摘 要

人工智能作为引领未来的战略性技术，正在驱动全球产业结构、经济运行模式、城市形态以及人类生活方式产生深刻变革。近年来，医学在现代影像学、互联网、计算机科学等多种学科的帮助下取得了极大进展，其中，多学科交叉的医疗模式越来越受到人们重视，人工智能在医疗领域中的应用也如雨后春笋般蓬勃成长。本文将详细阐述在医疗领域中有哪些具体的人工智能应用，以及为什么GPU是医疗人工智能的算力之源。

前  言

随着社会进步和人们健康意识的觉醒，以及人口老龄化问题的不断加剧，人们对于提升医疗技术、延长人类寿命、强身健体的需求也更加迫切。而现实中却存在着医疗资源分配不均，药物研制周期长、费用高，以及医务人员培养成本过高等诸多问题。对于医疗进步的现实需求极大地刺激并推动了以数据密集、知识密集、脑力劳动密集为特征的医疗产业与人工智能的深度融合。得益于图像识别、深度学习、神经网络等关键技术的突破，人工智能技术获得新一轮的发展，在医学影像、新药研发、基因组学、医疗机器人、智能诊疗、智能健康管理等方面都得到了广泛的应用。

GPU与医学影像

医疗AI应用--医学影像（图片来源：2021年中国人工智能行业医学影像企业发展报告）

随着我国经济、社会的发展，人民群众生活水平和健康意识的日益提高，各项健康体检、疾病筛查的数量不断加大，影像科医生的工作量也随着加重。据统计，我国放射科医生的年增长率仅为4%，而医学影像数据年增长率已超过30%。仅依靠传统的人工阅片方式越来越难以满足日益增长的影像科诊疗需求。

影像科医生长期从事高负荷的工作，不可避免地会产生视觉疲劳，出现漏、误诊等问题。据中华医学会的一份误诊数据资料显示，中国临床医疗的总体误诊率较高，恶性肿瘤的平均误诊率更高，这些误诊绝大多数由对医学影像结果判断不准确导致。而人工智能永远不会疲劳，可成为影像科医生的得力助手，提高诊断的精度，节省阅片时间，减少重复劳动，使其能将时间投入更有价值的工作。

同时，基层卫生医疗机构的影像科医生在数量、资历、经验等方面与高等级医院的影像科医生存在较大差距，而优良的智能医学影像产品在诊断水平上能接近高年资医生，不仅能帮助基层医疗机构减少误诊，且可作为培训低年资医生的实用工具，有利于提高基层医疗机构的诊疗水平，促进国家分级诊疗政策的落实。

由此可见，智能医学影像产品及设施在各级医疗机构都有广泛的需求，但如何能让智能医学影像设备提高辅助诊断能力，又快又准确地做出判断呢？要达到“准确”，须有海量的数据资源支持以及图像识别、深度学习等算法的加持，而要做到“快”，算力的提升则是必不可少的条件。而GPU恰好是提升算力的通用核心产品。

第一，GPU 加速医学影像数据的匿名、筛选和分类等预处理。医学影像数据存在质量和隐私的问题。智能医学影像系统平台通过 GPU 加速，可以实现从百万级的海量数据中，筛选出符合标准的影像数据，并进行分类。为了保护病人的隐私，对于每一个用于训练的病人数据实现匿名的处理，高效率地完成患者医学图像的预处理。

第二，GPU 加速智能医学影像处理全流程，医学影像行业需要更低的剂量、更快的速度、更高维度数据分析和处理能力。智能医学影像系统平台采用GPU，图像重建速度能够较原来提升10倍，快速地得到各种模态的重建图像；图像后处理提速20倍，辅助诊断提升20倍，大大减少医生看片和诊断的时间。借助GPU，神经影像分析中心将分割速度提高了 15 倍。在过去，从核磁共振图中提取全脑影像需要 20 至 30 分钟，而现在只需 2 到 3 分钟。医生读片一般需要 3-5 分钟，而利用 GPU，在 13-15 秒就可以完成一张眼底图片的病灶标记。高倍的效率和速度可以让医生在相同时间内完成更多病人的诊断和病情预测，解决当前医疗资源匮乏的难题。

第三，在 GPU 的加持下，智能医学影像平台能支持数百万的医学影像数据的训练，模型训练提速30倍；同时基于训练的人工智能模型，可快速实现脑部、心脏以及身体各器官疾病的辅助诊断。

GPU与新药研发

新药研发流程中AI应用场景（图片来源：36Kr）

制药公司在将新药推向市场的过程中存在着普遍的重大挑战，即周期极长、成本极高。据统计，将新药推向市场平均仍需超过10-12年的时间，平均花费超过20亿美元，如果将人体试验期间的失败因素考虑在内，则成本会更高。可以说，在药物研发领域，失败越早，浪费的钱就越少。

