基于英特爾架構實作軟硬協同加速，顯著提升新冠肺炎、乳腺癌等疾病的檢測和篩查效率，并幫助醫療科研平台預防“次元災難”問題
基于英特爾架構實作軟硬協同加速，顯著提升新冠肺炎、乳腺癌等疾病的檢測和篩查效率，并幫助醫療科研平台預防“次元災難”問題
<PAGE 1 LEFT COLUMN: CUSTOMER LOGO>
<PAGE 1 BODY COPY: INTRODUCTION>
前言概述
從2019年年底開始迅速擴散的新型冠狀病毒肺炎（COVID-19，以下簡稱“新冠肺炎”）疫情，對醫療機構的快速診斷能力提出了突如其來且非常嚴峻的挑戰，利用人工智能（Artificial Intelligence，以下簡稱AI）方法開展醫學影像智能分析及輔助診斷，是應對這一挑戰的有效方案。一直緻力于計算機視覺和深度學習技術應用開發的彙醫慧影，就通過其自主研發的Dr. Turing AI 平台、Radcloud大資料智能分析雲平台以及Novacloud 智慧影像雲等産品，為衆多醫療機構提供了一套全周期、高性能的AI醫學影像解決方案，并将其成功應用于包括新冠肺炎在内的數十種疾病的診療。
作為該方案中專攻醫學影像輔助診斷的前端先鋒，Dr. Turing AI 平台可為醫院和患者提供10餘種常見疾病的醫學影像AI分析能力，并提供結構化的報告；Novacloud 智慧影像雲可通過基于雲服務的端到端AI互動能力，為醫、患和醫院的管理者提供更為便捷的服務；Radcloud 大資料智能分析雲平台作為醫療機構推進科研的重要助手，則能提供多樣化的影像大資料科學分析能力，可大大加快放射組學等新技術在醫療行業的研發與落地程序。
為幫助彙醫慧影優化這一全周期AI醫學影像解決方案的性能，英特爾不僅提供了內建有英特爾® 深度學習加速（英特爾® DL Boost）技術的第二代英特爾® 至強® 可擴充處理器，用作方案的核心計算引擎，還提供了OpenVINO™ 工具套件以及面向英特爾® 架構優化的Python等軟體優化工具。得益于這些軟硬體互相搭配、協作優化帶來的整體加速優勢，彙醫慧影Dr. Turing AI 平台在新冠肺炎篩查、乳腺癌檢測等影像分析場景中的推理速度獲得了顯著提升。同時，放射組學分析方案在優化後的Radcloud 大資料智能分析雲平台的支援下，在處理效率上也收獲了明顯的加速效果。
<PAGE 1 LEFT COLUMN: CUSTOMER PULL QUOTE>
(客戶引言)
“利用AI技術加快醫學影像分析速度，支援醫療機構完成從資訊化向智能化的轉型，讓更多病患從智慧醫療技術的發展中獲益，是彙醫慧影一直以來的目标和願景。通過引入第二代英特爾® 至強® 可擴充處理器、OpenVINO™ 工具套件以及面向英特爾® 架構優化的Python等領先軟硬體産品和技術，組成我們醫學影像解決方案的各個平台的處理效率都獲得了顯著提升。”
柴象飛
CEO & 創始人
彙醫慧影
彙醫慧影全周期AI醫學影像解決方案實作的應用優勢：
- 在與新冠肺炎篩查相關的肺部CT影像分析場景中，第二代英特爾® 至強® 可擴充處理器帶來的算力與OpenVINO™ 工具套件帶來的優化相配合，可令Dr. Turing AI 平台的平均推理耗時縮短至原先的35%；
- 在乳腺癌影像分析場景中，基于第二代英特爾® 至強® 可擴充處理器，及其內建的英特爾® 深度學習加速技術提供的INT8推理加速，在Dr. Turing® AI 平台上建構的檢測模型在采用OpenVINO™ 工具套件進行轉換和優化後，其推理速度較原始方案提升高達8.24倍，且精确度損失不到0.17%；
