AI助攻下 智慧医疗进入了飞速发展期

人工智能（AI）这个概念虽然从本世纪 50 年代提出，到现在已经走过了 60 多年，并且在我们生活中的诸多场景下都得以应用，但在医疗领域却还处于探索阶段。近年来，在各国政策支持与AI、大数据、云服务等前沿技术的驱动下，智慧医疗进入了飞速发展期。

当前世界主要国家已纷纷开始对AI进行国家战略层面的布局，并且非常重视其在医疗领域的发展。AI技术在医疗设备领域的应用主要集中在医学影像、辅助诊断、药物研发、健康管理、疾病预测等几大应用领域。

资料显示，国外医疗领域对AI技术的应用，以药物研发为主，而中国则借助医疗影像大数据及图像识别技术的优势，大力发展AI医学影像。AI应用在医学影像领域，能帮助医生提高早诊率，减少误诊率，这对于在医疗科技研发与产业成熟度方面都与主要发达国家有一定差距的中国来说，既是机遇，也是挑战。

芯片是AI产业的制高点，在云端的学习环节，GPU依然具备优势，TPU亦在积极拓展市场和应用，而在终端推理应用，FPGA和ASIC则更被看好。美国在AI通用芯片领域优势明显，例如英伟达（NVIDIA）的GPU、赛灵思（Xilinx）的FPGA、英特尔（Intel）的可扩展处理器、谷歌（Google）TPU等。而中国是全球第二大AI力量，AI企业超过千家，部分新创企业还在ASIC专用芯片领域有所突破。

具体到相关硬件的设计，AI医疗、可穿戴和远程患者监护医疗设备目前的开发都处于起步阶段，这些设备可用于现代医院、诊所及患者家中，旨在更有效地诊断和治疗疾病。而相关医疗设备的设计除了上面说的主芯片，还包括低功耗单片机、微处理器、无线器件、安全器件、触摸器件以及模拟/混合信号器件等多种元器件。

不过，AI医疗本身还存在着许多关键基础性与实际应用的问题，如数据的稳定性有待提高、开发算法的工程师并不懂“医”等，同时还涉及到医学伦理等问题。医生给出的诊断结论是基于经验、伦理和实践，人工智能能否做到“推理”？这些也是AI应用在医疗健康领域下一步需要解决的问题。

人工智能与医疗领域的结合，会不会让人们看病更容易？技术在普及阶段还面临哪些难点？本期《电子工程专辑》采访多家半导体业内积极推进人工智能医疗应用的厂商，从新兴产品技术、实际应用案例和落地情况等几个方面，来看看AI技术能为日常医疗带来哪些改进，以及采用AI技术的医疗应用的落地情况。

用于智慧医疗的最新AI技术

英伟达医疗业务全球副总裁Kimberly Powell近期在接受中国医疗媒体采访时表示，“医疗行业将成为人工智能最大的应用产业之一，而中国医疗行业以及产业态势也是我们非常看好的。”

英伟达（NVIDIA）医疗业务全球副总裁Kimberly Powell

她强调了英伟达在计算架构方面三个类别：高性能计算、计算图形和仿真，以及人工智能。当前医疗产业的生态系统，以基于人工智能的最新医疗解决方案开发，都离不开以上三个技术。

去年GTC大会上，英伟达将触角伸向传统医疗领域，发布了一款医学影像超级电脑 Project Clara，提出在十年前的老旧医疗设备上运行最先进的人工智能算法，并用最先进的 GPU 辅助成像。这个平台将大幅度弥补传统医疗仪器在运行速度和功能上的不足，很大程度上助推了AI技术与医疗设备全面结合。

据介绍，这一平台核心是Clara AGX，基于英伟达 Xavier AI运算模组、Turing GPU运算架构，能从入门级设备扩展到要求最苛刻的3D仪器。平台使用了加速计算、人工智能和可视化等技术，同时利用容器技术、虚拟化等计算结构将平台结构分为几层，客户可以选择使用其中一层或所有层。平台最底层是cuDNN（神经网络执行层），第二层是能使多个AI任务并行执行的引擎，“如果没有这个引擎，一个AI模型就必须由一个专用GPU来执行，”Kimberly Powell称，“Clara平台能够解决医疗器械处理每秒数GB的巨量数据。”

同样一套软件既可以在医院本地运行，也可以在云端运行，这“对于中国市场而言，Clara平台对混合运营环境的支持是有优势的，因为一些偏远地区网络条件不好，无法获得云服务，他们可以选择在本地执行;但是对于那些大城市而言，可以选择云端运行的方式。” Kimberly Powell表示。

同样看好AI医疗的英特尔，也利用全栈式解决方案攻城略地。硬件层面包括至强®可扩展处理器、Nervana™神经网络处理器、FPGA、网络以及存储技术等。同时，还有针对深度学习和机器学习而优化的基于英特尔架构的数学函数库（Intel® MKL）以及数据分析加速库（Intel® DAAL）等，以及支持和优化开源深度学习框架如Spark、Caffe、Theano以及Neon等，最后是构建以英特尔®Movidius和Saffron为代表的平台以推动前后端协同人工智能发展。

