医疗人工智能系统的三个关键要素和挑战

医疗人工智能系统的建立和应用中需要处理好如下三个关键要素，克服处理三个要素中面临的挑战，才能取得成功。三个要素如下：数据、平台计算能力、深度学习算法模型。

1.数据

医疗人工智能系统需要医疗大数据作为基础，通过机器学习等技术形成一定的智能，用来提供辅助诊断和辅助治疗的功能。

医疗大数据主要包括医学教科书、病历尤其是针对某类疾病的病历、数字化医疗影像、学术论文等。

对于医学影像人工智能系统来说，则是需要数字化影像数据，包括CT、MRI、超声、病理等影像数据，作为机器学习的原料。

因为病历数据、数字化医疗影像数据等属于医院的知识财产，所以人工智能系统的知识产权归属原则和管理方法，需要在实践中不断探索。

医疗数据种类繁多，来源广泛，数据格式千差万别。所以，快速处理数据的收集、集成和加工用以保障人工智能模型的训练和学习，这是开发人工智能系统需要克服的基本挑战。

目前影像人工智能辅助诊断系统在医院落地使用的时候，通常需要利用该医院的影像数据重新学习，以及需要挑战模型参数，才能适应医院的需求。

这是因为在影像数据这一关键因素中，目前各家医院之间因为在影像生成中采用的标准不一致。

例如关于显影剂的服用量标准、设备参数设置不一致造成影像灰度的差别等，造成各个医院之间针对同一个患者的影像数据不同，用来支持机器学习的时候，其模型参数也会不同。

为了能够加大人工智能系统的适用性，需要在开发人工智能系统的时候能够快速集成多方来源的数据，从而训练出更加精准、适用性更广的人工智能系统。

2.深度学习算法模型

除了处理数据之外，选用或开发深度学习的模型算法也是发展过程中的一大挑战。

目前深度学习的算法很多，但是这些算法很难直接应用，而是需要做一定的改进开发，然后应用到数据训练中，并在训练中不断的改进和完善，才能使算法模型越来越精确。

所以，选择合适的算法或者开发算法、以及建立算法调整和改进的平台系统，这是人工智能系统成功的要素之一。

因为AI系统处于起步阶段，所以目前医院用应用的人工智能系统其模型算法与实际的需求仍然有不完全相符合的问题，需要不断的改进。算法模型的改进也是不断把AI系统推向更加精确的一项重要工作。如下图所示，根据调查，目前医院中使用的AI系统都需要不同程度的改进或升级算法。

3.人工智能平台的计算能力

构建一个算力强大的计算平台是人工智能开发成功的根本要素之一。因为深度学习中需要非常巨大数量的数据输入给训练模型，训练模型则需要进行巨大规模的运算来训练模型使其具有智能，所以人工智能平台的计算能力(算力)是其成功的一个关键要素。

目前，人工智能计算平台主要使用GPU芯片，医学影像人工智能系统更是依赖于GPU来进行训练和学习。也有一些AI系统使用CPU、FPGA、高性能处理器(TPU)等芯片。

目前各大服务器厂商也都开发了用于机器学习和运行人工智能系统的服务器，例如戴尔、新华三、联想、浪潮等服务器厂商。NVIDIA也开发了用于人工智能系统的开发和运行的超级计算机DGX。

人工智能平台的计算系统目前大多使用开源系统，在开源系统上做出定制化开发以满足自己产品的需要。

目前使用的主流开源系统有TensorFlow，分布式机器学习工具包(DMTK)，Caffe等。

在开源平台上进行定制化开发，需要非常强大的开发能力，对于开发团队的技术水平要求非常高，因为开发水平决定着计算平台的计算能力和计算效率，决定着人工智能系统的精准性。

NVIDIA推出的专业计算平台Clara，很好地打包集成了NVIDIAGPU的计算能力，并集成了多种机器学习模型，能够为深度学习和人工系统运行提供专业的支持，也能为处理影像数据并进行机器学习提供专业工具。