GTIC2018 | 深思考人工智能杨志明：专用AI芯片+算法如何突进智慧医疗

主页（http://www.cnwulian.net）：GTIC2018 | 深思考人工智能杨志明：专用AI芯片+算法如何突进智慧医疗

　　看点：AI将如何解决医疗行业两大痛点问题：医疗影像图形堆叠和组织精准定位？

　　3月9日，由智东西主办的GTIC 2018全球AI芯片创新峰会在上海召开，大会邀请到32名重磅嘉宾到场分享，超过一万名观众报名，会场内座无虚席。会场外甚至还有大量来晚的观众直接选择就地观看直播。

　　在这次大会中，iDeepWise（深思考人工智能）的CEO杨志明博士就AI芯片在智慧医疗和智慧商业的应用与发展做了精彩的演讲：如何用AI解决医疗行业的痛点，未来又将如何在智慧商业中布局。以下是智东西整理的演讲干货。

　　传统医疗检测的痛点

　　深思考人工智能成立于2015年8月，是一家人工智能领域的创业公司，核心团队均由来自于中科院人工智能、机器学习方向的资深科学家组成，目前专注于人工智能核心算法与终端人工智能一站式解决方案。主要落地的领域是智慧医疗，在演讲的开头，杨志明详细解析了目前的医疗检测行业背景。

　　宫颈癌是全球妇女中最为常见的恶性肿瘤之一。在中国，乳腺癌居女性恶性肿瘤发病率的首位，每年新发病例约为27.9万，并以每年2%左右的速度递增。因此，2011年，我国颁布《中国妇女发展纲要（2011-2020年）》，其中特别指出需要加强妇女两癌（乳腺癌、宫颈癌）的筛查工作。

　　但是，我国现在的国情是阅片医生缺乏、阅片效率不高，一纸检测报告通常要等上十天半个月，而在癌症等疾病的诊断上，人的生命是分秒必争的。除此之外，优质的医疗检测资源主要分布在一线大城市，在二三线城市或是偏远地区，医疗资源匮乏。

　　为解决这些问题，人工智能与医疗的结合，也就是智慧医疗，成为人工智能技术发展的关键方向之一。而目前普遍做智慧医疗的厂商所提供的方案是通用CPU或GPU在云端做相关分析计算，存在以下问题：1、隐私保护。普遍来说，医院不允许病人隐私信息上传至云端。2、AI算法短板。少有针对AI医疗影像识别的算法专门优化。3、专业医疗影像算力不足。在专业医疗场景下，无论是GPU还是CPU，针对医疗影像智能计算的实时性不足，特别是边缘计算的智能不足。

　　而在具体的医疗场景中，智慧医疗又有两大痛点：第一，在医疗影像的识别中，容易出现大量图形堆叠的情况，比如病理细胞。如何精准地识别、分割是一大痛点。这就好像在安防场景中，很多张人脸堆叠在一起，使得一般的人脸识别算法识别失败。第二，当医疗人员使用手术机器人做一些手术时，机器人需要对人体的组织进行精准定位和区分器官边缘，在这种情况下，如果边缘识别、定位不准确，或者是放到云端，其准确度、实时性是无法达到实用要求的。

　　软硬结合：专用医疗AI算法+专用AI芯片

　　针对以上智慧医疗的痛点，深思考人工智能推出了医疗影像专用AI处理器——M-DPU。

　　杨志明表示，该芯片支持智慧医疗影像中细胞或器官的位置检测、图像分割、细胞或器官图像分类所用的 Faster-RCNN、FCN、ResNet、JST等算法的加速。同时，结合深思考的深度学习模型压缩技术，对相应算法做定点化、稀疏化的压缩。结合M-DPU与压缩技术的优势，深思考的M-DPU在医疗影像领域体现出明显的性能优势。

　　深思考人工智能使用了大量数据做了测试。测试结果显示，深思考人工智能的M-DPU在100秒之内能够智能分类90000个细胞。而在TCT（宫颈刮片）的应用上，深思考人工智能的M-DPU加上其专门的宫颈癌识别算法给出了出色的成绩：鳞状上皮细胞异常检测敏感性达到98.4%，特异性达到99.77%，腺细胞异常监测敏感性达93.4%，特异性逼近99%，细胞类别分类精度达99.3%。

　　在演讲之后，智东西也在第一时间对杨志明进行了专访，他表示这次演讲中所提到的M-DPU是首次发布，这是一款基于FPGA打造的专用于医疗影像的AI处理器，同时具备先进医学影像算法加速核心和深度学习计算加速核心。

　　杨志明告诉智东西，就这款芯片，已经和大型医疗机构达成合作，进入应用阶段。经过大量训练的人工智能算法与M-DPU结合后，可以作为专业的医学大脑，提供高准确度的专业的医疗检测。

　　M-DPU体积小、功耗小、实时性高，能够灵活地部署到小型的终端设备，或部署到边远地区。同时，相对于GPU，M-DPU在医疗影像算力、成本方面也有优势。