- 通過使用面向英特爾® 架構優化的Python，并結合第二代英特爾® 至強® 可擴充處理器提供的算力支援，放射組學分析方案在基于Radcloud 大資料智能分析雲平台的醫療科研平台上的推理速度，實作了多達2.08倍至2.12倍不等的提升。
<PAGE 2: START BODY COPY & CONTINUES TO SUBSEQUENT PAGES>
新冠肺炎的突然爆發和大規模流行，對于中國及全球醫療機構而言，是一個在速度和烈度上都堪稱嚴峻的挑戰。
控制新冠疫情的原則，和預防及控制其他傳染病基本一緻，即遵循“三早原則”——早發現、早診斷、早治療。其中，“早發現”或者說“早診斷”是将被感染者從疑似人群中及時辨識出來，并盡早進行後續隔離治療的關鍵步驟。如圖一所示，在實踐中，中國醫療機構普遍以核酸試劑檢測（圖左）為主要診斷方式，以肺部CT影像檢查（圖右）為輔助方式，來對新冠肺炎進行篩查診斷。
圖一 新冠肺炎篩查診斷方法圖示
核酸檢測雖有便捷的優勢，但其會受樣本病毒含量、病毒是否變異、病毒核酸是否有效提取，以及樣本是否合理儲存等因素的影響，存在一定機率的檢測結果誤判，即呈“假陰性”。肺部CT影像檢查是通過分析肺部真實影像來判别患者肺部是否出現病變，是以在對早期新冠肺發炎狀的檢測敏感度上，要優于核酸檢測。一項資料表明，在51例患者的檢測結果中，肺部CT影像檢測對于新冠肺炎的靈敏度為98%，遠高于核酸檢測（反轉錄-聚合酶鍊反應方法）71%的靈敏度。
不過，肺部CT影像檢查這一方法的應用“門檻”，要遠高于核酸檢測，它不僅需要醫生具有專業的CT影像分析能力，也需要對新冠肺炎征象有敏銳的臨床判斷力。例如，新冠肺炎的典型征象之一——肺部磨玻璃影，同時也是多種肺炎、病原體感染的重要征象。是以，醫生在分析傳統二維的CT影像時，往往需要反複比對判讀。遇到更複雜的情況時，可能還需進行多科室會診。在疫情出現爆發的情況下，這種應對方式顯然會造成疫情防控上的延誤。
為破解這一難題，讓肺部CT影像檢查在疫情防控中發揮更及時、更重要的作用，作為全球醫學影像AI應用研發領跑者的彙醫慧影，開始出動Dr. Turing AI 平台作為抗疫先鋒，來推動新冠肺炎的快速篩查。
軟硬協同優化提升新冠肺炎篩查速度
作為彙醫慧影全周期AI醫學影像解決方案中專攻AI醫學影像輔助診斷的平台，Dr. Turing® AI平台可為醫院和患者提供“多病種AI輔助應用”及“結構化報告”兩大主要功能。它不僅可提供10餘種常見疾病的AI輔助診療能力，也能實作自動化病竈分割、檢測和測量，并輸出帶有**-RADS分級等資訊的AI結構化報告，在幫助醫院提升診療效率之餘，也能助患者獲得更精準的診療方案。
雖然Dr. Turing AI平台已久經考驗，但在面對新冠肺炎的篩查任務時，還是需要進行一些有針對性的優化更新。這些優化更新如圖二所示，包括：一方面，平台需要通過收集大量新冠肺炎資料，由專業醫生進行标注後，再結合平台内置的深度學習算法，實作對肺炎病竈區的精準分割和測量；另一方面，平台也需要結合Inception V4、Inception ResNet V2等深度學習算法模型，将原本二維的CT切片進行一系列的“三維”重構，更加清晰直覺地反映出病竈的位置、尺寸、面積變化以危重程度等量化資料，為醫生提供更全面的病理圖像分析，進而幫助他們更快、更準确地進行綜合研判。
