新智元原创

作者：张易

　　新智元启动 2017 最新一轮大招聘：COO、总编、主笔、运营总监、视觉总监等８大职位全面开放。

　　新智元为COO和执行总编提供最高超百万的年薪激励；为骨干员工提供最完整的培训体系、高于业界平均水平的工资和奖金。加盟新智元，与人工智能业界领袖携手改变世界。

　　简历投递：jobs@aiera.com.cn HR 微信：13552313024

　　【新智元导读】医疗影像智能分析在智能医疗各领域中都属于发展较快的一支。国内外涌现了一批将 AI 技术应用于医疗影像识别和分析的初创公司。然而，在具体的技术落地过程中，这些公司往往会遇到一些特定的难题。在此，我们和大家分享一个在英特尔技术支持下，由浙江大学数理学院和浙江德尚韵兴图像科技有限公司成功开发的智能医疗影像诊断系统的案例。该系统的任务是识别和分析影像中的甲状腺结节以及良恶性。从这一案例中，可以看到，英特尔系统化的计算硬件和所支持的丰富的计算结构和框架，为开发者快速开发提供了有力武器，并且与其生态环境合作伙伴密切配合，为技术的普及和业务模式的发展提供了强力支持。

　　医疗影像数据快速增长，引入人工智能技术成必然

　　人工智能和医疗影像的结合已经成为一个比较热门的研究和创业方向。除了以深度学习技术驱动的计算机图像识别能力的大幅提升之外，医疗影像数据的快速增长也是重要原因。

　　医疗大数据中有超过 80 % 的数据来自于医疗影像。这些数据大多要进行人工分析。目前我国医学影像数据的年增长率约为30%，而放射科医师数量的年增长率约为 6.1%，其间的差距是 23.9%，放射科医师的数量增长远不及影像数据的增长。这意味着放射科医师在未来处理影像数据的压力会越来越大，甚至远远超过负荷。

　　同时，医疗影像的多样性也在不断增强，已经从常见的以灰度为主的 X 光片、CT、 MRI、B 超等发展到结合了其他动力学、医学解剖学等特征的计算机合成的彩色、多维影像图片，以及各种数字检查镜产生高分辨率图像，如眼底照片、病理图像等等，以及在影像以外再加上治疗数据、基因数据、预后数据以及影像时间维度的扩充等结合，多模态影像、病理、检验、基因及随访信息等数据的种类繁多。

　　然而长期以来，人工鉴别图像几乎是医疗机构唯一在使用的方式，对医师的经验、状态都有着极大的依赖，加之人眼的分辨率和敏感度限制，客观上制约了对影像资料的充分利用。影像科医师较长的培养周期，也对基层医疗机构承担起分级诊疗政策指导下的疾病初诊都造成了一定压力。

　　当然，也要看到，尽管数据量如此巨大，且多样性极强，但因为医疗影像数据的标准化、结构化和统一性在整个医疗数据中仍然是最强的，再加之以深度学习技术驱动的图像识别本就处在这一波 AI 技术应用浪潮的最前沿，这使得医疗影像智能分析在智能医疗各领域中都属于发展较快的一支。国内外涌现了一批将 AI 技术应用于医疗影像识别和分析的初创公司。然而，在具体的技术落地过程中，这些公司往往会遇到一些特定的难题。

　　在此，我们和大家分享一个在英特尔技术支持下，由浙江大学数理学院和浙江德尚韵兴图像科技有限公司成功开发的智能医疗影像诊断系统的案例。该系统的任务是识别和分析影像中的甲状腺结节以及良恶性。根据实测，国内比较顶级的三甲医院 10 年资质的放射科医生判断准确性平均在 75% 左右，而目前双方合作开发出的系统-DE 超声机器人的准确率则能稳定在 85% 以上，在实验室则达到 90% 以上。并在包括浙江大学第一附属医院的医疗机构已经实际应用，服务了几千名患甲状腺结节的病人。

