2015年1月
計算機科學家SebastianThrun博士
對使用機器學習幫助醫(yī)學診斷產(chǎn)生興趣
2015年6月
Thrun博士的團隊測試機器從教材圖像的學習成果
在大約14,000張圖像中，
系統(tǒng)得到了72%的正確率
Thrun博士又將研究范圍擴大
結果在幾乎每一次測試中
機器都超過了人類
②
2016年6月
一名60歲女性由于身體不適
來到醫(yī)院就診
最初的診斷結果顯示
她患上了急髓白血病
但在經(jīng)歷各種療法后
效果并不明顯
研究人員利用Watson系統(tǒng)來對此病人進行診斷
系統(tǒng)通過比對2000萬份癌癥研究論文
在10分鐘得出了診斷結果
患者得了一種罕見白血病
③
2016年11月的一個晚上
一名54歲的女子
因為嚴重頭痛被送至急診室
她感覺視力模糊
左手麻木無力
醫(yī)生安排了CT檢查
但無濟于事
她身體的左側全部癱瘓
這是典型的中風
雖然中風的預兆能從CT上的些許暗示中發(fā)現(xiàn)
但對于人類醫(yī)生來說
要想發(fā)現(xiàn)這些暗示太難了
④
如果有這樣一臺服務器
它能夠將皮膚診斷圖像正確歸類
準確率超過人類
如果有這樣一臺服務器
它能夠通過對比20000份研究論文
得出正確的診斷結果
如果有這樣一臺服務器
它能夠讀懂CT照片
并能發(fā)現(xiàn)CT照片上的少許暗示
你是不是覺得不可思議
你是不是覺得這樣的服務器
遙不可及
但其實，讓計算機能夠看病
最重要依靠的是
一項名為“深度學習”的技術
就像人的大腦通過神經(jīng)網(wǎng)絡進行學習
深度學習通過人造的“神經(jīng)網(wǎng)絡”來學習
人造的神經(jīng)網(wǎng)絡可以接受一種或多種輸入
并對輸入執(zhí)行數(shù)學運算
產(chǎn)生可輸出的結果
神經(jīng)網(wǎng)絡可呈現(xiàn)為多層次神經(jīng)元
這也是“深度”這個詞的由來
但通常
神經(jīng)網(wǎng)絡需要用大量樣本進行訓練
才能有很好的效果
醫(yī)學人工智能亦是如此
需要輸入大量醫(yī)學病例數(shù)據(jù)到計算機
讓計算機學習其中的模式
當輸入新的病例時
計算機就能進行正確的判斷
而決定診斷結果是否正確的
除了算法和數(shù)據(jù)之外
最重要的
就是服務器
⑤
那么
什么樣的服務器才能滿足
醫(yī)學AI的要求呢
這就要從深度學習的計算過程說起
深度神經(jīng)網(wǎng)絡計算大致流程
是這樣滴
數(shù)據(jù)調入
▼
數(shù)據(jù)預處理
▼
數(shù)據(jù)從內存拷貝的顯存，再計算
▼
數(shù)據(jù)結果返回內存
▼
數(shù)據(jù)保存
這就要求醫(yī)學AI服務器
要有為AI時代創(chuàng)新的系統(tǒng)架構
更高性能的I/O，充分加速數(shù)據(jù)調入
更開放的數(shù)據(jù)一致性協(xié)議，加速CPU-GPU數(shù)據(jù)交換
更穩(wěn)定商用AI模塊框架，簡化編程復雜性
▼
要有更高性能的CPU
完成快速的數(shù)據(jù)預處理
▼
更多的GPU
以及CPU與GPU之間
GPU與GPU之間
更高速的連接
提高數(shù)據(jù)在各個部件之間的傳輸速率
▼
更高速的內存
加速數(shù)據(jù)結果返回內存
▼
更高性能的硬盤
從而更快的存儲數(shù)據(jù)
⑥
那到底有沒有這樣的服務器？
答案當然是肯定的
當當當當
那就是浪潮FP5295G2
它擁有
OpenCAPII/O加速插槽
CAPI 2.0 顯著降低IO開銷和延遲
充分滿足數(shù)據(jù)輸入速度要求
▼
2顆POWER9
新一代高端處理器
足以應付任何復雜數(shù)據(jù)預處理
▼
6 塊NVIDIA TelsaV100 GPU
NVLink提供節(jié)點內
高速連接CPU-GPU，GPU-GPU
PCIe4.0+ IB提供跨節(jié)點高速連接
大幅提升數(shù)據(jù)傳輸效率
▼
1TB內存容量
306GB/sec內存帶寬
能夠迅速將數(shù)據(jù)結果放回內存
▼
2塊2.5寸SATA HDD/SSD硬盤
或PCIeNVMe SSD
可以更快的保存數(shù)據(jù)
除此之外
FP5295G2還有
IBM PowerAI加持
因此
與測試的x86系統(tǒng)相比
AI模型培訓效率提升3.8倍
如此出色的AI服務器
怎能不受醫(yī)學行業(yè)喜愛？
京公網(wǎng)安備 11010502049343號