醫療業智能化機遇已至,英特爾開出一劑良方:至強集成AI加速

英特爾中國 發佈 2020-04-12T12:58:46+00:00

西門子醫療在第二代至強可擴展處理器上對模型進行了基準測試:在第二代英特爾至強 可擴展處理器單路上使用 14 個推理流,每個推理流含兩個線程,結果顯示:心臟 MRI的心臟功能量化提速高達 5.5 倍,總吞吐量為每秒 201.36 張圖像。

文章來源丨陳木青


新冠肺炎疫情不斷升級,科技戰疫的集結號已被吹響。

醫療領域的科技創新,尤其是人工智慧技術與應用,出現在了抗疫一線。

2月4日,工信部發布《充分發揮人工智慧賦能效用,協力抗擊新型冠狀病毒感染的肺炎疫情倡議書》。

人工智慧正式進入抗疫梯隊,醫療界乃至整個社會都意識到了AI技術落地應用的價值點。

AI應用於影像醫學,彌補醫務人力缺口的關鍵

AI落地醫療,最需要擊破的痛點是什麼?

據CIA World Factbook的數據,截止2019年1月份,全球197個國家和地區中,中國的千人醫生數量排名是90,每千人有1.79個醫生。

醫療人才資源實屬稀缺。截至2020年2月15日,在不計入軍隊支援的情況下,全國各省市共有近30000位支援隊人員趕赴湖北,可見疫情嚴重地區對醫務人力的緊迫需求。


疫情爆發期間,對於病例的確診,醫生不可能一個個手動完成肺部CT的定量評價。

但是否感染了新冠肺炎病毒,這不是僅靠問診就能得到的答案,需要結合肺部CT的定量評價。

醫生需要快速閱片,根據CT表現作出初步判斷,進行分診。然而人類精力有限,分身無術,AI的輔助作用即可突顯。

如何利用人工智慧,使診斷操作上消耗最短的時間,並能夠輔助醫生能在誤差更小的範圍內,獲得更精確的診斷結果,是彌補醫務人力缺口最理想的效果。

「智能」要讓醫療中的「人工」更高效。

「大規模推理」時代將至,該選擇怎樣的硬體架構?

事實上,AI醫療早已是大勢所趨,銳不可當。

入局AI+醫療,強大推理能力尤為重要,因為讓人工智慧落地更多是推理層面的工作

按照英特爾預測,到2020 年,推理周期和訓練周期之間的比率將從深度學習初期的 1:1 提高至超過 5:1。也就是說,在人工智慧領域,推理的比重將會越來越重要。

如果未來推理將占用近 80% 的AI 流程,硬體架構就成為AI落地的重中之重。事實上,提到人工智慧工作負載,人們通常會想到使用 GPU 等加速器,但這可能會增加系統和運營成本及複雜性,而且不利於向後兼容。


智能醫療中最先落地的技術主要集中在計算機視覺領域,例如醫學影像、醫療圖像分割等,而這些方面的數據量較大,CPU平台具有較大優勢,用戶學習門檻低、部署速度快的同時還能保證低風險

軟硬體協同助力,處理肺部 CT 模型計算只需一分鐘

如同上述所說,從診斷效果來看,AI助力影像醫學的重點在於快與精準。

如果能有效地提升放射科醫生診斷精度和效率,諸如肺癌等很多疾病就能實現早發現早治療,這其中完全可以發揮AI的作用。

Predible Health是印度的一家初創公司,致力於幫助放射科醫師分析醫學掃描文件並診斷癌症。

如今,這家公司與英特爾強強聯手,共同抗擊肺癌。用於在 CT 掃描圖中檢測肺結節的 Predible Health 深度學習算法已採用OpenVINO™ 工具套件分發版在強大的英特爾至強可擴展處理器上得到了優化,來看下提速成果:

l 與基準配置相比,基於OpenVINO™ 工具套件分發版的優化可在至強可擴展處理器上顯著提升速度,高達 83 倍

l 得益於強大的英特爾AI加速技術,Predible Health 複雜的肺部 CT 模型可在不到一分鐘的處理時間內完成計算

此前,Predible 設計的深度學習算法,可從影像歸檔和通信系統中自動查詢胸部 CT DICOM 圖像,對圖像進行處理,並使用神經網絡來檢測肺結節,神經網絡對 DICOM 系列進行處理後,結果會發送回 PACS,供放射科醫生查看。

深度學習系統經過訓練後,能夠根據胸部 CT 掃描結果對肺結節進行檢測和分割,而在優化之前,這一過程往往相當耗時。

硬體強大的算力是基礎,如果要讓強大的算力更好地釋放,需要軟體架構的協助。

那麼,在OpenVINO工具套件分發版等工具的支持下,英特爾至強可擴展處理器可為人工智慧模型推理提供一個靈活的平台。

通過定製推理模型優化,有機會合併多層或開放更多處理通道,可實現多個推理流並行執行,繼而從硬體利用率提升中獲益,顯著提高英特爾CPU 上的深度神經網絡的性能


如上圖所示,在 Predible 肺部 CT 模型的不同階段,各個模塊也顯示性能大幅提升。

基於現有硬體設備,醫療機構擁抱AI無需改弦更張

AI在此次疫情中的重要作用,必然會引起醫療機構考慮未來向AI轉型。

這是否需要重新購入新設備,推翻此前的IT基礎?不需要。醫療機構可以基於現有硬體基礎設施擁抱AI,無需改弦更張。

此前,西門子醫療部署的大部分系統已由英特爾CPU 提供支持;現在,西門子醫療希望利用基於現有 CPU 的基礎設施來運行人工智慧推理工作負載。

至強在與AI相關的應用靈活性上,具有獨到的優勢,主要體現在基於至強的IT基礎設施資源可以被靈活調配、復用。

西門子醫療正是利用集成英特爾深度學習加速技術的第二代英特爾至強可擴展處理器,為面向心臟病學的人工智慧加速。

相比於GPU,在處理大量人工智慧工作負載時, 至強可擴展處理器能夠更好地滿足整合人工智慧模型的產品需求。這也使得醫療設備公司能夠以更低的成本向客戶提供人工智慧解決方案,高性能平台功能使他們不再需要專用加速器。

心臟 MRI(磁共振成像)的心臟功能量化提速則是得益於英特爾深度學習加速技術帶來的高效低精度卷積、int8 中的有效連接和重採樣操作優化。

西門子醫療在第二代至強可擴展處理器上對模型進行了基準測試:在第二代英特爾至強 可擴展處理器單路上使用 14 個推理流,每個推理流含兩個線程,結果顯示:心臟 MRI(磁共振成像)的心臟功能量化提速高達 5.5 倍,總吞吐量為每秒 201.36 張圖像。

基於至強集成AI加速,既找到了解決方案提高了診斷速度,且無需擔憂加速器所引起的額外成本或複雜性。

這場疫情將AI重塑醫療行業推向了白熱化階段,而落地的初衷不是為了取代人類醫務人員,而是為了協助他們進行診斷,提高效率節省人力。

AI落地是一場全方面的能力考驗,如今環境利好、大趨勢加持,根據自身情況選擇合適的軟硬體支撐能力,在更大範圍內實現價值再創造。

醫療科技變革浩浩蕩蕩,這些已經「先富起來」的實踐者經驗可以作為參考——找到高手幫助,事半功倍。


本文僅代表媒體觀點

文中圖片等素材的版權歸其所有者


戳下方了解更多

企業IT轉型 雲上芯課堂:專業行業應用,技術在線課程

關鍵字: