每年都有 1800 萬人因心血管疾病失去生命，易患疾病排名前三，又稱頭號健康殺手。
在醫院裡，心血管內科醫生每天都要檢視大量的醫學影像資料，憑藉著自己的經驗判讀每一張 MRI（心臟磁共振成像檢查) 影像，試圖從隱祕而複雜的心臟結構中發現心血管疾病病人的患病祕密。
人命關天，儘管他們不敢掉以輕心，但不同醫生之間經驗有差別，而且長時間工作中誰也無法保證一直處於最佳狀態。如今，AI 加入這場醫學影像分析遊戲，它超長待機永不疲倦，其顆粒度極其細微，熟稔心臟的每一處結構，就連隱藏暗處的線索都能夠發現。
在醫療健康領域，AI 被廣泛應用於醫學影像、輔助診斷、疾病預測、藥物研發等多個環節，它們就像汽車裡的超級馬達，促使各個醫療環節加快效率。
據資料顯示，2018 年中國醫療人工智慧市場規模達到 200 億元。這一高速增長得益於中國醫療市場的迫切需求，以及近年來醫療人工智慧技術的發展與相關政策的支援。
作為人工智慧應用落地最具潛力的領域之一，英特爾將自身軟硬體能力、演算法能力以及相關應用深入醫療健康領域，協同產業醫療機構、醫藥公司等多方合作，在推理醫學影像、醫學影像分析、病理切片分析、藥物研發等場景大顯身手。
一、人工智慧落地醫療
根據 Global Market Insight 的統計資料，藥物研發在全球醫療人工智慧市場中的佔比最大，達到 35%。緊隨其後的是醫學影像人工智慧，佔比 25%，並將以超過 40% 的增速發展，預計 2024 年將達到 25 億美元的規模。
人工智慧在醫療健康領域的應用非常廣泛，從醫學影像、輔助診斷、疾病預測，到健康
管理、藥物研發等諸多環節，都發揮重要作用。
例如人工智慧應用於慢病管理與疾病監測，基於患者體徵對 (潛在) 慢性疾病進行風險預估，從而通過早期干預，降低患者的醫療費用。影像輔助診斷方面，幫助放射科醫生快速篩除正常影像，提高分析影像的準確度，縮短診斷結果報告時間，提升醫療系統的診斷能力。
現階段，我國基本成型的醫療影像產品大多處於醫院試用階段，該領域公司基本沒有實現盈利；在輔助診斷方面，醫學影像、電子病歷、導診機器人是主要應用場景，多為軟硬體一體化全套解決方案，目前產品仍處於打磨階段。國內新藥研發仍以仿製藥和改良藥為主，國內 AI 新藥研發主要是人工智慧公司與藥企合作開發新藥。
要解鎖 AI 在醫療健康領域的落地困境，需要軟硬體配套裝置的支撐，AI 演算法提高診斷精度，AI 晶片作為底層關鍵技術，配合先進工藝的硬體裝置，三方力量整合，以促進生物技術與資訊科技的融合，從而撬動 AI 與醫療大生態。英特爾自身優勢與 AI 落地醫療領域的節點正好契合。
二、英特爾軟硬兼施
作為一家擁有資料積澱的科技公司，英特爾一直堅持從雲到端的產品與技術創新，廣泛與合作伙伴共同推動雲端計算、大資料、人工智慧等技術與解決方案的發展。
目前英特爾的硬體產品有英特爾至強可擴充套件處理器和傲騰資料中心級持久記憶體和傲騰固態盤等；軟體產品有英特爾架構優化的 Caffe 和 TensorFlow，以及 OpenVINO 工具套件等。
第二代英特爾至強可擴充套件處理器專為資料中心現代化變革而設計，提供比前代產品高出 25%-35% 的效能，且具備多項新特性，能夠打造效能更強的敏捷服務和更具價值的功能，進而改善總體擁有成本，提升生產力。
此外，該第二代處理器整合了深度學習加速技術 (向量神經網路指令 VNNI)，可加速人工智慧和深度學習推理，並針對工作負載進行優化。這使其擁有整合 AI 加速能力的 CPU 架構。
作為新一代至強可擴充套件平臺的「核心」，第二代英特爾至強可擴充套件處理器支援英特爾傲騰資料中心級持久記憶體這一全新產品類別。而英特爾傲騰資料中心級持久記憶體通過與第二代英特爾至強金牌以及鉑金處理器搭配，可以作為 DRAM 記憶體的有力補充，提高系統效能，加速工作負載處理和服務交付。
