当AI来敲门，医院准备好了吗？
- 2019-08-26 13:43
- 作者:佚名
- 来源：HC3i中国数字医疗网
科技飞跃性的发展让AI从早期的“纸上谈兵”逐渐走进人类的生活。如今，各行各业已经能够轻松捕捉到AI的身影，它的触角也逐渐延伸到医疗健康领域中。医疗为AI创造了大展拳脚的机会，AI则在为医疗带来更多可能性的同时也带来新的挑战。
2019年8月19日，HC3i中国数字医疗网特邀首都医科大学宣武医院信息中心主任梁志刚、医准智能科研合作经理刘浩、IBM研发中心解决方案总监崔玮围绕“AI热潮下的医疗数据管理”主题，从AI在医院的应用落地、研发迭代到技术支持等角度展开讨论。
政策导向、趋势发展都证明，人工智能技术已经成为各行各业发展的一个重要方向。诸如人脸识别、语音识别等应用已经非常常见。对于广受关注的医疗领域而言，利用AI提升医疗服务能力成为广大医护人员乃至广大人民的愿景。医学作为一个复杂学科，在人体结构、疾病种类等方面都需要不断汲取更多信息和知识。那么对于知识积累程度的限制或将是影响AI发展的第一个因素；就目前而言，医疗数据量级虽然已经达到一定级别，但标准其实还不够规范。这对于AI深度学习的建模过程会有很大影响；医学作为关乎民生的行业，是一项非常严谨的学科。它既涉及到科学，同时也涉及到伦理、涉及到法律。因此医疗健康领域的容错机制非常严苛；AI的发展对于基础架构的要求会更高。医院基础架构的计算能力、存储能力都是决定AI是否能快速落地的关键。AI的发展离不开基础架构的支撑，但决定基础架构的关键需求来自具体的应用场景，因为不同应用场景对于基础架构的性能要求有差异，因此根据不同应用设计合适的架构非常关键；信息化建设过程要从整体规划，根据不同的场景，分析所需的具体底层技术支撑，不断建设和完善；没有探索就不会有AI的大规模应用。医院专家、有关部门要从研究型或者是从探索型，做好AI进医院的准备。与企业及科研院所等优质合作伙伴共同探索，助力AI在医疗领域前行。医院所有的信息化建设，其实更多的是服务于医疗过程，并没有很好的考虑到大数据的应用。例如影像数据：现在很多医院拿到的数据都是重建后的数据，而非原始数据或者是薄层数据。然而发展AI所需要的数据重建、数据分析却更需要原始数据，因为重建后的影像都是五毫米的影像，并不利于分析。
目前医疗机构产生的原始数据量已经非常可观，如何在保证数据安全的前提下，高效利用原始数据呢？承接高性能的数据存储平台不失为一个有效方法。在做整体数据重建或数据分析的时候，用重建后的数据来进行分析是不可行的，好的底层架构技术能够帮助医疗机构将数据价值更好的发挥出来。
刘浩：持续升级的医疗AI，需要可持续发展的基础架构
AI的完善和发展离不开不断的训练，但存储和GPU的交互速度则是影响训练时间的关键因素。一般的存储，AI模型训练时间至少在一到两天，但如果存储IO速度快，则可以将时间缩短在一天之内。目前，出于对医疗数据安全性的保护以及存储技术的限制，医疗机构的数据资源是无法进行分享的。未来，如果想要实现多中心的模型建设，就需要云存储作为支撑，这样一来很多医院联合体的数据资源能够放在一起，保证安全的同时也能盘活数据，让数据真正被利用起来。医准智能自2017年成立以来，已有肺结节智能检测系统、乳腺钼靶智能检测系统和与IBM合作开发的达尔文智能科研平台三款成熟智能产品上市。其中，达尔文智能科研平台瞄准医疗机构的科研需求，以更简洁智能的方式帮助使用者挖掘数据价值、进行AI研发。算力是提升基础架构性能的关键点。目前，GPU、FPGA等异构计算方式的诞生，都能够有效提升算力从而实现对上层需求的支撑，然而如何用IO的高速通道将数据传送给有计算力能力的GPU或其他计算单元上，仍是需要思考的问题。医疗机构需要更好、更智能的架构，以及更高速的存储通道去破解这个难题。从底层构建具备GPU或其他高速算力的架构能够提供更好的算力支持，通过分布式的存储的架构实现数据的高速传送，从而达到对整体需求的支持，助力AI发展。不仅是医疗行业，数字时代的到来让数字化转型成为当今社会的主流发展趋势。如何借助创新力量帮助各机构成功转型？IBM总结了两个关键点：针对医疗机构所持有的多个独立存储资源池进行整合，将其转化为一个大的虚拟存储资源池，这样一来在使用存储资源的时候，就能够将每个资源作为虚拟资源池交出去，尽量高效地将已有存储环境进行利用；通过类似SVC这样的产品把用户数据进行分层管理——即冷数据放入低成本环境，热数据放入存储效率较高的环境，在有效降低整体成本的同时保证较高的数据存储效率。在需求和技术发展的驱动下，医疗AI作为跨学科的科研，获得了越来越多的认可和期待。医院需要一个科研的工具、一个科研的平台，来帮助医生在处理冗杂工作的同时实现AI领域的科研，提升个人乃至机构的科研能力。这也是IBM与医准智能合作研发达尔文智能科研平台的契机。平台底层采用了GPU服务器做支撑，其上构建了Spectrum Scale分布式共享文件系统作为存储架构，然后再利用IBM Watson Machine Learning Accelerator作为深度学习框架，结合医准智能提供的影像组学算法库，以端到端形式组合成最终的智能科学平台，发挥平台力量，赋能医疗数据的挖掘和应用。“不用AI的医生一定会被用AI的医生落下。”梁志刚表示，医生们对于AI大多抱有积极的态度。然而，要让AI为医生所用，医疗AI产业链上的每一个环节需要共同的努力。从医院的角度来看，在关注应用落地的同时，自上而下构建AI时代所需的信息系统，从软件应用、软件迭代到基础架构的规划都要符合AI的特性；从医疗AI研发企业来看，需要更加充分地了解需求和产品发展的路径；从技术支撑企业来说，需要为医疗AI发展提供充足的成长空间，支撑当下与未来。今天，AI已经走进我们的生活，刷脸支付等日常应用让人们逐渐适应AI的到来。对于医疗圈来，AI也在逐步走进日常工作中。顺利跨越发展道路上的阻碍、披荆斩棘迈向更美好的未来，是所有医疗人的希冀，也是所有IT人的愿望。
转载请注明出处：HC3i中国数字医疗网
【责任编辑：
xiasz TEL：（010）68476606】
