AI正在變革（中國）醫療。

最近，一份實戰手冊剛剛披露，清晰勾勒出了AI如何重塑著醫療行業的各個方面。

而且這份手冊展示的不光有趨勢分析、技術規劃，還展示了諸多案例，是實踐實戰后的全面總結。

報告撰寫者，正是提供了最基礎但覆蓋全流程的AI能力計算巨頭英特爾，可以說是AI醫療的首份權威“劍譜”。

那么，“劍譜”中究竟有什么？又該如何修煉？我們詳細拆解。

本文引用地址：http://www.eepw.com.cn/article/202009/418563.htm

欲練此功，先看趨勢

在AI落地趨勢中，醫療已經成為了最大的應用場景。

根據2018年9月中國信息通信研究院Gartner聯合發布的《2018 世界人工智能產業藍皮書》，在中國，醫療健康領域的AI滲透率已經達到了22%，在所有垂直行業中滲透率最高。

遠超排名第二的是金融，滲透率為14%，而之前AI落地競爭最激烈的安防，當前僅排名第五。

盡管只有如此滲透率，整個AI醫療行業就已經形成了數百億美元的市場規模，相應投資也在快速增長。

前瞻產業研究院發布的《中國醫療人工智能行業市場前景預測與投資戰略規劃分析報告》顯示，2017年中國醫療人工智能行業市場規模達到136.5億元，增長率為41%，到2018年，這一數字將會突破200億元，達到210億左右。