在強有力的硬體產品支撐下，英特爾的軟實力也不可小覷。
面向深度神經網路的英特爾數學核心函式庫 (MKL-DNN)，作為加速深度學習框架的效能增強庫，包含高度向量化和執行緒化的構建模組，支援利用 C 和 C++介面實施深度神經網路, 具備廣泛的深度學習研究、開發和應用生態系統，適用於：Caffe、TensorFlow、Pytorch、Apache MXNet、BigDL、CNTK、OpenVINO 工具包等深度學習軟體產品。
為了應對在 CPU 上執行深度學習模型面臨的效能挑戰，英特爾推出優化版 TensorFlow，能夠確保深度學習類工作負載在各種情況下都可利用英特爾 MKL-DNN 基本運算單元高效執行。
此外，為配合軟硬體雙重發力，英特爾還推出一系列軟體開發工具套件，分別是面向英特爾架構優化的 Python 分發包，提供編寫 Python 原生擴充套件所需的一切；OpenVINO 工具套件，用以加快高效能運算機視覺處理和應用。
該工具允許異構執行，支援 Windows 與 Linux 系統，以及 Python/C++語言，能夠有效推進計算機視覺技術在從智慧攝像頭、視訊監控、機器人，到智慧交通、智慧醫療等領域的深入應用。
三、四大場景急速醫療產業變革
圍繞推理醫學影像、醫學影像分析、病理切片分析、藥物研發等多個場景，通過英特爾與東軟、西門子、解放軍總醫院、盈谷以及江豐生物等合作伙伴在醫療人工智慧領域的實戰案例，我們將詳細闡述實戰中的部署和應用。
1）推理醫學影像：底層架構優化影像分割結果
在醫學影像處理領域，影像分割也已在腫瘤和其他病理位置定位、組織體積測量、解剖學研究、計算機輔助手術、治療方案制定以及臨床輔助診斷等多個場景證明了其價值。
在治療心血管疾病過程中，心血管專家需要憑藉經驗來對心臟磁共振成像檢查 (MRI) 影像進行判讀，不僅費時費力，且錯誤率較高，在解釋影像時也容易受到主觀因素的影響，導致漏診和誤診。
目前西門子醫療與英特爾開展一系列創新醫療 AI 應用的研究，並將人工智慧應用到心臟病學與放射性影像分析的實際應用中。
該 AI 模型基於 DenseU-net，可對心臟的左右心室進行語義分割，並可擴充套件到所有四個腔室。AI 模型的輸入是跳動心臟的 MRI 影像的堆疊，輸出則是識別心臟的區域以及結構，其中每個結構都會被顏色編碼。這樣可以實現原先需要人工識別標註的過程，從而加快影像判讀速度。
第二代英特爾至強可擴充套件處理器為該 AI 模型的推理提供高效、靈活和可擴充套件的平臺，特別是與 OpenVINO 工具套件的緊密結合，有效地加速針對視覺應用的深度學習推理，提高診療過程寶貴的診斷、決策速度和準確性。
英特爾深度學習加速技術對 INT8 良好的支援能力，使其可以將 FP32 訓練模型轉化為 INT8，在保持準確性的同時大幅提升推理速度。
腦卒中的首選有效治療手段為溶栓和取栓治療，但這一方法有賴於對腦部醫療影像的快速和準確判讀。eStroke 溶栓取栓影像平臺是基於缺血性腦卒中半暗帶、腦微出血、腦側支迴圈做出定量評價的雲服務平臺，可以實現對溶栓、取栓多模態影像做出精準評價。
以 eStroke 溶栓取栓影像平臺為載體，東軟與英特爾攜手，基於 U-net 模型對平臺中的腦卒中醫學影像進行影像分割處理。
該方案採用面向英特爾架構優化的 TensorFlow(基於英特爾 MKL-DNN 優化) 以及 OpenVINO 工具套件進行優化，使基於 U-net 模型的深度學習推理在保證準確性的同時，推理時間得以大幅減少。