圖二 基于彙醫慧影Dr. Turing AI 平台的新冠肺炎篩查
上述調整雖然更适用于新冠肺炎的CT篩查，但也會讓Dr. Turing® AI 平台執行推理等過程的計算量和複雜度急劇增加。為了在這種情況下確定令人滿意的推理性能，彙醫慧影與英特爾一起，在借助第二代英特爾® 至強® 可擴充處理器實作更強算力支援的同時，還引入了OpenVINO™ 工具套件，使用其内置的優化工具，将已有的、通過Pytorch深度學習架構建構的Nested U-Net和HR-Net網絡模型轉換為可利用OpenVINOTM工具套件加速的模型，并使用該工具套件提供的推理引擎對整個管道（pipeline）進行了更新。後續進行的基準測試如圖三所示，相比優化前用時長達140.3秒，調優後的每資料樣本的推理時長僅為48.47秒，平均推理耗時縮短至原先的35%，或者說，其平均推理性能提升高達2.89倍。
圖三 使用OpenVINO™工具套件對新冠肺炎CT檢測模型進行優化前後的效果對比
這樣的性能提升成果，可令新冠肺炎CT影像的篩查速度實作大幅提升。而事實上，這已經不是Dr. Turing AI平台首次從英特爾這一軟一硬、協同優化的組合中擷取如此強勁的AI加速支援了。此前彙醫慧影在該平台上建構以ResNet50卷積網絡模型作為基礎網絡（Backbone）的RetinaNet目标檢測模型，來對乳腺癌影像實施模型訓練及推理時，就曾使用過這對構成英特爾® 至強® 平台AI加速技術核心的組合。
由于OpenVINOTM 工具套件内置有多種優化工具和預訓練模型，且能對已訓練好的模型進行壓縮和加速等優化，來提升模型推理速度，因而彙醫慧影當時的優化手段，如圖四所示，是先使用它優化用于乳腺癌檢測的FP32模型，優化後的模型在推理速度上達到了原始模型的3.02倍；繼而，彙醫慧影又借助OpenVINOTM 工具套件, 将上述FP32模型轉換成INT8模型，在確定模型精确度隻受輕微影響的情況下，啟用第二代英特爾® 至強® 可擴充處理器內建的英特爾® 深度學習加速技術對于INT8提供的特定加速支援，将其推理速度進一步提升達初始模型的8.24倍，且精度損失還不到0.17%。
圖四 使用OpenVINO™工具套件對乳腺癌檢測模型進行優化前後的效果對比
不論是對新冠肺炎CT影像篩查的加速，還是對乳腺癌AI檢測模型的性能優化，它們的成功都足以證明：第二代英特爾® 至強® 可擴充處理器與OpenVINO™工具套件的引入和搭配，可以在醫學影像分析場景中發揮出“1+1>2”的功效。它們也表明，在衆多醫療機構既有的、基于CPU的IT基礎設施上部署和運作醫學影像類的AI應用，不僅可行，而且高效。
打造全周期AI醫學影像解決方案
Dr. Turing AI 平台在新冠肺炎等疾病檢測，或者說輔助診斷上的優異表現，是彙醫慧影與英特爾等合作夥伴一起，通過協作創新助力醫療機構從資訊化向智能化轉型的又一抹亮色。
這一轉型，也确實至關重要。雖說醫療資訊化的全面鋪開，讓各類醫療裝置和醫用資訊系統，尤其是醫學影像裝置的應用越來越普及，使之成為了各醫療機構、醫學科研部門的重要助手，甚至造就了“臨床上有超過70% 的診斷有賴于醫學影像提供支援”的重要成果，但僅有資訊化政策推動的硬體設施普及，對提升醫療機構診療水準來說還是遠遠不夠的。在大衆真實的就醫體驗中，常會發現在肺結節、乳腺癌、前列腺癌、骨折等一些醫療資源相對緊張的病種診斷上，長時間排隊等候、影像分析誤判的情況仍是屢見不鮮。
