計算能力或將成AI診療的又一“勝負手”

數據、數據，還是數據。在醫學人工智慧領域，無論是醫學影像識別、智慧機器人，還是輔助診療、藥物研發，都離不開龐大的醫療樣本大數據作為機器訓練的基礎。

僅靠“讀書百遍、其義自見”就能培養“超級醫生”嗎？日前，國內首個專用於醫學圖像人工智慧技術的研發平臺“神農1號”（SINOSEEDS）超算中心誕生。這不禁讓人思考：面對同樣的醫療大數據進行學習，也有“聰明孩子”與“笨孩子”的區別。

“聰明孩子”更可能成“名醫”

“如果説數據是‘礦山’，那麼超算能力就是‘挖掘機’。”“神農1號”研發團隊負責人、希氏異構公司董事吳韌説，人工智慧應用技術研發的三大核心要素是演算法、數據和算力。其中代表算力的計算平臺，主要負責是通過學習進行醫學人工智慧訓練，並根據訓練成果識別疾病圖像、輔助診療等。

本月在成都發佈的“神農1號”，就是為醫學人工智慧訓練、處理圖像定制。它採用了64個英偉達最新的TeslaV100 GPU，擁有每秒8千萬億次的計算能力，每秒可學習5萬張醫療圖片，半小時內處理百億級的圖片。

“配合高速網路、獨特的系統設計、獨到的演算法和軟體的優化，整個系統能非常高效地完成各种醫療人工智慧的訓練任務。”吳韌説，AI超算中心不同於採用CPU處理器的超算中心，不是可以直接採購的商業化設備，需要由使用方面依靠自有技術搭建，決定其核心性能的要素，除了自身性能外，還包括搭建技術和並行計算的效能發揮等。“目前，它的並行計算效能高達90%以上，訓練圖片識別ImageNet模型僅需52分鐘，而傳統的伺服器訓練通常需要10天左右。”

自建“超算中心”是否必要

在醫療AI領域，算力的重要性過去容易被忽略——部分醫療AI企業選擇用開源式的AI技術，在雲端租用伺服器實現計算。

“這首先考慮的是成本、數據量等‘性價比’的問題。”一家大數據企業首席技術官説，在醫療、金融這兩個大數據應用最廣泛的領域，數據量往往決定了是否需要獨立、“高階”的計算能力，可大部分企業並無足夠“數據量”。而希氏異構去年與四川大學華西醫院合作建立“華西—希氏醫學人工智慧研發中心”，使海量的醫療數據有了來源。

“用傳統的雲計算，海量數據如何傳輸？雲端計算能力是否足夠？數據安全是否能保障？”希氏異構創始人宋捷説，不同於“小樣本”的初級AI醫療，“神農1號”未來服務的目標將是CT、超聲、皮膚、心電等多疾病領域的AI應用技術研發。“舉個簡單的例子，機器學習後，會幫助醫生判斷圖像中是息肉、腫瘤或者靜脈曲張，而不是篩查單一疾病。”

此外，醫療行業的特殊性過去往往被AI企業忽略。“如同一座山從不同角度‘橫看成嶺側成峰’，疾病的判斷標準並非一成不變。”華西醫院內鏡中心主治醫師黃志寅以雙方合作研發的“AI消化內鏡”為例，向記者解釋，消化內鏡識多為非標準化採圖，影響因素多、圖像差異大，為傳統的AI識圖帶來難度，這就需要獨立且強大的計算能力提升模型識別率。

“值得注意的是，醫學仍在動態發展，疾病的判斷標準並非固定，一旦醫學理解發生改變，機器又要重頭學習或補充新知識，那麼擁有強大的計算能力顯然會學得更快、更好。”黃志寅説。

中國網際網路數據中心預測，到2020年全球醫療數據量將達到40萬億GB，大約是2010年的30倍之多。“隨著人工智慧産業不斷進步，一旦數據不再是‘門檻’或‘壁壘’，計算能力將成為最關鍵的競爭力。”英偉達中國高性能計算與新興業務總經理劉通表示，愈發強大的人工智慧計算性能，將為醫療行業帶來無限創新的可能。