医疗健康行业AI落地中，英特尔的十问“实”答！

在中国，要问哪些行业的 AI 渗透最为广泛，医疗健康绝对是其中之一。而且与医疗健康相关的 AI 企业在所有 AI 企业中占比最高。同时，国内医疗人工智能市场规模也在飞速发展。据德勤公司估计：2019 年，中国医疗人工智能市场规模将达到 310 亿元人民币。 这也符合 AI 在全球医疗保健行业中的发展趋势。

在医疗 AI 的相关众多细分领域中，医学影像分析和药物研发，是 AI 发力的重点。有了人工智能的帮助，病人的医学影像能够得到更快速、更准确的诊断分析，让医生可以在宝贵的时间内给出治疗方案，挽救病人的生命。同时，针对药物研发过程中的遗传和化学特征检测，AI 不但可以辅助分析，更能加速整个过程，助推新药迅速上市，从而造福人力。

多年来，英特尔一直与中国多家医疗行业和医院合作，致力于使用技术推进 AI 的应用，包括东软、西安盈谷、解放军总医院等多家机构，在英特尔的帮助下，让人工智能在多个医疗场景中大显身手。

医疗健康行业AI落地十问“实”答

随着算法的进一步成熟、算力的提高以及数据的持续积累，人工智能得到迅猛发展，深度学习成为其代表，并呈现出应用领域日益集中的趋势。人工智能渗透较多的领域包括了医疗健康、金融、商业、教育和安防等，作为主要应用领域之一，医疗健康行业对人工智能技术的投资也在快速增长。

那么， AI 在中国医疗行业和企业中落地的过程中，是如何让病患及其家庭看到技术带来的新希望？英特尔AI又在其中扮演了怎样的角色呢？答案就在这里！

实战篇

1. 比起其他 AI 图像处理领域，医疗领域的图像分割有何特点？

答：医疗领域的图像分割对时效性要求更高，黄金诊疗窗口往往只有数十分钟，如果图像分割 AI 应用推理效率不够高，就有可能延误宝贵的抢救时间。东软采用英特尔架构处理器（包括英特尔MKL-DNN）优化，推理时间延迟可降低72.6%，基于OpenVINO 工具套件优化，推理时间延迟可降低85.4%。西门子使用英特尔软硬件，心脏 MRI 的分析性能提升了 5.5 倍。通用电气在英特尔技术的协助下，CT 医疗推理引擎的处理能力提高了 6 倍。

2. 西安盈谷的 Cloud IDT 服务，如何优化常见的深度学习框架，以提升肺癌等病症的筛查时间和准确率？

答：Cloud IDT 中的医疗影像分析系统，主要从三个方面提升 AI 模型性能：提高数据命中率、并行化和向量化优化神经网络算子、Winograd 算法级优化。这主要借助英特尔数学核心函数库完成，同时，借助至强处理器和针对英特尔架构优化的 Caffe 和 TensorFlow，影像分析性能提升了5 倍，肺结节等癌症前兆的检测准确率提升到 95%，乳腺癌的智能早筛敏感度提升到 95%。

3. 江丰生物的宫颈癌筛查方案如何利用 AI 提升效率？

答：江丰生物与英特尔一起，从以下几个维度展开优化，以提升筛查深度学习模型的工作效率：

• 优化数据清理和预处理流程
• 构建两阶段端到端神经网络
• 引入模型准确率优化工具

英特尔架构处理器、面向英特尔架构优化的Caffe、英特尔深度学习加速技术等一系列英特尔先进产品和技术，大幅提升了病理切片检测应用的工作效率。

4. 在药物研发过程中，为什么要用深度学习加速药物筛选？

答：以往的细胞表型特征检测、分析和分类方法，存在很多局限性，比如需要处理大量数据、定制流程、参数调整繁琐、不易优化等等。深度学习可以借助框架提升整体效率。英特尔®至强®可扩展处理器、Omni-Path架构等先进技术与产品，可以为基于深度学习的 AI 应用提供出色、可靠的大内存支持，同时加速单节点或多节点的训练效率，以高带宽、低延迟支持分布式训练框架，从而大幅加速了诺华等药企的研发过程。

