醫療人工智能系統的建立和應用中需要處理好如下三個關鍵要素，克服處理三個要素中面臨的挑戰，才能取得成功。三個要素如下：數據、平臺計算能力、深度學習算法模型。

1.數據

醫療人工智能系統需要醫療大數據作為基礎，通過機器學習等技術形成一定的智能，用來提供輔助診斷和輔助治療的功能。

醫療大數據主要包括醫學教科書、病歷尤其是針對某類疾病的病歷、數字化醫療影像、學術論文等。

對于醫學影像人工智能系統來說，則是需要數字化影像數據，包括CT、MRI、超聲、病理等影像數據，作為機器學習的原料。

因為病歷數據、數字化醫療影像數據等屬于醫院的知識財產，所以人工智能系統的知識產權歸屬原則和管理方法，需要在實踐中不斷探索。

醫療數據種類繁多，來源廣泛，數據格式千差萬別。所以，快速處理數據的收集、集成和加工用以保障人工智能模型的訓練和學習，這是開發人工智能系統需要克服的基本挑戰。

目前影像人工智能輔助診斷系統在醫院落地使用的時候，通常需要利用該醫院的影像數據重新學習，以及需要挑戰模型參數，才能適應醫院的需求。

這是因為在影像數據這一關鍵因素中，目前各家醫院之間因為在影像生成中采用的標準不一致。

例如關于顯影劑的服用量標準、設備參數設置不一致造成影像灰度的差別等，造成各個醫院之間針對同一個患者的影像數據不同，用來支持機器學習的時候，其模型參數也會不同。

為了能夠加大人工智能系統的適用性，需要在開發人工智能系統的時候能夠快速集成多方來源的數據，從而訓練出更加精準、適用性更廣的人工智能系統。

2.深度學習算法模型

除了處理數據之外，選用或開發深度學習的模型算法也是發展過程中的一大挑戰。

目前深度學習的算法很多，但是這些算法很難直接應用，而是需要做一定的改進開發，然后應用到數據訓練中，并在訓練中不斷的改進和完善，才能使算法模型越來越精確。

所以，選擇合適的算法或者開發算法、以及建立算法調整和改進的平臺系統，這是人工智能系統成功的要素之一。

因為AI系統處于起步階段，所以目前醫院用應用的人工智能系統其模型算法與實際的需求仍然有不完全相符合的問題，需要不斷的改進。算法模型的改進也是不斷把AI系統推向更加精確的一項重要工作。如下圖所示，根據調查，目前醫院中使用的AI系統都需要不同程度的改進或升級算法。

3.人工智能平臺的計算能力

構建一個算力強大的計算平臺是人工智能開發成功的根本要素之一。因為深度學習中需要非常巨大數量的數據輸入給訓練模型，訓練模型則需要進行巨大規模的運算來訓練模型使其具有智能，所以人工智能平臺的計算能力(算力)是其成功的一個關鍵要素。

目前，人工智能計算平臺主要使用GPU芯片，醫學影像人工智能系統更是依賴于GPU來進行訓練和學習。也有一些AI系統使用CPU、FPGA、高性能處理器(TPU)等芯片。

目前各大服務器廠商也都開發了用于機器學習和運行人工智能系統的服務器，例如戴爾、新華三、聯想、浪潮等服務器廠商。NVIDIA也開發了用于人工智能系統的開發和運行的超級計算機DGX。

人工智能平臺的計算系統目前大多使用開源系統，在開源系統上做出定制化開發以滿足自己產品的需要。

目前使用的主流開源系統有TensorFlow，分布式機器學習工具包(DMTK)，Caffe等。

在開源平臺上進行定制化開發，需要非常強大的開發能力，對于開發團隊的技術水平要求非常高，因為開發水平決定著計算平臺的計算能力和計算效率，決定著人工智能系統的精準性。

NVIDIA推出的專業計算平臺Clara，很好地打包集成了NVIDIAGPU的計算能力，并集成了多種機器學習模型，能夠為深度學習和人工系統運行提供專業的支持，也能為處理影像數據并進行機器學習提供專業工具。

? ? ? ?責任編輯:zl