英特尔认为其可扩展处理器，相较普遍用于训练和运行机器学习模型的GPU，在计算机视觉方面具有关键优势：能够处理更大，内存更密集的算法。如今他们与西安盈谷合作，打造跨终端跨平台的医疗智能化辅助诊断系统，实时、高效地处理和分析云上海量医疗影像，目前已接入千余家各类医疗机构。

赛灵思在2018年收购了中国AI芯片领域创业公司深鉴科技，此举被业界认为是AI 软硬件深度结合的典范。调研机构Allied Market Research预估，FPGA将成为AI芯片中增长最快的细分领域，甚至超过GPU，因为FPGA的灵活性可以让开发人员

为其他任务进行新的编程。

赛灵思工业医疗市场拓展经理翁羽翔表示，今年推出的7纳米工艺Versal芯片就将聚焦医学影像领域，深鉴科技的核心技术之一“神经网络压缩算法”也能与赛灵思自适应计算加速异构平台结合，提供实现AI推理的开发工具包。

亟待解决的问题

然而，医疗行业在实现人工智能的道路上的确存在许多问题。微芯科技（Microchip Technology） 医疗产品部业务拓展经理Marten L. Smith认为，其中一个难点就是在设计医疗设备时，如何以最低设计等级实现最大程度的智能化。使用将独立于内核的外设（CIP）集成于设计中的单片机正是化解此类问题的绝佳方法。

根据传统，单片机多支持一项功能就需要更多的闪存（用于存储变量）、额外的RAM（用于执行代码）以及更高的处理速度（确保系统时序符合规范）。遗憾的是，这种集成方法需要在新一代设计中使用尺寸更大、功耗更高、价格昂贵且更为复杂的单片机，超出设计成本、尺寸和预算限制。

新的智能医疗设计必须提高功能集成度，同时降低总体功耗、成本并缩小物理尺寸。这些对成本极其敏感的嵌入式设计需要摈弃传统需求，在新一代医疗设备设计中告别价格昂贵的单片机，将架构设计转向功能支持。

例如，带有CIP的Microchip单片机集成了片上外设，可以在CPU监控工作量降至最低的情况下智能运行。它们可以与其他片上外设直接通信，从而创建灵活的反馈环路。

这些集成外设提供具备特定功能的智能硬件模块，几乎不需要代码，功耗极低，实现特定功能所需的RAM和闪存也显著减少。此类单片机可实现灵活、节能的医疗设备设计。与尺寸更大、成本更高的单片机相比，其任务执行能力毫不逊色，更不会增加成

本、功耗、尺寸和复杂度。

具体到医疗影像领域，翁羽翔认为，过去的主要问题就是病灶识别的处理时间过长，以及成像清晰度不足。AI技术的引入可以很好地解决这些难题，比如深鉴科技的压缩算法，能在不影响精度的情况下最大限度发挥芯片的计算能力，缩减病灶识别的处理时间。同时，赛灵思芯片中的高速接口能接入8K/4K视频和图像数据，结合高性能ISP处理来提升医学成像的清晰度。

落地情况

接受采访时，英特尔表示他们正基于自身的创新技术，与合作伙伴一起寻找突破性应用场景，共推人工智能在医疗行业的应用落地，解决最具挑战性的难题。不久前，英特尔与江丰生物宣布成立病理人工智能联合实验室，共同研发相关产品的核心算法，对病理人工智能产品在英特尔计算平台上进行计算给出性能优化，并推广病理整体解决方案。

同时，英特尔针对合作伙伴的不同使用目的，提供特定的解决方案。举例来说，诺华借助英特尔深度神经网络加速技术加快药物研发的速度;英特尔软件创新者Peter Ma参与发起的Doctor Hazel项目，借助英特尔神经计算棒对皮肤癌进行筛查;携手浙江大学与德尚韵兴，研发基于超声影像的甲状腺结节良恶性的辅助诊断系统“DE-超声机器人”，帮助从三甲医院到基层医院的医生进行甲状腺结节的诊断，目前该辅助诊断系已经部署于临床试点应用，为紧张的医疗资源分配带来缓解。

其实在推出Clara平台之前，英伟达在中国国内已有多个项目落地，他们在选择合作伙伴时，主要考虑四个类型：第一类是医疗学术界的，因为半导体厂商不是医生，不搞医学研究的，所以在这方面要寻求合作伙伴;第二类是初创企业，为他们提供技术支持;第三类是产业界商业化合作伙伴，比如华大基因、联影智能;第四类是政府部门，关注不同国家和地区政府的重大科研项目方向以及相关政策。

“Clara平台自2018年11月底开放以来，也已收获350到400家公司注册。”，Kimberly Powell表示：“但其本身还是非常新的东西，所以还谈不上普及度和接受度问题。当前的版本是我们刚刚发布的第一个版本，但已经获得了世界上几乎所有较大型医疗设备公司、著名医院和初创企业注册。”

Marten Smith也持相同观点：“我们正处于数字医疗革命的初始阶段。部分大型高科技公司投入大量资金和资源改变医疗行业，未来还将追加投入。部分市场评估调查显示，截至2023年，医疗设备市场的估值将超过4000亿美元，增幅达到4%至5%。”

疾病的诊疗正逐步从医院和诊所走向家庭。这种变革能够引领大家自主管理个人健康状况。与过去相比，现今的医疗设备对于智能性、互联性和安全性提出了更高的要求。