解决传统制药行业普遍的难题，AI或许是一把好的钥匙。

通常来说，新药研发要经历药物作用靶点确认、先导化合物确定、临床前候选药物选定、临床前研究、临床实验等多个阶段。晶泰科技首席科学家张佩宇在接受InfoQ采访时表示，从靶点确定到临床候选药物环节，利用传统方法，大概需要4-6年时间才能获得想要的分子，而通过AI+计算的方法可以将时间缩短到1-2年。

另据TechEmergence的一份报告显示，AI可以将新药研发的成功率从12%提高到14%，能够为生物制药行业节省数十亿美元研发费用。

医疗AI应用--新药研发（图片来源：人工智能开启医疗健康新时代 36Kr-"AI+医疗"行业研究报告）

作为人工智能领域的核心算力产品，GPU在新药研发方面同样具有显著的推动作用。

首先，利用深度学习技术做虚拟筛选，就可以“抛弃”难建立的小分子库，用GPU虚拟化合物库可以包含上千万种化合物，通过计算大大提高筛选效率。

其次，在筛选出先导化合物后，GPU能够对先导化合物进行结构优化。这在传统药物研发过程中也很重要，优化构效关系，改进分子缺陷。

最后，在药物的临床试验阶段，GPU能够很好地分析和发掘受试者个体化的数据，以更好地帮助进行药效评估。不仅如此，个体化数据还可以反向指导GPU，例如，一个药物可能只对10%的病人奏效，GPU就会将其纳入学习范围。

GPU与基因组学

医疗AI应用--基因组学（图片来源：https://www.zhihuiya.com/case/info_15.html）

基因组序列是生物体内DNA构建块（A、T、C、G）的特定顺序，人类基因组由20000个基因和30多亿个碱基对组成，基因组测序是理解基因组关键的第一步。当在细胞层次上对DNA进行改变时，被称之为基因编辑。

基因数据的存储和计算作为一个新兴产业，已经逐渐在基因领域崭露头角。从长远来看，随着基因数据规模越来越大，行业对数据分析和存储的需求也会越来越多。基因检测技术的应用加深，让数据的解读和利用的基础设施，成了解决方案的关键因素。

全基因组测序需要更强的算力。目前，要完成一个人的全基因组测序，平均会产生多达1TB 的数据。如此多的数据，需要近一千个 CPU 小时数进行处理，以完成基因组比对及变异检测，并最终为遗传学家、生物信息工作者、医生提供具有生物学意义的结论。

仅使用CPU 计算解决方案的传统方法，需要在现有系统的基础上向上扩展或向外扩展才能满足不断增长的算力需求。但这对于很多国内企业的数据中心来说，并不现实。

而通过GPU加速计算，能够显著地加快深度学习、基因组分析和工程应用程序的运行速度。

GPU 采用并行处理技术，将复杂计算问题分解为很多小任务，在多个内核上同时运行。在基因组及相关领域，大型数据集司空见惯，GPU 加速计算可以大幅减少处理计算任务的时间。

一直以来，基因组分析都是测序流程中的计算瓶颈，而使用GPU加速可以解决这一瓶颈。据悉，凭借流动池技术的发展以及GPU所提供的加速，华大集团的DNBSEQ－T7的测序速度提高了50倍，令其成为迄今为止吞吐量最高的基因组测序器，在一小时内就可完成全基因组的分析。

GPU在医疗行业的其他应用

医疗机器人

机器人技术在医疗领域的应用并不少见，比如利用智能假肢、外骨骼和辅助设备等技术修复人类受损身体，将读取人体神经信号的可穿戴型机器人作为人类的“智能外骨骼”；医疗保健机器人辅助医护人员的工作，承担手术或医疗保健等多项工作。

智能诊疗

智能诊疗就是通过GPU，将人工智能技术用于辅助诊疗中，让计算机“学习”专家医生的医疗知识，模拟医生的思维和诊断推理，从而给出可靠诊断和治疗方案。智能诊疗场景是人工智能在医疗领域最重要、也最核心的应用场景。

智能健康管理

智能健康管理是通过GPU，将人工智能技术应用到健康管理的具体场景中。目前主要集中在风险识别、虚拟护士、精神健康、在线问诊、健康干预以及基于精准医学的健康管理。

结  语

医疗与人工智能深度融合已是大势所趋，具体而言，未来AI+医疗在技术上的突破将包括算法拟合度进一步的优化、算法泛用性的增强、对隐私信息的保护、对AI+医疗产生的结果可解释性的加强，以及通过增加可靠验证而不断降低AI+医疗可能发生不良医疗事件的风险。这些过程中涉及到庞大而且复杂的数据收集、标注、清洗、提取、分析等处理需求，这需要强大的算力资源支撑。完全依靠CPU来处理的传统方式无法满足需求，而GPU具备通用性、高可编程性，适合处理大规模并行数据的任务，能够成为医疗人工智能的算力之源。

参考资料：

1、https://www.big-bit.com/wap/news/376281.html

2、https://zhuanlan.zhihu.com/p/36110044