在医疗成像领域，以机器学习（ML）和深度学习（ DL ）技术为代表的人工智能（ AI ）的普及势必将推动这一领域的转型。
凭借各种机器学习驱动的工具，所有医疗生态系统内的患者、医疗服务提供商、医院、专业人士以及各利益相关方都将因此受益。从解剖学几何测量到癌症检测，应用前景可谓十分广阔。而在这些应用场景下，机器学习发挥的作用既包括提升工作效率，还会产生一些其他正面成效。
机器学习在医疗成像领域能通过多种途径发挥作用
机器学习用于医疗成像的途径有很多种。例如，放射学、皮肤病学、血管诊断学、数字病理学和眼科学，都会用到标准图像处理技术。
在放射学中，胸部 X 光透视是最常见的放射检查。每年全球完成的透视数量超过 20 亿，相当于每天完成 548，000 次，这一数字简直令人震惊。如此数量庞大的透视次数势必会给放射科医生造成沉重负担，因而对工作流的效率提出了极高要求。诚然，放射科医生的专业素养至关重要，但在速度和精度方面，机器学习、深度神经网络（ DNN ）和卷积神经网络（ CNN ）等技术往往比放射科医生的专业知识更略胜一筹。在面临快速决策的压力时，人为错误率可能高达 30％。借助机器学习技术协助决策过程，有助于提高决策质量，为放射科医生与其他专业人员提供补充工具。
目前，法规方面的支持正在稳步推进，美国食品药品监督管理局（FDA）也正批准在辅助诊断及其他应用中采用更多机器学习技术。此外，FDA 还为基于机器学习的产品建立了一个新的监管框架。新的监管框架将机器学习技术称之为“软件即医疗设备（SaMD）”，有望为治疗质量和治疗效率带来可观成效。
“机器学习＋医疗成像”困难重重
在放射学、皮肤病学、血管诊断学、数字病理学和眼科学中，许多治疗都需要大幅图像，有时会达到 500 万像素甚至更高，并且需要进行复杂的图像处理。同时，机器学习工作流计算强度大、存储器占用高。主流计算采用线性代数的方式，需要完成大量计算并使用大量参数。它需要数十亿次乘法－累加（ MAC ）运算、数百兆字节参数数据、众多运算符以及高分布式的存储器子系统。因此，为实现组织检测或分类，在 PC 和 GPU 上使用传统计算方法开展高准确度图像推断往往效率低下，这也迫使医疗公司开始寻求替代技术来解决这一问题。
赛灵思出马：见证“奇迹”的时刻
赛灵思提供的异构、高分布式架构恰好可以帮助医疗企业应对这一问题。赛灵思Versal自适应计算加速平台（ ACAP ）系列多处理器片上系统（ SoC ）整合了深度学习加速器和 SIMD VLIW“AI”引擎，能几乎实时地完成高速数据的大规模并行信号处理。这就意味着，赛灵思所提供的计算能力可以稳步超越每秒 100 太次运算（ TOPS ）。
赛灵思器件可以大幅提高复杂医疗机器学习算法的求解效率，有助于为边缘医疗应用加速，同时，还可以节省资源、成本和功耗。由于其架构和支持库的天然简便性，Versal ACAP 器件可内在地为递归网络提供支持。
针对算法和应用开发者，赛灵思也提供了一款创新的生态系统：Vitis 等统一软件平台适用于应用开发，Vitis AI 可以用于加速机器学习推断的优化和部署。这就意味着开发者可以在其项目中使用 ACAP 等先进器件。
医疗工作流和医疗设备工作流正经历重大变革。在未来，“大数据”企业在计算需求、数据隐私、安全保障、病患安全和准确性方面将提出更为严苛的要求，而这也将催生未来医疗工作流的新面貌。分布式的非线性并行化异构计算平台将是应对和管理这种复杂性的关键。赛灵思Versal 等器件和 Vitis 等软件平台也必将成为实现未来优化 AI 架构的理想选择。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
