在醫療成像領域人工智能 AI 的普及勢必將推動這一領域的轉型

在醫療成像領域，以機器學習(ML)和深度學習( DL )技術為代表的人工智能( AI )的普及勢必將推動這一領域的轉型。

憑借各種機器學習驅動的工具，所有醫療生態系統內的患者、醫療服務提供商、醫院、專業人士以及各利益相關方都將因此受益。從解剖學幾何測量到癌癥檢測，應用前景可謂十分廣闊。而在這些應用場景下，機器學習發揮的作用既包括提升工作效率，還會產生一些其他正面成效。

機器學習在醫療成像領域能通過多種途徑發揮作用

機器學習用于醫療成像的途徑有很多種。例如，放射學、皮膚病學、血管診斷學、數字病理學和眼科學，都會用到標準圖像處理技術。

在放射學中，胸部 X 光透視是最常見的放射檢查。每年全球完成的透視數量超過 20 億，相當于每天完成 548，000 次，這一數字簡直令人震驚。如此數量龐大的透視次數勢必會給放射科醫生造成沉重負擔，因而對工作流的效率提出了極高要求。誠然，放射科醫生的專業素養至關重要，但在速度和精度方面，機器學習、深度神經網絡( DNN )和卷積神經網絡( CNN )等技術往往比放射科醫生的專業知識更略勝一籌。在面臨快速決策的壓力時，人為錯誤率可能高達 30%。借助機器學習技術協助決策過程，有助于提高決策質量，為放射科醫生與其他專業人員提供補充工具。

目前，法規方面的支持正在穩步推進，美國食品藥品監督管理局(FDA)也正批準在輔助診斷及其他應用中采用更多機器學習技術。此外，FDA 還為基于機器學習的產品建立了一個新的監管框架。新的監管框架將機器學習技術稱之為“軟件即醫療設備(SaMD)”，有望為治療質量和治療效率帶來可觀成效。

“機器學習+醫療成像”困難重重

在放射學、皮膚病學、血管診斷學、數字病理學和眼科學中，許多治療都需要大幅圖像，有時會達到 500 萬像素甚至更高，并且需要進行復雜的圖像處理。同時，機器學習工作流計算強度大、存儲器占用高。主流計算采用線性代數的方式，需要完成大量計算并使用大量參數。它需要數十億次乘法-累加( MAC )運算、數百兆字節參數數據、眾多運算符以及高分布式的存儲器子系統。因此，為實現組織檢測或分類，在 PC 和 GPU 上使用傳統計算方法開展高準確度圖像推斷往往效率低下，這也迫使醫療公司開始尋求替代技術來解決這一問題。

賽靈思出馬：見證“奇跡”的時刻

賽靈思提供的異構、高分布式架構恰好可以幫助醫療企業應對這一問題。賽靈思Versal自適應計算加速平臺( ACAP )系列多處理器片上系統( SoC )整合了深度學習加速器和 SIMD VLIW“AI”引擎，能幾乎實時地完成高速數據的大規模并行信號處理。這就意味著，賽靈思所提供的計算能力可以穩步超越每秒 100 太次運算( TOPS )。

賽靈思器件可以大幅提高復雜醫療機器學習算法的求解效率，有助于為邊緣醫療應用加速，同時，還可以節省資源、成本和功耗。由于其架構和支持庫的天然簡便性，Versal ACAP 器件可內在地為遞歸網絡提供支持。

針對算法和應用開發者，賽靈思也提供了一款創新的生態系統：Vitis 等統一軟件平臺適用于應用開發，Vitis AI 可以用于加速機器學習推斷的優化和部署。這就意味著開發者可以在其項目中使用 ACAP 等先進器件。

醫療工作流和醫療設備工作流正經歷重大變革。在未來，“大數據”企業在計算需求、數據隱私、安全保障、病患安全和準確性方面將提出更為嚴苛的要求，而這也將催生未來醫療工作流的新面貌。分布式的非線性并行化異構計算平臺將是應對和管理這種復雜性的關鍵。賽靈思Versal 等器件和 Vitis 等軟件平臺也必將成為實現未來優化 AI 架構的理想選擇。