醫療影像人工智能解決方案背景介紹 醫療影像智能分析是指運用人工智能技術識別及分析醫療影像，幫助醫生定位病癥分析病情，輔助做出診斷。目前醫療數據中有超過90%來自醫療影像，這些數據大多要進行人工分析。 人工分析的缺點很明顯，第一是不精確，只能憑借經驗去判斷，很容易誤判。中國醫學會的一份誤診數據資料顯示，中國臨床醫療每年的誤診人數約為5700萬人，總誤診率為27.8%，器官異位誤診率為60%，惡性腫瘤平均誤診率為40%，如鼻咽癌、白血病、胰腺癌等，肝結核、胃結核等肺外結核的平均誤診率也在40%以上。第二是缺口大，按照動脈網蛋殼研究院的數據，目前我國醫學影像數據的年增長率約為30%，而放射科醫師數量的年增長率約為4.1%，其間的差距是23.9%，放射科醫師數量增長遠不及影像數據增長。這意味著放射科醫師在未來處理影像數據的壓力會越來越大，甚至遠遠超過負荷。如果能夠運用算法自動分析影像，再將影像與其它病例記錄進行對比，就能極大降低醫學誤診，幫助做出準診斷。 醫療影像行業的人工智能實現流程大致為：影像數據的預處理—>樣本清洗、打標簽?模型搭建及訓練調試?大規模數據的訓練、驗證得到深度學習網絡模型，以上流程為人工智能的線下訓練過程，最終輸出為深度學習模型。接著就可以用用生成的模型進行線上預測或輔助判斷。解決方案介紹浪潮提供醫療影像端到端人工智能解決方案，如下圖所示，實現如下三個功能。 （1） 樣本數據預處理。醫院各個檢驗科如CT，BT，CR等，把醫療影像數據從終端設備通過萬兆/IB網絡，傳輸到并行存儲中，數據預處理CPU平臺（多個雙路CPU服務器NF5280M5組成的集群）從存儲中讀取數據，運行邊緣檢測分割、區域增長分割、種子算法等程序，獲取目標數據，然后打標簽形成訓練樣本庫，存放到并行存儲中。CPU程序的管理、調度、監控將由統一管理平臺AIStation完成。 （2） 模型訓練。模型訓練GPU集群（配置單機8卡GPU服務器，如NF5288M5）將讀取訓練樣本庫數據從并行存儲中，并加載CNN模型，運行深度學習框架，如TensorFlow，Caffe，Mxnet等對初始模型進行訓練，經過對大量數據樣本的學習訓練生成最終模型。訓練中涉及多個訓練任務的提交，其資源管理、調度、監控將由統一管理平臺AIStation完成。 （3） 模型應用。在醫院醫生科室將部署醫生輔助診斷服務器P8000（臺式服務器，配置多塊P4或FPGA卡），訓練好模型將被加載到P8000上。檢驗科發送影像到P8000上，P8000進行識別，快速實現智能化診斷。