而且如此趨勢并不只是中國獨有，在全球范圍內，醫療領域的AI落地發展也極為迅猛。

根據 Global Market Insight 發布的報告顯示，2019年至2025年期間，醫療保健人工智能市場規模的復合年增長率預計將達到41.7%。

這些數字的背后，不僅有AI技術的進一步發展落地推動，也有醫療市場本身的迫切需求，以及現相關政策的支持。

具體到實際的落地場景中，AI的應用可以說非常廣泛，從醫學影像、輔助診斷、疾病預測，到健康管理、藥物研發等諸多環節，都可發揮關鍵作用。

但在不同層級的醫療機構中，AI的應用也有所不同，將會呈現出更加多元化的趨勢。

在基層醫院或第三方體檢中心，主要以輔助篩查和輔助診斷為主；

在三甲醫院等醫療機構，則以提高醫生工作效率為主；

在健康管理方面，會以支持單位和個人支付的健康體檢為主要方向。

而藥物研發這一領域，人工智能的應用則深入許多，通常需要人工智能技術公司與大型藥企、醫藥研究機構通力合作來推進。

當然，將AI應用到醫療領域中，還有不少問題亟待解決，比如數據的數量與質量、模型的通用性和可解釋性、以及相應的安全問題等等。

但AI醫療之大勢，已經浩浩湯湯，銳不可擋。

其中還有一些“先富起來”的實踐者，在各種招式摸索之后，已經趟出一條黃沙百戰之路，有總結，可參考，甚至能夠學習復刻。

而且更關鍵的是，還是在英特爾這份實戰為主題的報告中，詳細披露了AI醫療落地本領如何鑄就，還有各方高手，如西門子、東軟、解放軍總醫院等，紛紛給出了“注解”。

所以這究竟是一份怎樣的實戰報告，我們細細拆解。

AI醫療5種絕技

整個手冊，一共介紹了AI在醫療領域的五大應用——覆蓋發現病情、病情分析研究、藥物研發等？全流程各個方面。

具體來說就是5大絕技。

絕技一：圖像分割審查病情，用AI推理助力診斷

圖像分割，顧名思義，就是將圖像切分為多個區域，來簡化或改變圖像的表現形式，從而讓圖像變得更加容易解讀和分析。

目前，圖像分割技術用在了腫瘤和其他病理位置定位、組織體積測量、解剖學研究、計算機輔助手術、治療方案制定以及臨床輔助診斷等多個細分領域。

圖像分割的實現方式也不難理解——以圖像中的自然邊界，例如物體輪廓、線條等，將圖像切分為多個區域。

在計算機中，是對圖像中的每個像素加上標簽，并認為具有相同標簽的像素有著某種共同視覺特性，從而來實現分割。

傳統中有基于聚類、閾值、邊緣、區域等特征的方法。但隨著AI技術的發展，基于深度學習的方法效果出眾，超過人類，成為最廣泛的應用。

這其中，全卷積網絡（Fully Convolutional Network， FCN）、U-net 和 V-net 是常見的幾種基于深度學習的圖像分割方法。

但在醫療領域中，應用最為廣泛的則是U-net 。需要分割的圖像有其獨特性，大多數情況下是針對一個指定器官的成像，而非全身。

器官本身結構比較固定，語義信息并非特別豐富。

所以高級語義信息和低層級特征就顯得重要，而 U-net 的 U 型結構和跳躍連接在這種場景中，可以發揮出更大作用。

近年來，U-net 在醫學影像 分割領域良好的應用效果，已在很多部署中得到充分了證明。

良好的圖像分割模型，能有效幫助醫療機構提高醫學影像判讀效率，進而增強臨床診療能力、提升疾病治愈率以及減少病患等待時間，彌補因醫療機構影像科資源缺乏帶來的多種問題。

但醫療領域的圖像分割對時效性要求更高。

通常情況下，留給病患的黃金診療窗口往往只有數十分鐘。因此，如果圖像分割 AI 應用的推理效率不夠高，就有可能延誤寶貴的搶救時間。

這就決定想要將圖像分割應用到真正的醫療場景中，一方面需要基于不同的圖像分割類型對模型進行優化，另外一方面則需要強大穩定的計算能力來完成推理。

怎么進一步落地？英特爾提供了工具，比如OpenVINOTM工具套件以及至強處理器系列產品等等， 能夠在在保證 U-net 模型高準確率的同時，推理時間大幅降低85%。

在報告中不僅給出了具體的使用方法，也放出了不少已經落地的案例，比如東軟的eStroke溶栓取栓影像平臺，西門子的心腔檢測和量化模型等等。

（更多詳情請見報告，獲取方式在文末）

絕技二：AI+云，部署更強醫療影像分析應用

伴隨著醫療體系現代化建設，醫療設備也已逐漸普及，即便在基層醫療機構，患者也能進行各類醫學影像檢查。

雖然醫學影像設備和系統可以迅速到位，但“軟實力”卻無法一蹴而就，這就導致一些邊遠地區或基層醫療機構， 卻常常面臨空有設備卻無人有能力“看片”的尷尬境地。

也有不少人給出了解決方案，比如將影像文件通過拍照、掃描等方式傳給上一級醫療機構。但信息傳遞準確性以及時效性上，都難有保障，從而造成病情的延誤或誤判。

云計算技術的快速發展，讓這些問題逐漸得以解決。

通過接入云服務，各級醫療機構能夠獲得跨終端、跨平臺的全醫技功能應用。

基于云計算的影像協同平臺，能夠讓來自大、中型醫療機構的醫學影像專家隨時隨地處理從不同地區傳來的影像數據，并對疑難雜癥進行協同會診，來實現醫療資源的高效共享。

而且， 云計算和大數據技術的互聯互通，不僅讓各醫療機構可以規避過度檢查、重復治療等問題，還有力地打破了數據孤島現象，建立無邊界醫療全連接，提高醫療服務質量。

與此同時，這也強化了影像數據的積累和分析，也讓基于 AI 的醫療影像分析 應用日趨走向成熟，一個過去需要10分鐘進行篩查的肺癌前期診斷，在AI的加持下能夠達到秒級，而且準確率也在95%以上。

目前，在醫療影像 AI 分析應用中，目標偵測神經網絡正被廣泛地運用，其通過深度學習的方法，能夠對 X 光片、CT 成像等醫療影像進行高效、準確的病灶檢測。

典型的目標偵測神經網絡有 R-CNN、Fast R-CNN、SPP-NET、R-FCN 等。R-FCN 是 近年來在醫療影像分析領域常見的目標偵測神經網絡模型，其典型的結構入下圖所示：

