現代醫學之所以每天都在造福無數人類，對人體越來越深入的了解是重要原因，尤其是診斷的時候，醫學影像起到的作用越來越重要。專業醫療科學網站估計：醫療數據中有超過90%的數據來自于醫學影像。然而，針對影像數據的分析，現在主要還是靠易于出錯的人工完成，誤診難以避免，中外概莫能外。從影像誤診人數來看，美國每年人數達到 1,200 萬，中國每年高達 5,700 萬。

不過，AI 和深度學習技術正在逐漸解決這些問題。諸如對象檢測和分割等 AI 技術，可以幫助放射科醫生更快、更準確地識別問題，從而更好地劃分病例優先級、改善患者治療效果、降低醫院運營成本。這種技術的挑戰在于：如何在盡量不大幅增加系統成本的的前提下，能夠高效、準確地處理醫學影像？

英特爾和飛利浦公司合作證明：搭載英特爾 至強 可擴展處理器的服務器，可用于高效執行面向患者 X 光和 CT 掃描的深度學習推理，醫療機構無需巨額投資、修改使用GPU硬件 ，也能實施醫療 AI 工作負載。

骨齡預測 and 肺部分割，推理大提速

2017 年，英特爾推出了至強 可擴展處理器，可以處理復雜的混合工作負載，包括醫療成像領域常見的大型內存密集型模型，也能實現加速。在此之前，要想使用硬件加速深度學習，常見的做法是使用圖形處理單元 GPU。不過，這種做法存在一些內存限制，同時購買適用 GPU 的費用也是居高不下。英特爾和飛利浦發現，相比基于 GPU 的系統，英特爾至強可擴展處理器更能滿足數據科學家的需求。更讓飛利浦高興的是——能夠以更低的成本為客戶提供 AI 解決方案。

為了支持醫學圖像興趣區分割和醫學圖像分類，飛利浦正在開發復雜的深度學習模型，可用于以下兩種案例：

骨齡預測模型

以人類骨骼（比如手腕）的 X 光圖像和患者性別為輸入。然后，推理模型通過骨骼預測年齡，以確定因骨質流失導致的身體狀況。該模型可以協助診斷營養不良等癥狀。

肺部分割模型

患者胸部 CT 掃描結果識別肺部，在檢測到的器官周圍創建分割掩膜。推理結果可用于測量肺部的大小和體積，或加載用于譬如肺結核或氣胸檢測的特定器官疾病篩選模型。放射科醫生能更清晰地看到病患的肺部解剖結構。

在模型的優化上，飛利浦使用以下兩種方法，最大限度地提升了推理模型的性能。

使用 OpenVINO 工具套件

該套件有兩個主要組件：模型優化器和推理引擎。前者對神經網絡圖形進行優化，后者可以針對制定目標硬件后端加載推理引擎。英特爾提供了面向各種硬件類型的程序開發庫，以實施高效深度學習的內核。

并行化工作負載

也就是運行多個 OpenVINO 實例。相比運行一個實例而言，在每個處理器插槽上運行多個 OpenVINO 實例，顯著提高了每秒處理的圖像數。每個實例綁定至 一個或多個英特爾至強可擴展處理器的內核，顯著提高了內核利用率。

經過這些優化后，效果顯著。針對前面提到的兩個案例：

★骨齡預測模型每秒處理的圖像增加 188 倍；

★肺部分割模型每秒處理的圖像增加 38 倍。

飛利浦的案例研究表明：醫療機構無需巨額硬件投資，也能實施醫療 AI 工作負載。對于飛利浦這樣的公司而言，還可以通過在線商店等方式提供 AI 算法下載，以此增加收入，在日益激烈的競爭中脫穎而出。

AI+醫療影像，創造健康美好未來

總體而言，醫療影像之類的工作負載，常常需要小批次或流處理方式應對，這就非常適合使用CPU作為支撐硬件，特別是英特爾 至強 可擴展處理器，可以為 AI 模型提供經濟高效、靈活的平臺。結合OpenVINO 工具套件使用，能夠在不影響準確性的前提下部署預訓練模型，從而提高效率。

美國資深咨詢公司弗羅斯特 - 沙利文公司曾作出結論：“人工智能可將醫療效果提高 50%，同時減少多達 50% 的醫療成本。”人工智能和醫療影像的結合，必將為人類的健康創造更美好的未來。