醫(yī)療人工智能系統(tǒng)的三個(gè)關(guān)鍵要素和挑戰(zhàn)

醫(yī)療人工智能系統(tǒng)的建立和應(yīng)用中需要處理好如下三個(gè)關(guān)鍵要素，克服處理三個(gè)要素中面臨的挑戰(zhàn)，才能取得成功。三個(gè)要素如下：數(shù)據(jù)、平臺(tái)計(jì)算能力、深度學(xué)習(xí)算法模型。

1.數(shù)據(jù)

醫(yī)療人工智能系統(tǒng)需要醫(yī)療大數(shù)據(jù)作為基礎(chǔ)，通過(guò)機(jī)器學(xué)習(xí)等技術(shù)形成一定的智能，用來(lái)提供輔助診斷和輔助治療的功能。

醫(yī)療大數(shù)據(jù)主要包括醫(yī)學(xué)教科書(shū)、病歷尤其是針對(duì)某類(lèi)疾病的病歷、數(shù)字化醫(yī)療影像、學(xué)術(shù)論文等。

對(duì)于醫(yī)學(xué)影像人工智能系統(tǒng)來(lái)說(shuō)，則是需要數(shù)字化影像數(shù)據(jù)，包括CT、MRI、超聲、病理等影像數(shù)據(jù)，作為機(jī)器學(xué)習(xí)的原料。

因?yàn)椴v數(shù)據(jù)、數(shù)字化醫(yī)療影像數(shù)據(jù)等屬于醫(yī)院的知識(shí)財(cái)產(chǎn)，所以人工智能系統(tǒng)的知識(shí)產(chǎn)權(quán)歸屬原則和管理方法，需要在實(shí)踐中不斷探索。

醫(yī)療數(shù)據(jù)種類(lèi)繁多，來(lái)源廣泛，數(shù)據(jù)格式千差萬(wàn)別。所以，快速處理數(shù)據(jù)的收集、集成和加工用以保障人工智能模型的訓(xùn)練和學(xué)習(xí)，這是開(kāi)發(fā)人工智能系統(tǒng)需要克服的基本挑戰(zhàn)。

目前影像人工智能輔助診斷系統(tǒng)在醫(yī)院落地使用的時(shí)候，通常需要利用該醫(yī)院的影像數(shù)據(jù)重新學(xué)習(xí)，以及需要挑戰(zhàn)模型參數(shù)，才能適應(yīng)醫(yī)院的需求。

這是因?yàn)樵谟跋駭?shù)據(jù)這一關(guān)鍵因素中，目前各家醫(yī)院之間因?yàn)樵谟跋裆芍胁捎玫臉?biāo)準(zhǔn)不一致。

例如關(guān)于顯影劑的服用量標(biāo)準(zhǔn)、設(shè)備參數(shù)設(shè)置不一致造成影像灰度的差別等，造成各個(gè)醫(yī)院之間針對(duì)同一個(gè)患者的影像數(shù)據(jù)不同，用來(lái)支持機(jī)器學(xué)習(xí)的時(shí)候，其模型參數(shù)也會(huì)不同。

為了能夠加大人工智能系統(tǒng)的適用性，需要在開(kāi)發(fā)人工智能系統(tǒng)的時(shí)候能夠快速集成多方來(lái)源的數(shù)據(jù)，從而訓(xùn)練出更加精準(zhǔn)、適用性更廣的人工智能系統(tǒng)。

2.深度學(xué)習(xí)算法模型

除了處理數(shù)據(jù)之外，選用或開(kāi)發(fā)深度學(xué)習(xí)的模型算法也是發(fā)展過(guò)程中的一大挑戰(zhàn)。

目前深度學(xué)習(xí)的算法很多，但是這些算法很難直接應(yīng)用，而是需要做一定的改進(jìn)開(kāi)發(fā)，然后應(yīng)用到數(shù)據(jù)訓(xùn)練中，并在訓(xùn)練中不斷的改進(jìn)和完善，才能使算法模型越來(lái)越精確。

