根据近年卫生部统计公报，在我国，每千人口执业（助理）医师仅为1.82人，医患比例悬殊带来了挥之不去的“看病难”问题。培养一个专业医生需要多年的时间和高昂的成本，更别提成就一个经验丰富的三甲医院医生所需要累积的海量经验值。想象一下，如果人工智能能让机器像医学院学生一样“学习”，模拟将“小白”培养成超声诊断医生的过程，未来，医院的诊断效率无疑将大大提高，每个患者也将能够获得更充分的医疗资源。
英特尔专家指出，在临床，医疗影像是协助医生判断病情的重要信息，医疗数据中有超过90%的数据来自于医学影像。英特尔正携手浙江大学与德尚韵兴孔德兴教授团队，从甲状腺结节筛查入手，探索人工智能在临床上辅助诊断的机遇。
“智能医生”有多厉害？下方视频告诉你！
比你聪明还比你勤奋！机器苦学成才？
与英特尔的合作下，浙江德尚韵兴图像科技有限公司研发出的一套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”，正通过深度学习，将“机器小白”培养成医生的得力助手，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。辅助诊断系统的原理依托于深度学习技术，利用两万多张有标注结果的超声影像样本，对计算机进行训练，使其拥有“诊断”的能力。使用这套系统不需要加重医生的工作负担，只需要跟日常检查一样，拍一张照片，系统便会进行自动识别。
更给力的是，机器识别完能告诉人们结节的位置，结节的特征，甚至结节的良恶性。
为了在准确率方面取得更好的成绩，机器在深度学习过程中需要吃透海量样本，这些学习样本来自于脱敏处理后的精标准病历。值得指出的是，初始的B超图像上有很多信息，不仅仅是甲状腺，还有气管、血管，各种各样的软组织都在成像里面，给识别带来很大难度。经过学习大量样本，该辅助诊断系统像不断汲取经验的医学院学生一样，逐渐成长为经验能丰富的医学助理，目前，这套基于人工智能开发的智能诊断辅助系统准确率达到了85%以上。
在学习过程中，系统的神经网络根据分类观察某一类甲状腺结节成像，总结分析良性结节有哪些特征，恶性里面有哪些特征。在英特尔强大的算力支持下，机器提取的特征会比人眼观察到的特征多得多，所以准确率高于人类医生的平均水平，有些的微小的特征，人眼会漏过的，机器却能全面捕捉到。
医科学霸的强大内核：英特尔全面助力
深度学习是一个神经网络架构，浙江大学求是特聘教授、德尚韵兴首席科学家孔德兴表示，这套系统的独特之处在于，它在神经网络架构里面加入了数学的元素，比如旋转不变性，此外，整个网络的训练是用两个子网络来承担的，这使得处理速度有提升，精度有明显提高。据悉，这两个网络都属于三维的卷积神经网络（3D CNN），但是根据承担的工作任务不同，CNN在每个网络的架构也不一样。
为了处理大量的样本，并从大量样本里面提取特征，需要配备功能很强的服务器来支撑这样的训练。基于此，德尚韵兴从2016年开始与英特尔展开合作。在把辅助诊断系统的模型迁移到英特尔至强融核平台上进行训练后，系统的处理能力和效率方面都有显著的进步。训练中采集大量的医学数据，通过医学专家标定后，进行训练。接下来，这些数据的训练在英特提供的至强融核上进行，从而把网络的参数给确定下来。训练完之后就可以把这套系统部署到网上，还可以形成单机版，“学成”后在医院就可以试用了。
医疗数据中有超过90%的数据来自于医学影像
该系统是在本地专属的服务器上进行训练的，英特尔为其提供了多项帮助，包括至强融核计算平台和可调用的函数库等。目前，有多台定制的英特尔服务器投用于该项目，就甲状腺检测的模型训练时间来说，用8核的服务器运行需要12个小时左右。除了至强融核，英特尔还在多个维度协助了该项医学项目的发展，从底层核心的函数库，到FPGA，直到产品在云上的推广和线下医院的推广。
造福人类的AI才是好AI！
目前，浙江大学与德尚韵兴携手英特尔的辅助诊断系已经部署于临床试点应用。随着人工智能在医学辅助诊断领域的应用不断深入，将为紧张的医疗资源分配带来缓解。未来的商业模式主要有两种，分别惠及不同的医疗基础设施现状。一种是通过云端部署在网络上，主要布局于新疆、西藏等偏远地区，针对这些地区地域广阔，基层医院分布分散的问题，能大大提升诊疗效率。另一种是单机版，适合城市医疗体检中心等业务非常繁忙的场景，可要求实时检测。在这种情况下，单机版可部署在超声机旁边，医生一边扫描，机器一边在视频里实时探测结节。
作为AI技术的领军者和普及者，英特尔在AI的应用生态中无疑扮演着重要的角色。在其推动下，形成了包括浙江大学与德尚韵兴等领先机构在内的人工智能“朋友圈”，共同推动AI在中国的加速，让AI在更多领域找到应用的结合点，广泛造福人类。
