回顾AI+CPU 处理医疗影像的性能分析和介绍

现代医学之所以每天都在造福无数人类，对人体越来越深入的了解是重要原因，尤其是诊断的时候，医学影像起到的作用越来越重要。专业医疗科学网站估计：医疗数据中有超过90%的数据来自于医学影像。然而，针对影像数据的分析，现在主要还是靠易于出错的人工完成，误诊难以避免，中外概莫能外。从影像误诊人数来看，美国每年人数达到 1,200 万，中国每年高达 5,700 万。

不过，AI 和深度学习技术正在逐渐解决这些问题。诸如对象检测和分割等 AI 技术，可以帮助放射科医生更快、更准确地识别问题，从而更好地划分病例优先级、改善患者治疗效果、降低医院运营成本。这种技术的挑战在于：如何在尽量不大幅增加系统成本的的前提下，能够高效、准确地处理医学影像？

英特尔和飞利浦公司合作证明：搭载英特尔 至强 可扩展处理器的服务器，可用于高效执行面向患者 X 光和 CT 扫描的深度学习推理，医疗机构无需巨额投资、修改使用GPU硬件 ，也能实施医疗 AI 工作负载。

骨龄预测 and 肺部分割，推理大提速

2017 年，英特尔推出了至强 可扩展处理器，可以处理复杂的混合工作负载，包括医疗成像领域常见的大型内存密集型模型，也能实现加速。在此之前，要想使用硬件加速深度学习，常见的做法是使用图形处理单元 GPU。不过，这种做法存在一些内存限制，同时购买适用 GPU 的费用也是居高不下。英特尔和飞利浦发现，相比基于 GPU 的系统，英特尔至强可扩展处理器更能满足数据科学家的需求。更让飞利浦高兴的是——能够以更低的成本为客户提供 AI 解决方案。

为了支持医学图像兴趣区分割和医学图像分类，飞利浦正在开发复杂的深度学习模型，可用于以下两种案例：

骨龄预测模型

以人类骨骼（比如手腕）的 X 光图像和患者性别为输入。然后，推理模型通过骨骼预测年龄，以确定因骨质流失导致的身体状况。该模型可以协助诊断营养不良等症状。

肺部分割模型

患者胸部 CT 扫描结果识别肺部，在检测到的器官周围创建分割掩膜。推理结果可用于测量肺部的大小和体积，或加载用于譬如肺结核或气胸检测的特定器官疾病筛选模型。放射科医生能更清晰地看到病患的肺部解剖结构。

在模型的优化上，飞利浦使用以下两种方法，最大限度地提升了推理模型的性能。

使用 OpenVINO 工具套件

该套件有两个主要组件：模型优化器和推理引擎。前者对神经网络图形进行优化，后者可以针对制定目标硬件后端加载推理引擎。英特尔提供了面向各种硬件类型的程序开发库，以实施高效深度学习的内核。

并行化工作负载

也就是运行多个 OpenVINO 实例。相比运行一个实例而言，在每个处理器插槽上运行多个 OpenVINO 实例，显著提高了每秒处理的图像数。每个实例绑定至 一个或多个英特尔至强可扩展处理器的内核，显著提高了内核利用率。

经过这些优化后，效果显著。针对前面提到的两个案例：

★骨龄预测模型每秒处理的图像增加 188 倍；

★肺部分割模型每秒处理的图像增加 38 倍。

飞利浦的案例研究表明：医疗机构无需巨额硬件投资，也能实施医疗 AI 工作负载。对于飞利浦这样的公司而言，还可以通过在线商店等方式提供 AI 算法下载，以此增加收入，在日益激烈的竞争中脱颖而出。

AI+医疗影像，创造健康美好未来

总体而言，医疗影像之类的工作负载，常常需要小批次或流处理方式应对，这就非常适合使用CPU作为支撑硬件，特别是英特尔 至强 可扩展处理器，可以为 AI 模型提供经济高效、灵活的平台。结合OpenVINO 工具套件使用，能够在不影响准确性的前提下部署预训练模型，从而提高效率。

美国资深咨询公司弗罗斯特 - 沙利文公司曾作出结论：“人工智能可将医疗效果提高 50%，同时减少多达 50% 的医疗成本。”人工智能和医疗影像的结合，必将为人类的健康创造更美好的未来。