用深度学习知识拆解健康密码，你只需要知道这几点

早在1880年代，医学界已使用内窥镜和大肠镜检查人体内部情况，由专家分析医疗影像，但诊断有时会因人为错误和后台因素出错。

随全球城市人口增长，内科疾病个案数字急速上升，公众对诊断专家的需求殷切，单在数量上培训专家并不足够。病理学家须长时间接受训练、努力不懈，透过观察显微镜和侵入性测试，方能办别肿瘤组织。深度学习﹝Deep Learning﹞有助医疗观测诊断的方法更上一层楼。

深度学习的底蕴

与一般机器学习﹝Machine Learning﹞相比，深度学习是更进一步模仿人类的思维方法。人类脑部神经元是相隔若干距离，仍然互相连结，迅速处理及传递讯息。人工神经网络﹝Artificial Neural Networks﹞则利用层次组合、连结和方向，来传递数据。

每个人工神经网络层，要负责不同工序。当数据由第一层出发，每层都进行一项工序，直到最后一层，数据就成为整个神经网络输出的洞见。在分析医疗影像的应用上，通常需要约100个这种神经网络层，方能识别并分类来自数百万图像的特征。

业界深知人工神经网络在医学应用上有巨大潜力，但要一部机器像人类一样“思考”，须增加神经网络的层数去处理数据，耗用庞大的运算资源。新的IBM POWER Systems，为局面带来转机。最近，香港生产力促进局(生产力局)的汽车及电子部便引入有关系统，进行深度学习在医学领域的研究。

POWER推动机器学习

要使用数以十万计医疗影像，去训练一个人工神经网络进行深度学习，工作一点不简单，需要强大的影像处理组件、高容量记忆体，及稳定可靠的平台。

若使用区域性卷积神经网络﹝Regional Convolutional Neural Networks﹞，处理不规则影像，每个影像会被分拆为数以千计的小区域，每区会产生数千项数据，让系统计算它们之间是否相似。

若用非线性方法，拆解分析不规则的数据，需要强大的运算能力。尤其当病人性命攸关，更需要强大的系统，大幅缩短深度学习的训练时间，由若干星期缩至若干小时内完成。

影像的处理同样重要。生产力局的研究队伍，使用大量人体异常组织的影像，例如已划分区段的腺体组织影像，让系统深度学习，判断不同细胞的大小、形状，及相对于其他细胞的位置，提高辨识能力。

今次使用的IBM平台，提供分散式系统，可同时支援多个图形处理器﹝GPU﹞。若有图形处理器处于闲置状态，资源可开放供机构其他同事使用，提高营运效益，让他们同步处理多个不同项目。

平台稳定性十分重要，因为计划目标是支援病理学家研究，不能在数据完整性、系统故障上带来困扰。

加速架构致胜关键

生产力局所采用的IBM S822LC伺服器系统的高效能运算﹝HPC﹞平台由IBM开发，并运用了NVIDIA的 NVLink 图像处理器 (GPU) 介面。

NVLink技术在中央处理器﹝CPU﹞与图形处理器之间，提供高频宽、低延迟的连结，高容量频宽是PCIe的2.5倍。四个NVLink图形处理器，加上双重POWER8中央处理器，为深度学习提供稳定可靠的平台。

这套尖端的深度学习系统经由IBM Lab部署安装，让生产力局研究队伍采用更快的新方法，处理影像数据和深度学习，为协助香港医疗拆解健康密码，迈出新的一步。