对于医疗人工智能企业算力问题，英伟达打出关键一招

    对于人工智能企业，算力从来不是一项廉价的成本。作为算法推进的动力源泉，如何合理利用算力，提升算法迭代速度成为初创公司不可回避的问题。
    虽然NVIDIA已经为了加速算法运行推出了适用于不同场景的人工智能芯片，但随着数据指数式的上升，从影像到细胞学再到基因组学，医学人工智能企业很难找准一个合适的定位去选择能普适于全流程开发的芯片。
    近日，在北京开幕的Emtech China 2019全球新兴科技峰会上，NVIDIA副总裁Kimberly Powell做出了以人工智能发展的为主题的演讲，在探讨了各行业AI发展的同时，也谈到了NVIDIA在医疗领域的算力解决方案。
    
    英伟达副总裁Kimberly Powell
    数据、算力、应用场景，企业在不断利用AI推陈出新
    医学人工智能从发展的开端便依赖多样的工具，以收集人体之中的健康数据。2017年，英伟达通过一台特定的机器结合全新的探测技术在原子层面上记录蛋白质数据，每一天可以收集到多达3T的蛋白质数据，而基因数据的体量远在此之上。
    收据数据的过程不断在进行，但处理这些数据却异常困难。Kimberly Powell用“混沌”一词描述了现有数据的杂乱程度，她认为在这样的情况之下，我们必须用AI来解决这些计算问题。
    NVIDIA的三大合作伙伴通用电器、佳能与西门子早已在这一方面获取丰富的研究成果。
    Kimberly Powell向动脉网记者讲解了这些巨头如何用于AI去优化器械成像：Canna针对于CT开发出了一个AI实时算法，帮助CT缩短成像的时间，并生成更多更加安全、更加准确的实时图像。
    GE的硬件革新同样重要：如果说出现了颅内出血，这时通用电气的机器就可以帮助放射科的医生重新安排自己的工作流程，重新确定工作的优先等级。根据患者症状的严重性，机器可以重新安排工作顺序供医生参考。
    西门子也在AI领域拥有很多技术突破，他们发布了一个非常安全以及标准的人体测量平台。可以将AI使用到CT扫描当中，结合其平台的知识图谱为患者给出诊断一件。
    除了这些器械巨头，创业公司们也在为自己挖掘一些全新的工作，并运用AI技术去解决这些问题。
    基因组研究与新药研发是AI在非医学影像领域的重要运用，Toptom运用AI将七万两千种蛋白质进行了比较，观察蛋白质之间相互的互动是什么样子的，他们还有一个GANs深度学习的技术，可以帮助研发人员创造化合物，且至今已经创造出了五千种化合物。
    同时，人工智能技术可以使用计算机视觉以及排查技术充分了解细胞当中的化合物，以及它们之间的相互关系，尝试了解新药开发当中的一些晶体是如何开发出来的。
    Clara平台不仅仅为企业提供云端算力
    上述高性能计算以及人工智能技术离不开算力的支持，在2018年的北美放射性学会（RSNA）之上，英伟达推出了Clara医疗影像超算平台，试图为所有医疗影像提供统一支持服务。
    Clara SDK为医学应用程序开发者提供一套用于计算、高级可视化和AI的GPU加速库。随着Clara SDK的发展变化，我们还将提供可用于构建硬件抽象应用程序的容器。这些容器可对医学影像进行重建、图像处理、分割、分类和3D渲染。
    通过在GPU上利用Docker和NVIDIA的Kubernetes，开发者可以在多个计算环境（包括嵌入式、预置式或云端）中部署应用程序。
    当涉及治疗和诊断时，放射科医生通常需要花费数小时仔细检查一张患者的3D图像。这是一个枯燥乏味的过程，放射科医生必须逐个切片查看CT或MRI扫描图像，手工绘制、注释和修正他们关注的器官或异常情况，然后对特定的器官或异常情况的所有3D图像切片重复这一步骤。
    NVIDIA的AI辅助注释SDK能够以10倍的速度大大加快此过程，并有助于更快地发现异常情况。这是通过使应用程序开发者和数据科学家将AI辅助注释SDK集成至他们现有的应用程序中，并将AI辅助工作流程用于放射线照相得以实现。
    AI辅助注释SDK利用NVIDIA的迁移学习工具包不断自我学习，所以每个添加注释的新图像都可以用作训练数据，进一步提高所提供的预训练深度学习模型的精确度。
    “我们可以获得NVIDIA的AI辅助注释技术，并在几天的时间内将其集成至我们的图像浏览器。”MGH＆BWH Center for Clinical Data Science的执行董事Mark Michalski说，“我们目前需 要注释大量的图像——有时一天大约一千张或更多，所以任何有助于自动执行此过程的技术都可能极大地减少注释时间和成本。我们非常激动可以利用AI辅助工作流程并与NVIDIA共同解决这些至关重要的医学影像问题。”
    对于Clara在中国的运用状况，Kimberly Powell介绍道：“同样的一套软件既可以在医院本地运行，也可以在云端运行，对于中国市场而言，我认为这样一种混合的运营环境的支撑是非常有优势的，因为我们知道可能在中国的一些比较偏远的省份或者农村地区，他们网络条件不好，无法获得这样的云服务，他们可以选择在本地执行；但是对于那些大城市的医院，他们拥有良好的硬件设备，则可以选择云端运行的方式运行。”
    不止于是云平台，在算力层次，我们可以做的还很多
    这样的模式早已应用于游戏、自动驾驶领域，医疗领域的运用将会越来越复杂。除了Clara平台这样的云端方式外，还有一些企业选择的运用其他手段为自己的项目布置算力。
    以消化内镜、超声等领域为研究方向的希氏异构为了更好的获取算法模型的效果，搭建了专用于医学影像人工智能技术的研发平台。该平台采用NVIDIA提供的64块TeslaV100搭建而成，在计算能力方面表现突出，将传统需要训练15 天的模型缩短至52分钟；公司使用自主研发的超算并行训练软件具有在1024GPU系统上保持90％的线性加速。
    还有一些创新模式仍在进行，位于重庆的初创公司钛星区块链把目光放在了因比特币暴跌而惨遭遗弃的矿机，这些天生为算力而生的机器在特殊的处理下可串联在一起为AI运算提供算力支持。相对于Clara辅助注释SDK，这种方式显得简单暴力，但也不失为废物利用的一种优秀方式。
    总的来说，医疗产业将会是世界上对于计算能力需求最大的产业，随着研究人员在分子、原子甚至更微观世界的透视，算力提供这笔生意或许会孕育出更多创新的模式，NVIDIA要想守住自己的地位，丝毫不可掉以轻心。
    ＊文中图片由受访企业提供。