究其原因，是因為醫學影像分析不僅需要裝置就位，更需要使用這些裝置的醫生能夠熟練掌握臨床醫學、放射學、醫學影像學等方面的專業知識和技能，也需要他們能夠充分運用各種影像分析技術，對疾病進行輔助診斷。而有以上綜合能力的醫生，即便在大醫院也是相對稀有的。
圖五 多場景化部署的彙醫慧影AI醫學影像解決方案
而這也正是衆多醫療機構在完成初步的資訊化建設之後，就希望進一步借助AI、大資料、雲計算等新興技術手段來完成智能化轉型的目的所在。如圖五所示，這也是彙醫慧影以旗下Dr. Turing AI 平台、Novacloud 智慧影像雲及Radcloud 大資料智能分析雲平台等領先産品為抓手，通過公有雲、私有雲或AI一體機等多場景部署方式，為醫療機構提供全周期、高性能和智能化AI醫學影像解決方案的初衷。
如果說Dr. Turing AI平台提供的是高效、便捷的前端醫學影像AI分析和輔助診斷能力，那麼Novacloud 智慧影像雲擔當的角色，就是為醫療機構和患者提供基于雲服務的端到端AI互動能力。如圖六所示，在醫生側，結合Dr. Turing AI平台，影像雲可提供多終端AI閱片、遠端會診、轉診等功能；在患者側，影像雲能夠提供基于自然語言處理（Natural Language Processing，NLP）技術的智能報告解讀、遠端專家咨詢及多終端影像閱覽等功能；而對醫療機構來說，影像雲不僅能對Radcloud 大資料智能分析雲平台提供支援，也可讓管理者以管理駕駛艙的模式，對診療、科研進度獲得更直覺的了解，并支援其對相關政策和計劃進行調整。
圖六 打通全周期AI醫療影像解決方案的Novacloud 智慧影像雲
優化版Python改善醫療科研工作效率
如前文所述，與Dr. Turing AI平台、Novacloud 智慧影像雲并列為彙醫慧影全周期AI醫學影像解決方案支柱的，還有Radcloud 大資料智能分析雲平台，它的主要任務是承載醫療機構的科研工作。
目前衆多醫療機構都在利用CT、MRI、PET等醫學影像，通過放射組學等新技術開展癌症等惡性疾病的早期發現和防治。作為開發放射組學解決方案的領先企業，彙醫慧影就正以Radcloud 大資料智能分析雲平台等産品為基礎，為醫療機構提供“全周期”、“一鍵式”的影像大資料科學分析能力，以加速放射組學等新技術在醫療行業的科研和應用程序。
要進一步了解Radcloud 大資料智能分析雲平台在放射組學科研項目中發揮的作用，就要先了解什麼是放射組學。簡而言之，它就是通過将醫學影像轉換為可挖掘的高通量影像特征資料，并使用特定方法，篩選出最有價值的影像組學特征，進而再通過AI模型訓練，建立起具有診斷、預後或預測價值的模型，最終為精準化、個體化診療提供有效支援。
圖七 放射組學基本分析流程
如圖七所示，放射組學的基本流程可分為資料收集、VOI分割、特征提取、特征選擇、模型訓練以及模型評價及預測等步驟。為了更好地辨識醫學影像中的細節，平台在特征提取步驟中會盡可能地提取更多資料特征，是以平台可能會面對“次元災難”等問題，即指在樣本量一定的情況下，随着輸入次元的增加，空間資料會變得更為稀疏，這會嚴重影響模型的預測效果，并大幅增加平台計算量，帶來推理效率的下降。
