时间大幅降低85%。

在报告中不仅给出了具体的使用方法,也放出了不少已经落地的案例,比如东软的eStroke溶栓取栓影像平台,西门子的心腔检测和量化模型等等。

(更多详情请见报告,获取方式在文末)

绝技二:AI+云,部署更强医疗影像分析应用

伴随着医疗体系现代化建设,医疗设备也已逐渐普及,即便在基层医疗机构,患者也能进行各类医学影像检查。

虽然医学影像设备和系统可以迅速到位,但“软实力”却无法一蹴而就,这就导致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。

也有不少人给出了解决方案,比如将影像文件通过拍照、扫描等方式传给上一级医疗机构。但信息传递准确性以及时效性上,都难有保障,从而造成病情的延误或误判。

云计算技术的快速发展,让这些问题逐渐得以解决。

通过接入云服务,各级医疗机构能够获得跨终端、跨平台的全医技功能应用。

基于云计算的影像协同平台,能够让来自大、中型医疗机构的医学影像专家随时随地处理从不同地区传来的影像数据,并对疑难杂症进行协同会诊,来实现医疗资源的高效共享。

而且, 云计算和大数据技术的互联互通,不仅让各医疗机构可以规避过度检查、重复治疗等问题,还有力地打破了数据孤岛现象,建立无边界医疗全连接,提高医疗服务质量。

与此同时,这也强化了影像数据的积累和分析,也让基于 AI 的医疗影像分析 应用日趋走向成熟,一个过去需要 10 分钟进行筛查的肺癌前期诊断,在AI的加持下能够达到秒级,而且准确率也在95%以上。

目前,在医疗影像 AI 分析应用中,目标侦测神经网络正被广泛地运用,其通过深度学习的方法,能够对 X 光片、CT 成像等医疗影像进行高效、准确的病灶检测。

典型的目标侦测神经网络有 R-CNN、Fast R-CNN、SPP-NET、R-FCN 等。R-FCN 是 近年来在医疗影像分析领域常见的目标侦测神经网络模型,其典型的结构入下图所示:

关键所在,是如何让云+AI更好的结合起来,实现无缝的协同,更强大的AI病情分析,也需要对主流的AI框架进行优化升级。

实战手册中,在与西安盈谷 Cloud IDT 智能应用、医学影像处理及分析云计算@iMAGES 核心引擎等相结合后,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。

声明:本文转载自第三方媒体,如需转载,请联系版权方授权转载。协助申请

相关文章

相关热点

查看更多