2019年8月19日,HC3i中国数字医疗网特邀首都医科大学宣武医院信息中心主任梁志刚、医准智能科研合作经理刘浩、IBM研发中心解决方案总监崔玮围绕“AI热潮下的医疗数据管理”主题,从AI在医院的应用落地、研发迭代到技术支持等角度展开讨论。
梁志刚:应用场景想清楚,架构才能更清晰
政策导向、趋势发展都证明,人工智能技术已经成为各行各业发展的一个重要方向。诸如人脸识别、语音识别等应用已经非常常见。对于广受关注的医疗领域而言,利用AI提升医疗服务能力成为广大医护人员乃至广大人民的愿景。1. AI牵手医疗的四块“拦路石”
· 知识储备2. AI落地医院的三块“奠基石”
· 基础架构3. 未来:AI平台助力医疗原始数据分析
医院所有的信息化建设,其实更多的是服务于医疗过程,并没有很好的考虑到大数据的应用。例如影像数据:现在很多医院拿到的数据都是重建后的数据,而非原始数据或者是薄层数据。然而发展AI所需要的数据重建、数据分析却更需要原始数据,因为重建后的影像都是五毫米的影像,并不利于分析。刘浩:持续升级的医疗AI,需要可持续发展的基础架构
AI的完善和发展离不开不断的训练,但存储和GPU的交互速度则是影响训练时间的关键因素。一般的存储,AI模型训练时间至少在一到两天,但如果存储IO速度快,则可以将时间缩短在一天之内。目前,出于对医疗数据安全性的保护以及存储技术的限制,医疗机构的数据资源是无法进行分享的。未来,如果想要实现多中心的模型建设,就需要云存储作为支撑,这样一来很多医院联合体的数据资源能够放在一起,保证安全的同时也能盘活数据,让数据真正被利用起来。医准智能自2017年成立以来,已有肺结节智能检测系统、乳腺钼靶智能检测系统和与IBM合作开发的达尔文智能科研平台三款成熟智能产品上市。其中,达尔文智能科研平台瞄准医疗机构的科研需求,以更简洁智能的方式帮助使用者挖掘数据价值、进行AI研发。崔玮:发挥平台力量,挖掘数据价值
1. 提升算力,让数据“跑”起来
算力是提升基础架构性能的关键点。目前,GPU、FPGA等异构计算方式的诞生,都能够有效提升算力从而实现对上层需求的支撑,然而如何用IO的高速通道将数据传送给有计算力能力的GPU或其他计算单元上,仍是需要思考的问题。医疗机构需要更好、更智能的架构,以及更高速的存储通道去破解这个难题。从底层构建具备GPU或其他高速算力的架构能够提供更好的算力支持,通过分布式的存储的架构实现数据的高速传送,从而达到对整体需求的支持,助力AI发展。2. 持续创新,让利旧与转型并存
不仅是医疗行业,数字时代的到来让数字化转型成为当今社会的主流发展趋势。如何借助创新力量帮助各机构成功转型?IBM总结了两个关键点:· 整体虚拟化针对医疗机构所持有的多个独立存储资源池进行整合,将其转化为一个大的虚拟存储资源池,这样一来在使用存储资源的时候,就能够将每个资源作为虚拟资源池交出去,尽量高效地将已有存储环境进行利用;· 分层管理通过类似SVC这样的产品把用户数据进行分层管理——即冷数据放入低成本环境,热数据放入存储效率较高的环境,在有效降低整体成本的同时保证较高的数据存储效率。3. 智能平台,赋能科研能力跃升
在需求和技术发展的驱动下,医疗AI作为跨学科的科研,获得了越来越多的认可和期待。医院需要一个科研的工具、一个科研的平台,来帮助医生在处理冗杂工作的同时实现AI领域的科研,提升个人乃至机构的科研能力。这也是IBM与医准智能合作研发达尔文智能科研平台的契机。平台底层采用了GPU服务器做支撑,其上构建了Spectrum Scale分布式共享文件系统作为存储架构,然后再利用IBM Watson Machine Learning Accelerator作为深度学习框架,结合医准智能提供的影像组学算法库,以端到端形式组合成最终的智能科学平台,发挥平台力量,赋能医疗数据的挖掘和应用。写在最后:
“不用AI的医生一定会被用AI的医生落下。”梁志刚表示,医生们对于AI大多抱有积极的态度。然而,要让AI为医生所用,医疗AI产业链上的每一个环节需要共同的努力。从医院的角度来看,在关注应用落地的同时,自上而下构建AI时代所需的信息系统,从软件应用、软件迭代到基础架构的规划都要符合AI的特性;从医疗AI研发企业来看,需要更加充分地了解需求和产品发展的路径;从技术支撑企业来说,需要为医疗AI发展提供充足的成长空间,支撑当下与未来。今天,AI已经走进我们的生活,刷脸支付等日常应用让人们逐渐适应AI的到来。对于医疗圈来,AI也在逐步走进日常工作中。顺利跨越发展道路上的阻碍、披荆斩棘迈向更美好的未来,是所有医疗人的希冀,也是所有IT人的愿望。