5. 基于深度学习的图像识别在医疗领域有何好处和应用？

答：优秀的 AI 图像识别方案，可以极大提高医疗机构的信息流传效率。比如解放军总医院，使用基于深度学习的识别模块，辅助药品发放过程，降低了人为因素导致的差错率。其中用到经过英特尔 MKL-DNN 优化的 TensorFlow 框架，训练和推理效率大幅提升，识别准确率达到 95.6%。

技术篇

1. 随着信息化、数字化的不断深入，数据中心和企业对服务器的要求都很苛刻，英特尔®至强®可扩展处理器如何应对？

答：第二代英特尔®至强®可扩展处理器专为数据中心现代化变革而设计，性能比前代高出 25%-35%。该系列支持更高内存速度、增强内存容量和四路可扩展性，并在性能、高级可靠性和硬件增强型安全技术方面取得了显著改进，针对要求苛刻的主流数据中心、多云、网络和存储等工作负载进行了优化，能够适应更复杂、更多样化的应用场景。

2. 英特尔傲腾数据中心级持久内存有哪两种工作模式？主要解决什么问题？

答：一种是内存模式，非常适合提供大容量内存，且不需要对应用进行更改，实现以更低成本在单个物理服务器上提升虚拟机或容器的密度，或为每个虚拟机及容器提供更大内存，且无需重新编写软件。App Direct 模式，具备数据持久特性，使得系统即使在维护或重启期间，持久内存也能保留数据，增加系统业务弹性，缩短重启时间，减少由此带来的成本。

3. 英特尔以傲腾持久化内存、傲腾 SSD和QLC 3D NAND技术构建的数据为中心存储架构，可以帮助用户解决哪些问题？

答：主要体现在：突破存储瓶颈、深挖数据价值、优化存储成本。英特尔®傲腾™数据中心级持久内存颠覆了传统的内存 - 存储架构，创建新的存储层来填补内存 - 存储之间的性能差距。英特尔®傲腾固态盘具有低延迟、高稳定等特点，可帮助消除数据中心存储瓶颈，允许使用更大型、更经济实惠的数据集。英特尔®固态盘采用 3D NAND 技术提升存储经济性，为替代传统硬盘提供了性价比更高的选择，能够帮助用户改善体验、提升应用与服务的性能，并降低 TCO。

4. 英特尔数学核心函数库（MKL-DNN）如何支持多种深度学习框架？

答：MKL-DNN 是专为在英特尔架构上加快深度学习框架而设计的性能增强库，其中包含高度矢量化和线程化的构建模块，支持利用 C 和 C++ 接口实施深度神经网络 , 具备广泛的深度学习研究、开发和应用生态系统。经过它优化的 Caffe 相比原始 Caffe 性能提升 10 倍以上。还可用在 TensorFlow 和 PyTorch Apache、Mxnet、BigDL 等多个深度学习软件产品中。

5. 使用 OpenVINO 工具套件，对于 AI 相关产品研发有哪些好处？

答：作为加速深度学习推理以及部署的软件工具套件，OpenVINO可以大幅提升开发和部署效率。具体包括：

• 允许异构执行，支持 Windows 与 Linux 系统，以及 Python/C++ 语言。
• 作为端到端解决方案，支持Movidius VPU、处理器、FPGA等多种硬件，包括异构硬件。
• 对传统的 OpenCV 图像处理库也进行了指令集优化，实现了性能与速度的显著提升。
• 支持多种预先转换的 AI 模型文件，包括超过 20 个预先训练的模型，实现快速开发。
• 允许异构执行，支持 Windows 与Linux 系统，以及 Python/C++ 语言。
• 作为端到端解决方案，支持Movidius VPU、处理器、FPGA 等多种硬件，包括异构硬件。
• 对传统的 OpenCV 图像处理库也进行了指令集优化，实现了性能与速度的显著提升。
• 支持多种预先转换的 AI 模型文件，包括超过20 个预先训练的模型，实现快速开发。