為應對這一問題，彙醫慧影與英特爾一起，選擇LASSOCV、PCA等特征選擇算法，來有效預防科研平台可能面臨的次元災難，并幫助平台在壓縮資料的同時保持資訊損失最小化。為提升這些特征選擇算法的效率，科研平台不僅引入了第二代英特爾® 至強® 可擴充處理器作為算力基石，還加持以面向英特爾® 架構優化的Python，來全面調優其運作效率。
與原生版的Python相比，面向英特爾® 架構優化的Python内置最新的矢量化指令，支援更多元化的英特爾® 性能庫（如英特爾® MKL），同時也對重要的第三方AI知識庫sklearn庫有着良好的支援，使平台特征選擇的執行效率獲得了顯著提升。
算法優化後的效果如圖八所示，其左圖反映了勾選全部放射組學特征，采用K-Fold 10交叉驗證的LASSOCV算法工作負載，采用面向英特爾® 架構優化的Python後，其執行速度是采用原生Python時的2.12倍；其右圖則反映了勾選全部放射組學特征，采用K-Fold 10交叉驗證的LASSOCV+PCA算法工作負載，采用面向英特爾® 架構優化的Python後，其執行速度是采用原生Python時的2.08倍。
圖八 使用面向英特爾® 架構優化的Python與使用原生Python時的性能對比
基于英特爾® 至強® 平台上述軟硬體融合輸出的AI加速能力，彙醫慧影Radcloud 大資料智能分析雲平台已被引入20餘種疾病的研究，并成功申報20餘項基金課題。更值得一提的是，平台基于放射組學的AI方案也被用于新冠肺炎的精準鑒别和診斷，并在實踐中獲得了使用者的良好回報。
未來展望
随着AI、大資料等新技術的落地與持續創新，整個醫療行業正在它們的驅動下迎來巨變，尤其是通過引入創新的AI醫學影像解決方案，很多傳統意義上的疑難雜症，乃至絕症正在被一一攻克，以往會帶來巨大災難的傳染病，也開始在新技術、新平台的幫助下實作更為高效的防控。
面向未來，英特爾還将與彙醫慧影等合作夥伴一起，推動更多領先産品技術、尤其是與AI和資料分析相關的産品技術與醫療行業應用需求的深度融合，進而進一步加速醫療機構從資訊化到智能化的轉型，進而打造出更多樣化、也更有價值的智慧醫療解決方案，造福全民健康事業。
點選此處閱讀原文
彙醫慧影是慧影醫療科技（北京）有限公司旗下品牌，該公司是英特爾® AI Builders 計劃的成員，該計劃是由行業領先獨立軟體廠商 (ISV)、系統內建商 (SI)、原始裝置制造商 (OEM) 和企業最終使用者組成的生态系統，共同願景是加速人工智能在英特爾® 平台中的部署。
<PAGE 4RIGHT COLUMN SIDEBAR: LESSONS LEARNED>
<END OF BODY COPY>
英特爾并不控制或審計第三方資料。請您審查該内容，咨詢其他來源，并确認提及資料是否準确。
描述的成本降低情景均旨在在特定情況和配置中舉例說明特定英特爾産品如何影響未來成本并提供成本節約。情況均不同。英特爾不保證任何成本或成本降低。
英特爾技術特性和優勢取決于系統配置，并可能需要支援的硬體、軟體或服務得以激活。産品性能會基于系統配置有所變化。沒有任何産品或元件是絕對安全的。更多資訊請從原始裝置制造商或零售商處獲得，或請見 intel.com。
沒有任何産品或元件是絕對安全的。
英特爾技術可能需要支援的硬體、軟體或服務得以激活。請從原始裝置制造商或零售商處獲得更多資訊。
英特爾、英特爾辨別以及其他英特爾商标是英特爾公司或其子公司在美國和/或其他國家的商标。
©英特爾公司版權所有
點選此處閱讀原文
點選此處閱讀原文
點選此處閱讀原文