在推理準確性基本一致的情況下，採用兩個工具優化後的方案與未經優化的方案對比，推理延遲分別降低 72.6% 和 85.4%。
最左列為腦部 CT 原圖，中間列是未優化時的影像分割結果，最右列是通過 OpenVINO 工具套件優化之後生成的影像分割結果。推理速度高於未優化時。
目前，英特爾的應用已經在東軟、西門子醫療、通用電氣醫療集團等公司展開。
2）醫學影像分析：雲技術與大資料雙管齊下
醫學影像裝置在醫療機構已相當普及，但在一些邊遠地區或基層醫療機構，卻常常面臨空有裝置卻無人有能力「看片」的尷尬境地。
以一些省份為例，很多醫學影像裝置已部署到縣、社群一級的醫療機構，但病人接受檢查後，當地醫院卻依然無法做出精準的判斷和分析，需要將影像檔案通過拍照、掃描等方式傳給上一級醫療機構。有時會因為影像檔案的質量得不到保障乃至失真，造成病情的延誤或誤判。
不僅如此，由於各醫療機構的資訊化系統彼此獨立，且資料標準未完全統一。例如各個影像歸檔和通訊系統上儲存的醫學影像資料幾乎沒有連通，形成一個個資訊「孤島」，這些都會造成偏遠地區患者在基層醫療機構得不到有效的病情分析。
以醫學影像資料為例，雲技術與大資料雙管齊下，可以讓資訊孤島問題得以解決。
專注醫學影像核心技術近 20 年的西安盈谷，通過醫真雲的部署，將海量醫學影像資料連結起來。同時將深度學習引入醫學影像處理中，基於目標偵測神經網路模型構建了全新的 Cloud IDT 服務，進而提高檢出率、降低決策時間、提高工作效率。
為幫助西安盈谷更好地推動這一系統的部署落地，英特爾向西安盈谷注入了強大的算力支撐能力，在英特爾至強可擴充套件處理器等最新一代平臺產品與技術的配合下，助其完成 Cloud IDT 服務向英特爾架構平臺的遷移，以及對於 Caffe、TensorFlow 等深度學習框架的部署和優化。
西安盈谷 Cloud IDT 智慧應用、醫學影像處理及分析雲端計算 iMAGES 核心引擎等應用結合與英特爾軟硬體雙雙配合。目前西安盈谷已在肺結節診斷等一大批關鍵場景中建立起「AI+Cloud」的智慧輔助診斷系統能力。
3）病理切片分析：層融合技術+分類卷積神經網路
病理切片是將部分病變組織或臟器，經過一系列處理後形成微米級薄片，粘附在玻片上並進行染色處理，然後再交至病理科，病理科醫生通過顯微鏡對病理切片進行鏡檢，觀察病理變化，並作出病理診斷和預後評估。
病理切片檢查是一項非常複雜和具有挑戰性的工作，而想要成為病理學方面的專家，更是需要具備多年的讀片經驗與數萬張切片的閱片積累以及具有豐富專業知識。然而，據統計，目前全國病理科醫生還不足萬人。
此外，人工檢查不免帶有較大主觀性，由不同病理科醫生對同一患者的病理切片作出的診斷，也經常會存在差異，這可能導致誤診、漏診等現象產生。
宮頸癌作為女性癌症患者中排名第四的致命疾病，成為目前嚴重危害女性健康的惡性腫瘤之一。目前，中國每年都會產生數千萬新的宮頸 LBP 塗片，這對醫療機構的病理分析能力構成巨大的挑戰。
為此，江豐生物與英特爾一起，利用 AI 技術，構建和優化基於宮頸 LBP 切片的宮頸癌篩查 AI 解決方案。
系統在輸入圖片後，經由資料預處理、分類卷積神經網路和後處理階段，分別得到陽性預測和陰性預測。對於陽性預測，方案則進行第二階段的目標偵測網路 (基於 Resnet50) 模型的訓練，然後進行陽性識別的推理過程，並交由醫生做最終審查。
江豐生物和英特爾一同測評了優化後的基於宮頸 LBP 切片的宮頸癌篩查 AI 解決方案，基於 5961 張精準標註樣本進行了訓練，並在 246 張測試集上評估了不同的模型。
評估結果表明，加入分類網路後的優化方案，其準確性比單獨的目標偵測網路方案有了大幅提升。
