在醫(yī)療成像領(lǐng)域，以機器學習(ML)和深度學習( DL )技術(shù)為代表的人工智能( AI )的普及勢必將推動這一領(lǐng)域的轉(zhuǎn)型。

憑借各種機器學習驅(qū)動的工具，所有醫(yī)療生態(tài)系統(tǒng)內(nèi)的患者、醫(yī)療服務(wù)提供商、醫(yī)院、專業(yè)人士以及各利益相關(guān)方都將因此受益。從解剖學幾何測量到癌癥檢測，應(yīng)用前景可謂十分廣闊。而在這些應(yīng)用場景下，機器學習發(fā)揮的作用既包括提升工作效率，還會產(chǎn)生一些其他正面成效。

機器學習在醫(yī)療成像領(lǐng)域能通過多種途徑發(fā)揮作用

機器學習用于醫(yī)療成像的途徑有很多種。例如，放射學、皮膚病學、血管診斷學、數(shù)字病理學和眼科學，都會用到標準圖像處理技術(shù)。

在放射學中，胸部 X 光透視是最常見的放射檢查。每年全球完成的透視數(shù)量超過 20 億，相當于每天完成 548，000 次，這一數(shù)字簡直令人震驚。如此數(shù)量龐大的透視次數(shù)勢必會給放射科醫(yī)生造成沉重負擔，因而對工作流的效率提出了極高要求。誠然，放射科醫(yī)生的專業(yè)素養(yǎng)至關(guān)重要，但在速度和精度方面，機器學習、深度神經(jīng)網(wǎng)絡(luò)( DNN )和卷積神經(jīng)網(wǎng)絡(luò)( CNN )等技術(shù)往往比放射科醫(yī)生的專業(yè)知識更略勝一籌。在面臨快速決策的壓力時，人為錯誤率可能高達 30%。借助機器學習技術(shù)協(xié)助決策過程，有助于提高決策質(zhì)量，為放射科醫(yī)生與其他專業(yè)人員提供補充工具。

目前，法規(guī)方面的支持正在穩(wěn)步推進，美國食品藥品監(jiān)督管理局(FDA)也正批準在輔助診斷及其他應(yīng)用中采用更多機器學習技術(shù)。此外，F(xiàn)DA 還為基于機器學習的產(chǎn)品建立了一個新的監(jiān)管框架。新的監(jiān)管框架將機器學習技術(shù)稱之為“軟件即醫(yī)療設(shè)備(SaMD)”，有望為治療質(zhì)量和治療效率帶來可觀成效。

“機器學習+醫(yī)療成像”困難重重

在放射學、皮膚病學、血管診斷學、數(shù)字病理學和眼科學中，許多治療都需要大幅圖像，有時會達到 500 萬像素甚至更高，并且需要進行復(fù)雜的圖像處理。同時，機器學習工作流計算強度大、存儲器占用高。主流計算采用線性代數(shù)的方式，需要完成大量計算并使用大量參數(shù)。它需要數(shù)十億次乘法-累加( MAC )運算、數(shù)百兆字節(jié)參數(shù)數(shù)據(jù)、眾多運算符以及高分布式的存儲器子系統(tǒng)。因此，為實現(xiàn)組織檢測或分類，在 PC 和 GPU 上使用傳統(tǒng)計算方法開展高準確度圖像推斷往往效率低下，這也迫使醫(yī)療公司開始尋求替代技術(shù)來解決這一問題。

賽靈思出馬：見證“奇跡”的時刻

賽靈思提供的異構(gòu)、高分布式架構(gòu)恰好可以幫助醫(yī)療企業(yè)應(yīng)對這一問題。賽靈思Versal自適應(yīng)計算加速平臺( ACAP )系列多處理器片上系統(tǒng)( SoC )整合了深度學習加速器和 SIMD VLIW“AI”引擎，能幾乎實時地完成高速數(shù)據(jù)的大規(guī)模并行信號處理。這就意味著，賽靈思所提供的計算能力可以穩(wěn)步超越每秒 100 太次運算( TOPS )。

賽靈思器件可以大幅提高復(fù)雜醫(yī)療機器學習算法的求解效率，有助于為邊緣醫(yī)療應(yīng)用加速，同時，還可以節(jié)省資源、成本和功耗。由于其架構(gòu)和支持庫的天然簡便性，Versal ACAP 器件可內(nèi)在地為遞歸網(wǎng)絡(luò)提供支持。

針對算法和應(yīng)用開發(fā)者，賽靈思也提供了一款創(chuàng)新的生態(tài)系統(tǒng)：Vitis 等統(tǒng)一軟件平臺適用于應(yīng)用開發(fā)，Vitis AI 可以用于加速機器學習推斷的優(yōu)化和部署。這就意味著開發(fā)者可以在其項目中使用 ACAP 等先進器件。

醫(yī)療工作流和醫(yī)療設(shè)備工作流正經(jīng)歷重大變革。在未來，“大數(shù)據(jù)”企業(yè)在計算需求、數(shù)據(jù)隱私、安全保障、病患安全和準確性方面將提出更為嚴苛的要求，而這也將催生未來醫(yī)療工作流的新面貌。分布式的非線性并行化異構(gòu)計算平臺將是應(yīng)對和管理這種復(fù)雜性的關(guān)鍵。賽靈思Versal 等器件和 Vitis 等軟件平臺也必將成為實現(xiàn)未來優(yōu)化 AI 架構(gòu)的理想選擇。