医疗影像人工智能解决方案
背景介绍医疗影像智能分析是指运用人工智能技术识别及分析医疗影像，帮助医生定位病症分析病情，辅助做出诊断。目前医疗数据中有超过90%来自医疗影像，这些数据大多要进行人工分析。
人工分析的缺点很明显，第一是不精确，只能凭借经验去判断，很容易误判。中国医学会的一份误诊数据资料显示，中国临床医疗每年的误诊人数约为5700万人，总误诊率为27.8%，器官异位误诊率为60%，恶性肿瘤平均误诊率为40%，如鼻咽癌、白血病、胰腺癌等，肝结核、胃结核等肺外结核的平均误诊率也在40% 以上。第二是缺口大，按照动脉网蛋壳研究院的数据，目前我国医学影像数据的年增长率约为30%，而放射科医师数量的年增长率约为4.1%，其间的差距是23.9%，放射科医师数量增长远不及影像数据增长。这意味着放射科医师在未来处理影像数据的压力会越来越大，甚至远远超过负荷。如果能够运用算法自动分析影像，再将影像与其它病例记录进行对比，就能极大降低医学误诊，帮助做出准诊断。
医疗影像行业的人工智能实现流程大致为：影像数据的预处理—>样本清洗、打标签模型搭建及训练调试大规模数据的训练、验证得到深度学习网络模型，以上流程为人工智能的线下训练过程，最终输出为深度学习模型。接着就可以用用生成的模型进行线上预测或辅助判断。
解决方案介绍提供医疗影像端到端人工智能解决方案，如下图所示，实现如下三个功能。
（1） 样本数据预处理。医院各个检验科如CT，BT，CR等，把医疗影像数据从终端设备通过万兆/IB网络，传输到并行存储中，数据预处理CPU平台（多个双路CPU服务器NF5280M5组成的集群）从存储中读取数据，运行边缘检测分割、区域增长分割、种子算法等程序，获取目标数据，然后打标签形成训练样本库，存放到并行存储中。CPU程序的管理、调度、监控将由统一管理平台AIStation完成。
（2） 模型训练。模型训练GPU集群（配置单机8卡GPU服务器，如NF5288M5）将读取训练样本库数据从并行存储中，并加载CNN模型，运行深度学习框架，如TensorFlow，Caffe，Mxnet等对初始模型进行训练，经过对大量数据样本的学习训练生成最终模型。训练中涉及多个训练任务的提交，其资源管理、调度、监控将由统一管理平台AIStation完成。
（3） 模型应用。在医院医生科室将部署医生辅助诊断服务器P8000（台式服务器，配置多块P4或FPGA卡），训练好模型将被加载到P8000上。检验科发送影像到P8000上，P8000进行识别，快速实现智能化诊断。