關鍵所在，是如何讓云+AI更好的結合起來，實現無縫的協同，更強大的AI病情分析，也需要對主流的AI框架進行優化升級。

實戰手冊中，在與西安盈谷 Cloud IDT 智能應用、醫學影像處理及分析云計算@iMAGES 核心引擎等相結合后，在肺結節診斷等一大批關鍵場景中建立起“AI+Cloud”的智能輔助診斷系統能力。

絕技三：病理切片分析，讓治療更準確更快速

病理切片，是為更好病理診斷和預后評估，是一項非常復雜和具有挑戰性的工作。

具體的實現方式是將部分病變組織或臟器，經過一系列處理后形成微米級薄片，粘附在玻片上并進行染色處理，然后再交至病理科，病理科醫生通過顯微鏡對病理切片進行鏡檢，觀察病理變化。

想要給出準確的診斷，需要具備多年的讀片經驗與數萬張切片的閱片積累以及具有豐富專業知識。

而且，人工檢查不免帶有較大主觀性，由不同病理科醫生對同一患者的病理切片作出的診斷，也經常會存在差異，這可能導致誤診、漏診等現象產生。

同時，在實際病理切片檢查中，患者的病理切片以 40 倍的放大倍數進行數字化后，單個病理切片的像素點可能超過百萬像素。

病理科醫生需要連續觀察多張百萬像素級的圖片，并且需要注意到圖片里微觀區域的異常，不僅費時費力，還容易出現錯漏。

且較長的閱片時間也會導致病患等待時間長，有可能會造成病情的延誤。

這當然可以用AI。

例如，通過ResNet50網絡進行的深度學習模型訓練，可用于執行腫瘤病理組織的辨識工作。

盡管得到的腫瘤預測熱學圖依然存在噪聲等問題，但已經可以像病理科醫生一樣，以不同的放 大倍數來檢查病理切片圖像。

訓練出來一個深度網絡模型，使其不僅能夠具備專業的檢測技術，而且還能有超快的檢測速度和無限的工作時間，也不是不可能。

利用深度學習的方法來對病理切片圖像等做出快速檢測，不僅可以極大提升醫療機構 病理檢測的生產力，消弭因專業病理科醫生不足帶來的一系列問題，也能為病患帶去更精確、更及時的治療方案。