4）藥物研發：基於 M-CNN 網路模型加速 HCS 程式
越來越多的新技術正被運用於加速藥物研發程式。基於細胞影像的高內涵篩選 (HCS) 方法是目前在系統生物學和藥物研發領域常用的自動化分析方法之一，也是 AI 技術在藥物發現早期環節的重要應用。
目前諾華正與英特爾一起，合作研究使用深度學習的方法，以及通過基於優化的英特爾至強可擴充套件處理器平臺上部署的 M-CNN 網路來加速 HCS 程式。
左側是一個用於 HCS 的顯微鏡影像，其單張畫素接近 400 萬，而右側是來自著名的 ImageNet 資料集的影像，其訓練資料集單張影像為 15 萬畫素，雙方相差 26 倍。
利用深度學習方法，諾華可以從資料中「自動」學習，並區分一種治療與另一種治療的相關影像特徵，但細胞顯微鏡影像巨大的資訊量使這一方法仍需耗費大量時間——其影像分析模型的訓練時間約為 11 小時。
除了推理醫學影像、醫學影像分析、病理切片分析、藥物研發在醫學行業的應用之外，越來越多的影像處理軟體與技術被運用於醫療行業中進行影像和文字識別。
目前利用基於深度學習的識別模組來輔助藥品發放等過程，已經被證明可以降低人為因素導致的差錯率，具有很好的應用前景。解放軍總醫院與英特爾合作，利用深度學習技術輔助門診發藥實踐。
首先藥師會將待發的藥品置於發藥視窗操作檯上；其次操作檯上方的影像採集裝置會自動捕獲藥品影像，並傳送到系統後臺；基於深度學習的藥品外包裝識別模組，會快速對藥品外包裝進行識別，並將識別結果顯示在電腦螢幕上。
同時，系統會自動與 HIS（醫院資訊管理系統）處方資訊自動關聯，對藥品名稱、規格、廠家和數量等引數分別進行匹配，並將錯誤資訊標記為顯著顏色進行提醒。
現在，藥品外包裝識別模組已在解放軍總醫院輔助門診發藥系統中得到部署，有效地減輕藥房工作人員的工作強度，同時提升發藥準確率，病患滿意度獲得大幅提升。
四、結語
從 1998 年英特爾就與醫療健康領域結緣，與 Communi Health 合作，幫助患者和醫生更好地管理慢性疾病。如今已有 20 年，英特爾一直關注醫療健康數字化、藥物治療精確化、分散式合作治療等重要議題。
透過與東軟、西門子、解放軍總醫院、盈谷的合作，英特爾已經在推理醫學影像、醫學影像分析、病理切片分析、藥物研發等領域大展身手。
依託自身演算法優勢以及軟硬體能力，英特爾如同一個計算能力極強的大腦，提供智慧化的解決方案，與英特爾合作的多方醫院、藥企、科技公司就像人的軀幹，為多個醫療應用環節輸入能量和能效。
不過，目前人工智慧在醫療領域的場景應用還存在很大的空間。不同醫療機構、專業科室之間可能存在不同的資訊壁壘，導致大量的臨床資料無法集中採集、儲存以及分析。
與此同時，人工智慧難以解釋診斷過程，依舊需要人的介入。
醫療健康產業之大，包含醫藥公司、藥械廠商、保險公司、醫療機構（基層醫院、三甲醫院等）、體檢機構、醫藥物流商、醫療科技公司等諸多參與方。未來，人工智慧在不同層級的醫療機構的應用方向可能會呈現出更加多元化的趨勢。
例如在基層醫院或第三方體檢中心，其應用以輔助篩查和輔助診斷為主；在三甲醫院，則以提高醫生工作效率為主。在健康管理方面，人工智慧以支援單位和個人支付的健康體檢為主要方向；在藥物研發這一細分領域，人工智慧應用又表現出不同特點，需要人工智慧技術公司與大型藥企、醫藥研究機構通力合作來推進。
英特爾憑藉自身能力在醫院、藥企、科技公司實現互聯互通，在助力合作機構加速的過程不斷打磨其技術能力。英特爾將 AI+醫療的應用，深入產業實際落地，與醫院、藥物研發方等強強聯合，積累 AI 落地經驗，成為助力醫療行業變革的加速器，不僅為行業帶來鉅變，也讓健康醫療從業者的分析能力穩步提升。