人工智能促进了医学成像的准确性

阿替普酶是一种腐蚀性血液稀释剂，用于溶解中风患者大脑中的血块。尽管阿替普酶可以显著降低中风的长期影响，但也会产生内出血风险。另外，该药物不能在首次出现中风体征后的三个小时内服用。

医生只能通过计算机层析成像 (CT) 扫描或其他形式的诊断成像来确定是否可以使用阿替普酶。近年来，医学成像技术取得了显著进步。但是，即使对于训练有素的专家来说，在这些图像中识别有害生物结构的过程仍然十分复杂、耗时。

有鉴于此，许多医疗保健组织现正将人工智能应用于医学图像分析。通过利用数十万患者数据进行训练的人工智能模型，医生可以大大提高诊断的速度和准确性。

JLK Inspection 开发的 AIHub 平台便是这样一种解决方案。

医学影像迁移至边缘

AIHub 是一套支持人工智能的软件模块，可对身体 14 个部位的 37 种医学状况进行靶向治疗（图 1）。根据韩国各大学医院收治患者的数据，这些模块针对 MRI、CT、X 射线机、超声和其他医学成像设备拍摄的影像运行推断算法，准确率高达 99.5% 以上。

但是，该平台与其他支持人工智能的成像解决方案的不同之处在于，它可以部署在云端，在本地服务器上运行，甚至可以在医疗边缘上执行。而这里所说的医疗边缘是指直接连接成像设备的医用工作站或英特尔^® NUC 迷你电脑等紧凑型设备（图 2）。

在这类低成本 NUC 迷你电脑上运行的 AIHub 模块（如 Atroscan 脑衰老和痴呆分析算法）可以在 15 分钟内分析图像。同类解决方案可能需要长达 24 小时。

医生和专家可以通过 PC 平台在执行成像的位置或附近位置以近乎实时的方式查看人工智能分析的影像，改变了医学成像分析的方式。

而且，无需更换或升级现有设备或进行昂贵的基础设施改造即可实现所有这些目标。数据经过分析后，会以符合 HIPAA 标准的格式通过简单的以太网连接传输到医院的图片存档和通信系统 (PACS)。除此之外，如有必要，数据还可以存储在符合 HIPAA 标准的云环境中，例如 AWS 或 Azure。

使用通用硬件即可提高成像分析速度

AIHub 算法完全由 CPU 内核处理，不利用 GPU。而且，JLK 基准性能测试显示，在 NUC 迷你电脑上的平均模型加载时间约为 5.61 秒，而所需的平均累计推断时间为 0.98 秒。相比之下，既有多核 CPU 又有最先进的 GPU 的常规工作站所需的时间则分别为 80.17 秒和 15.16 秒。

倘若考虑到可能需要加载新模型，然后在新患者需要成像时执行新模型，总分析时间就会减少超过一个数量级。但是鉴于已知的计算性能差异，这怎么可能？

JLK Inspection 使用英特尔^® OpenVINO^™ 工具包开发了 AIHub 模块。该软件开发套件可加快计算机视觉和深度学习工作负载（图 3）。OpenVINO 包括模型优化器、推断引擎以及增强的 OpenCV 和 OpenVX 库，这些库可以使人工智能算法在各种英特尔^® 计算架构中运行得更快，占用更少的内存。

大众医学推断

有了 AIHub 这样的下一代医学成像选项，您很容易陷入专注于大型医院或专业成像设施的默认思维方式。但是，在医疗保健生态系统的较低层级也可以感受到现实世界的影响。

JLK Inspection 已实施 AIHub 算法。该算法能够识别结核病等疾病，并且能够在搭载英特尔^® 酷睿^™ 处理器、内存低至 8 GB、固态硬盘只需 180 GB 空间的笔记本电脑上运行。不需要互联网连接或恒定电源，只需 700 美元即可购买这种系统。

实际上，技术堆栈提供的优化非常重要，以至于 JLK 最近发布了 HANDMED。这是一款一体化胸部 X 射线摄像头和人工智能分析解决方案，可以在不到三秒钟的时间内分析肺部影像，准确性超过 99%。

现在，想象一下该技术对现场急救人员或在发展中国家或偏远地区工作的医生的意义。由于能够以如此低的成本准确而有效地诊断医疗状况，医生可以大幅减少数据分析时间，而将主要精力投入到专业业务上 — 诊治患者。