目前，基于圖像分類和目標檢測的病理切片檢測 AI 應用，已在眾多醫療機構進行了落地部署，并獲得良好的反饋。

絕技四：加速藥物研發，從數年縮短到數月

在全球醫療AI市場中，藥物研發占據了非常大的份額。根據Global Market Insight的數據統計，這一數字達到35%。

而且，這一領域對新技術的接納速度最快。

當前， 基于細胞圖像的高內涵篩選（HCS）方法是在系統生物學和藥物研發領域常用的自動化分析方法之一，也是 AI 技術在藥物發現早期環節的重要應用。

主要的工作流程是，通過顯微成像法獲得的圖像信息，分析、獲得由遺傳或化學處理誘導的細胞表型特征。

在這一流程中，對細胞圖像的表型檢測、分析和分類是最重要的幾個環節。

雖然這些在大量藥物研發過程中獲得成功應用，但其仍存在許多局限性。

比如，對于對象分割、降維和表型分類，通常需要大量的先驗知識對每個測定流程進行定制。執行每一個步驟，都涉及方法的定制以及參數的調整。

而在對整個分析流程的性能調優過程中，如何對 所有參數進行聯合優化，以達到性能最優化。

因此，更多基于深度學習的 AI 方法正逐漸被引入基于細胞圖像的 HCS 的表型分類工作。

在深度神經網絡中，通過一個框架來對圖像數據中的分層抽象進行計算和分析，CNN能夠自動地從圖像中學習和提取特征，因此在對細胞圖像的表型預測中具有更好的效率。

一款新藥從發現、試驗到生產，動輒數年，而基于AI，這一周期的能夠縮短到數個月。

這不僅是眾多制藥企業加速創新，保持核心競爭力的普遍選擇，也是讓科技造福人類，助力創造健康生活的重要體現。

英特爾在報告中也給出了相應解決方案，比如通過合理的優化方案，大幅加速了諾華等藥企的藥物發現進程。

絕技五：圖像識別落地醫療，正在成為行業智能化轉型關鍵

醫療行業的智能化轉型，并不僅僅在于AI應用到診斷環節或者新藥研發環節，也在于對整個行業的重塑。

目前，越來越多的醫療機構正通過規范的信息系統的建設，來打造更智能的醫療信 息化能力，實現患者與醫務人員、醫療機構、醫療設備之間的高效互動。

在這樣的趨勢下，高效率的識別技術頗為重要。

通常情況下，醫療機構使用條碼識別、光學字符識別（OCR）識別以及軟件識別等技術來執行對患者身份、藥品發放等工作。

隨著 AI 技術的逐步發展，越來越多的醫療機構開始嘗試使用機器學習、深度學習等 AI 方法。

與傳統圖像識別技術相比，基于深度學習的圖像識別技術準確率和工作效率更高，也更利于形成良好的更新機制。

其基于圖像特征進行識別，能夠一次獲取多種類、多數量的圖像進行特征識別。

同時也能實現患者身份的實時識別，讓藥品發放更準確，讓醫療檢查流程實現了無縫銜接。

進而提升了整個系統識別的效率和準確率，增強醫療機構的工作效率。

解放軍總醫院，現在正嘗試利用信息化手段來輔助減少發藥環節的錯誤。

一共分為三步：

首先，利用計算機視覺技術，在門診發藥窗口對藥品的分類和數量進行識別。

其次，將該識別系統與 HIS 系統的處方數據進行自動關聯和匹配，通過信息比對來判斷待發藥品實物是否和處方信息一致。

最后，將結果實時反饋給發藥的藥師，從而達到降低發藥出錯率的目的。

雖然實現方式不難，但頗為有效，且具有很好的應用前景。

未來，類似的 AI 技術不僅可應用于藥房發藥等場景，也可在其他醫療場景中發揮巨大作用，例如手 術耗材發放管理、病患醫療信息管理等。

算力是內功，工具是心法

以上種種應用，已經在行業中實現了落地，且迸發出了強大的能量。

但只看應用，不過是“外家功夫”，沒有強大的“內力”支撐，雖然招式有模有樣，但終究難具威力。

對于AI應用來說，算力就是內功。

以上種種應用能夠得以在各個場景中落地，需要算力加持。

在這份報告中給出的案例中，都基于英特爾至強金牌6148處理器平臺展開。

這一處理器與2017年問世，主打數據處理等AI流程和應用。

發布之時，在內核、緩存、內存、I/O等多項優化的輔助下，每個時鐘周期浮點性能提升兩倍，8K數據塊時壓縮速度可達100Gb/s，創造了58項世界紀錄。

在上述案例中，至強金牌6148就是各種組織AI醫療落地的神兵利器。

而且，在第二代至強可擴展處理平臺上，特別是在深度學習加速技術和傲騰數據中心級持久內存的加成下，也有更好的表現。

同時，英特爾提供的不僅僅只是算力，還有釋放算力的“心法“，即軟件架構。

比如英特爾Omni-Path 架構、面向英特爾架構優化的Caffe、深度學習加速技術、OpenVINOTM工具套件等產品和技術等等。

算是軟硬件結合，有劍法有氣功，齊頭并進幫助各路AI和醫療英雄加速成為實戰落地高手。

毫無疑問，AI落地完全是一場能力考驗全面的戰爭，并非單一某方面突出就能成功。

其中硬件類似兵器寶劍，講究的是稱手實用，規模化落地復制還要兼顧成本。軟件像氣法，配合有度，入門門檻足夠親民，未來發展還有拓展性。

結語

總之，這份計算巨頭英特爾的實戰報告，就像歲末年終“開源”的一套劍譜。

有場景、有案例、還有實戰方法論，可知別人探索經驗，也能量體裁衣結合對照找出自己的復刻路徑。

而且環境向好、大趨勢加持，軟硬件支撐能力也已經就緒，風口正在隱隱作響，落地就能實現更大范圍內的價值創創造。

實際上，從完整報告總結來看，AI正在重塑醫療行業，并且已經進入白熱化階段，落地也正在加快。