　　DE 超声机器人的用途、优势和价值

　　浙江大学数理学院和德尚韵兴公司的联合开发团队针对目前人群中高发的甲状腺结节的智能读片和分析需求，研发了基于深度卷积网络 DNN 的算法，可对超声医学图像病变区域进行识别和判断。深度学习可以模仿人脑的机制来提取医学影像的特征，形成更加抽象的高层特征来进行分类或识别物体。传统的机器学习方法是由专业人员来定义结节或肿瘤的特征，如钙化、边缘、毛刺、灰度等，利用特征组合来表示目标属性或类别。由于影响因素十分复杂，人工定义特征难度高而且效果也比较有限。深度学习能自动学习具有层次结构的特征，如浅层次特征:边缘、灰度、角、回声、钙化、形状等; 深层次特征:复杂纹理。通过特征学习准确的实现对目标的识别和分类。同时，结合分割技术、检测与识别技术，通过来自大量不同医院、不同品牌、不同型号的超声机采集的超声影像数据来训练网络结构，开发出了超声医学影像智能诊断系统——DE 超声机器人。

　　

　　功能说明：

　　功能一:甲状腺结节探测与识别

　　无需医生干预，便可从原始的甲状腺超声图片中快速地勾画出所有结节的轮廓。

　　功能二:甲状腺结节良、恶性诊断

　　对超声图片中每个结节分别自动、快速地诊断其良、 恶性。

　　

　　

　　为了更好的验证 DE 超声机器人对医生诊断的支持效果，研究团队与某国内排名前十的三甲医院超声科进行了读片对比，分别遴选出十年资和两年资以上的超声医生与DE 超声机器人的读片结果进行比对，以病理报告的结果(金标准)为依据。竞赛结果表明，资深超声医生的识别准确率平均约为75%， 而超声机器人则稳定在 85% 以上。

　　开发过程中的挑战，及基于英特尔领先AI技术的解决方案

　　在研发过程中，研发团队遇到了如下挑战：

　　1. 原有训练平台使用了 GPGPU 产品，片上内存仅有 8GB，而每次训练需要导入内存的数据超过 12GB， 经过大量重新设计网络、优化计算框架、压缩数据集等方法，将内存需求降低到 6GB，但是最终的效果受到了影响。

　　2. 最初设计了工作站和云版两种部署模式，并实现了工作站平台版本，但未能应用 MKL 加速，单张影像分析时间较长，为后续处理连续 B 超影像带来性能瓶颈。云版需要考虑多用户管理并且在结合医疗机构正常甲状腺管理方面做好整合，工作量较大一直没有开始。

　　3. 在甲状腺 B 超取得显著进展的同时，也开始了乳腺 癌、腹部 B 超、颈动脉斑块等其他方向的研究，原平台最多 4 卡限制了研究效率。

　　英特尔与浙江大学数理学院、德尚韵兴公司一起实现了以下重要进展：

　　1. 共同将模型训练从 GPU 四卡系统迁移至 Intel Xeon Phi 7250 四节点平台，经过优化单节点性能约为元平台处理速度的1.1 倍。

　　2. 共同将预测模型用英特尔的 MKL2017 优化，在 CPU 平台 的评分速度预计获得 8X 以上提升。

　　3. 共同改进算法准确度，进一步提高图像识别的精度。

　　4. 引入英特尔医疗生态链合作伙伴经纶世纪，共同将基于单机的 DE 诊断系统升级为云服务方案，并部署在阿里云平台，支持在浙大医院超声科的实时业务。

　　5. 与经纶世纪依照美国甲状腺协会指南的甲状腺风险度评估与管理系统集成，并成功推广到面向 2000 万人口的中国健康促进基金会全国筛查项目。

　　英特尔人工智能系统化解决方案

　　图四:深度学习步骤示意图

　　

转载请注明出处。