所以，選擇合適的算法或者開(kāi)發(fā)算法、以及建立算法調(diào)整和改進(jìn)的平臺(tái)系統(tǒng)，這是人工智能系統(tǒng)成功的要素之一。

因?yàn)?u>AI系統(tǒng)處于起步階段，所以目前醫(yī)院用應(yīng)用的人工智能系統(tǒng)其模型算法與實(shí)際的需求仍然有不完全相符合的問(wèn)題，需要不斷的改進(jìn)。算法模型的改進(jìn)也是不斷把AI系統(tǒng)推向更加精確的一項(xiàng)重要工作。如下圖所示，根據(jù)調(diào)查，目前醫(yī)院中使用的AI系統(tǒng)都需要不同程度的改進(jìn)或升級(jí)算法。

3.人工智能平臺(tái)的計(jì)算能力

構(gòu)建一個(gè)算力強(qiáng)大的計(jì)算平臺(tái)是人工智能開(kāi)發(fā)成功的根本要素之一。因?yàn)樯疃葘W(xué)習(xí)中需要非常巨大數(shù)量的數(shù)據(jù)輸入給訓(xùn)練模型，訓(xùn)練模型則需要進(jìn)行巨大規(guī)模的運(yùn)算來(lái)訓(xùn)練模型使其具有智能，所以人工智能平臺(tái)的計(jì)算能力(算力)是其成功的一個(gè)關(guān)鍵要素。

目前，人工智能計(jì)算平臺(tái)主要使用GPU芯片，醫(yī)學(xué)影像人工智能系統(tǒng)更是依賴(lài)于GPU來(lái)進(jìn)行訓(xùn)練和學(xué)習(xí)。也有一些AI系統(tǒng)使用CPU、FPGA、高性能處理器(TPU)等芯片。

目前各大服務(wù)器廠(chǎng)商也都開(kāi)發(fā)了用于機(jī)器學(xué)習(xí)和運(yùn)行人工智能系統(tǒng)的服務(wù)器，例如戴爾、新華三、聯(lián)想、浪潮等服務(wù)器廠(chǎng)商。NVIDIA也開(kāi)發(fā)了用于人工智能系統(tǒng)的開(kāi)發(fā)和運(yùn)行的超級(jí)計(jì)算機(jī)DGX。

人工智能平臺(tái)的計(jì)算系統(tǒng)目前大多使用開(kāi)源系統(tǒng)，在開(kāi)源系統(tǒng)上做出定制化開(kāi)發(fā)以滿(mǎn)足自己產(chǎn)品的需要。

目前使用的主流開(kāi)源系統(tǒng)有TensorFlow，分布式機(jī)器學(xué)習(xí)工具包(DMTK)，Caffe等。

在開(kāi)源平臺(tái)上進(jìn)行定制化開(kāi)發(fā)，需要非常強(qiáng)大的開(kāi)發(fā)能力，對(duì)于開(kāi)發(fā)團(tuán)隊(duì)的技術(shù)水平要求非常高，因?yàn)殚_(kāi)發(fā)水平?jīng)Q定著計(jì)算平臺(tái)的計(jì)算能力和計(jì)算效率，決定著人工智能系統(tǒng)的精準(zhǔn)性。

NVIDIA推出的專(zhuān)業(yè)計(jì)算平臺(tái)Clara，很好地打包集成了NVIDIAGPU的計(jì)算能力，并集成了多種機(jī)器學(xué)習(xí)模型，能夠?yàn)樯疃葘W(xué)習(xí)和人工系統(tǒng)運(yùn)行提供專(zhuān)業(yè)的支持，也能為處理影像數(shù)據(jù)并進(jìn)行機(jī)器學(xué)習(xí)提供專(zhuān)業(yè)工具。

? ? ? ?