根據近年衛生部統計公報，在我國，每千人口執業（助理）醫師僅為1.82人，醫患比例懸殊帶來了揮之不去的“看病難”問題。培養一個專業醫生需要多年的時間和高昂的成本，更別提成就一個經驗豐富的三甲醫院醫生所需要累積的海量經驗值。想象一下，如果人工智能能讓機器像醫學院學生一樣“學習”，模擬將“小白”培養成超聲診斷醫生的過程，未來，醫院的診斷效率無疑將大大提高，每個患者也將能夠獲得更充分的醫療資源。
英特爾專家指出，在臨床，醫療影像是協助醫生判斷病情的重要信息，醫療數據中有超過90%的數據來自于醫學影像。英特爾正攜手浙江大學與德尚韻興孔德興教授團隊，從甲狀腺結節篩查入手，探索人工智能在臨床上輔助診斷的機遇。
“智能醫生”有多厲害？下方視頻告訴你！
比你聰明還比你勤奮！機器苦學成才？
與英特爾的合作下，浙江德尚韻興圖像科技有限公司研發出的一套基于超聲影像的甲狀腺結節良惡性的輔助診斷系統——“DE-超聲機器人”，正通過深度學習，將“機器小白”培養成醫生的得力助手，幫助從三甲醫院到基層醫院的醫生進行甲狀腺結節的診斷。輔助診斷系統的原理依托于深度學習技術，利用兩萬多張有標注結果的超聲影像樣本，對計算機進行訓練，使其擁有“診斷”的能力。使用這套系統不需要加重醫生的工作負擔，只需要跟日常檢查一樣，拍一張照片，系統便會進行自動識別。
更給力的是，機器識別完能告訴人們結節的位置，結節的特征，甚至結節的良惡性。
為了在準確率方面取得更好的成績，機器在深度學習過程中需要吃透海量樣本，這些學習樣本來自于脫敏處理后的精標準病歷。值得指出的是，初始的B超圖像上有很多信息，不僅僅是甲狀腺，還有氣管、血管，各種各樣的軟組織都在成像里面，給識別帶來很大難度。經過學習大量樣本，該輔助診斷系統像不斷汲取經驗的醫學院學生一樣，逐漸成長為經驗能豐富的醫學助理，目前，這套基于人工智能開發的智能診斷輔助系統準確率達到了85%以上。
在學習過程中，系統的神經網絡根據分類觀察某一類甲狀腺結節成像，總結分析良性結節有哪些特征，惡性里面有哪些特征。在英特爾強大的算力支持下，機器提取的特征會比人眼觀察到的特征多得多，所以準確率高于人類醫生的平均水平，有些的微小的特征，人眼會漏過的，機器卻能全面捕捉到。
醫科學霸的強大內核：英特爾全面助力
深度學習是一個神經網絡架構，浙江大學求是特聘教授、德尚韻興首席科學家孔德興表示，這套系統的獨特之處在于，它在神經網絡架構里面加入了數學的元素，比如旋轉不變性，此外，整個網絡的訓練是用兩個子網絡來承擔的，這使得處理速度有提升，精度有明顯提高。據悉，這兩個網絡都屬于三維的卷積神經網絡（3D CNN），但是根據承擔的工作任務不同，CNN在每個網絡的架構也不一樣。
為了處理大量的樣本，并從大量樣本里面提取特征，需要配備功能很強的服務器來支撐這樣的訓練?；诖耍律许嵟d從2016年開始與英特爾展開合作。在把輔助診斷系統的模型遷移到英特爾至強融核平臺上進行訓練后，系統的處理能力和效率方面都有顯著的進步。訓練中采集大量的醫學數據，通過醫學專家標定后，進行訓練。接下來，這些數據的訓練在英特提供的至強融核上進行，從而把網絡的參數給確定下來。訓練完之后就可以把這套系統部署到網上，還可以形成單機版，“學成”后在醫院就可以試用了。
醫療數據中有超過90%的數據來自于醫學影像
該系統是在本地專屬的服務器上進行訓練的，英特爾為其提供了多項幫助，包括至強融核計算平臺和可調用的函數庫等。目前，有多臺定制的英特爾服務器投用于該項目，就甲狀腺檢測的模型訓練時間來說，用8核的服務器運行需要12個小時左右。除了至強融核，英特爾還在多個維度協助了該項醫學項目的發展，從底層核心的函數庫，到FPGA，直到產品在云上的推廣和線下醫院的推廣。
造福人類的AI才是好AI！
目前，浙江大學與德尚韻興攜手英特爾的輔助診斷系已經部署于臨床試點應用。隨著人工智能在醫學輔助診斷領域的應用不斷深入，將為緊張的醫療資源分配帶來緩解。未來的商業模式主要有兩種，分別惠及不同的醫療基礎設施現狀。一種是通過云端部署在網絡上，主要布局于新疆、西藏等偏遠地區，針對這些地區地域廣闊，基層醫院分布分散的問題，能大大提升診療效率。另一種是單機版，適合城市醫療體檢中心等業務非常繁忙的場景，可要求實時檢測。在這種情況下，單機版可部署在超聲機旁邊，醫生一邊掃描，機器一邊在視頻里實時探測結節。
作為AI技術的領軍者和普及者，英特爾在AI的應用生態中無疑扮演著重要的角色。在其推動下，形成了包括浙江大學與德尚韻興等領先機構在內的人工智能“朋友圈”，共同推動AI在中國的加速，讓AI在更多領域找到應用的結合點，廣泛造福人類。
