鲸犀峰会
您正在使用IE低版浏览器,为了您的雷锋网账号安全和更好的产品体验,强烈建议使用更快更安全的浏览器
此为临时链接,仅用于文章预览,将在时失效
医疗器械 正文
发私信给刘海涛
发送

0

医疗信息化进程中,赛灵思扮演着什么角色?

本文作者:刘海涛 2020-12-10 14:10
导语:从需求角度来看,现有IT包括大数据、AI、机器人、信息物理系统等新医设备对时间的敏感性和数据密集性要求更为复杂、需要可靠地执行关键任务,鲁棒性、可靠性也更高。

科技升级,重金引入,医疗信息化进程在2020年迎来了一个前所未有的高潮。

IDC预测,中国医疗行业IT总支出548亿,增长11.5%,预计到2024年将超过1000亿,年均复合增长率超过13%。

长期以来,随着医疗设备的升级,医疗对放射学、病理学、血管诊断、眼科学等多学科领域,对大尺寸图像的存储和处理需求也变得越来越大。

近些年,像人工智能驱动的辅助诊断服务器、外科手术机器人、高清晰医疗成像等对计算和内存密集型需求医疗器械向医院的快速涌入,又在一次次锤击医疗IT系统本就脆弱的生命线。

医疗信息化进程中,赛灵思扮演着什么角色? 

赛灵思医疗科学全球业务市场负责人Subh Bhattacharya

赛灵思医疗科学全球业务市场负责人Subh Bhattacharya表示:“医疗IT面临着艰难的管理决策,既有传统IT设备和数据,如电子病历(EMR)、医疗AI软件、财务数据等,又有运营技术资产,如医疗设备,包括手术设备、患者监视器、ICU设备,用于外科手术的机器人设备和医疗成像设备,这给信息管理员区分优先级和管理这些系统,提出了很多挑战。”

Subh Bhattacharya加入赛灵思已超过四年,之前先后在Sun Microsystems、PMC-Sierra、Intel、MIPS Computers和IDT等公司从事工程、产品营销和管理工作,并在上述领域积累了超过15年的丰富经验。

破局

从需求角度来看,现有IT包括大数据、AI、机器人、信息物理系统等新医设备对时间的敏感性和数据密集性要求更为复杂、需要可靠地执行关键任务,鲁棒性、可靠性也更高。

此外,随着越来越多的医疗设备设备联网,数据爆炸性增长,使传统处理架构应对起来变得越来越困难,也就需要更多灵活应变特别是软硬件灵活的解决方案。

以医疗超声为例,作为对软组织最有效的诊断成像方式,其被广泛影像检查当中。

而常规超声造影系统只能以人体薄层截面的形式成像。

近些年医学影像设备制造商,现有成像方式很难满足市场对图像质量和准确性持续不断的需求。其背后主要原因就是现有架构在可扩展能力方面的局限性。

为了解决影像超声的技术挑战,赛灵思和超声科学家Jorgen Jensen博士对如何使用基于赛灵思技术的成像方法来提高医疗超声系统的图像质量、速度和准确性进行了研究。

Subh表示:“我们专门研究了广泛应用于雷达技术的“合成孔径 (SA) 成像”,以及“平面波 (PW) 成像”等方法,因为它们面向心壁运动和心脏外科手术等难以管理的诊断和外科手术,大幅提升了帧率和准确性。这两种方法与常规顺序采集超声图像的做法大相径庭,后者一次只能采集一行图像。新方法则高度并行化,一次发射就能重建完整的图像,能实现每秒数千帧的超高速成像,显著提高聚焦度和穿透力,为高速心脏成像等应用提供有效的解决方案。”

医疗信息化进程中,赛灵思扮演着什么角色? 

SA 成像示意图。第一列是发射的球面波或平面波。第二列是每次发射产生的波束成型低分辨率图像,最后一列是将所有低分辨率图像按相位相加得到的高分辨率图像。

然而,该成像方法面临的问题在于,相比传统成像方式,对处理器的要求提高了数百倍,为此,赛灵思全新的处理器芯片和开发环境——自适应计算加速平台 (ACAP) 器件与赛灵思 Alveo™ 数据中心加速器卡,可部署在工作站或服务器上,从而实现PW 和 SA 成像方法。

除了改变传统架构的可扩展能力,赛灵思还在利用自适应计算加速平台解决过去医疗器械瓶颈。

Subh列举了一个新生儿基因组分析的典型案例。

新生儿基因组分析的一大特点就在于检测窗口时间非常短暂,特是对重症的新生儿做基因组分析,对时间要求非常高。

但是过去做基因组分析,一般要用一天的时间(20多个小时)才能够完成,这样会严重耽误这些患者的救治时间。

为此赛灵思将自适应计算加速平台和Edico Genome的现有的基因分析仪器进行了整合,将整体的时间缩短到20分钟,相比过去时间加速超过60倍以上。

目前该创新方案已经落地到瑞迪儿童医院(Rady Children's Hospital),这家医院还将这种快速诊断方式申请了一项吉尼斯世界纪录。

进阶

赛灵思的自适应计算加速平台在医疗中主要解决三个场景需求,分别为医疗成像、临床和诊疗分析。

首先医疗临床领域,对于患者监护仪、智能病床、除颤仪,患者监护仪等医院中经常使用,数量较高的医疗临床设备,赛灵思更多做的是集成和保护安全和隐私。

Subh表示:“像医院网络受到全系统网络攻击的情况,医院只能通过隔离和关闭服务器和存储设备来保护EMR、财务等数据的完整性,以防止病毒传播、损坏或窃取数据。但是那些临床上保护患者生命安全,网络上的关键医疗设备不能关闭,它们需要保持正常运行。”

为此,赛灵思自适应计算加速平台将处理器、可编程逻辑和关于信息安全和功能安全的的功能进行了集成,可以帮助信息工程师通过使用混合临界性设计解决方案将关键医学代码与非关键应用程序代码隔离开来,防止病毒破坏医疗系统,并确保医院网络上关键医疗设备的持续可用性。

其次医疗成像场景,赛灵思致力的方向一方面在于提高成像质量,另一方面还在于降低功耗和技术成本。

Subh表示:“目前很多大型原始设备制造商,都希望改善设备的质量的同时,还要降低成本。像美国FDA 和欧盟监管机构通常只做设备验证,并不会限制供应商。很多企业都在思考确保性能的同时,成本可以不断降低,减少尺寸,增加功能。”

目前赛灵思的替代解决方案,已经应用在国内联影医疗的PET扫描影像设备当中,从而替代传统的GPU。相比过去,新设备的技术成本和功耗都更低,而且无需牺牲任何性能和开发进度。

最后诊断分析场景,主要针对近些年由于医疗AI设备的大规模涌现而出现的各种算力需求。

赛灵思核心市场业务部市场营销与业务开发副总裁 Kapil Shankar 表示:“AI 是医疗行业中发展速度最快、需求最强劲的应用领域,很多企业都需要具低时延、高能效和可扩展能力的开源解决方案,但是现在这种方案并不多。”

今年10月份,赛灵思与 Spline.AI 及AWS共同研发推出了一种医疗 X 射线分型深度学习模型和参考设计套件。

该产品最大的特点在于可以运行各种神经网络,其中就包括用于分型和疾病检测的神经网络。意味着研究人员可以对其进行调整,适应不同应用特定需求。通过采用这样的开源设计,更多医疗AI企业可以大量开发和部署临床和放射医学应用训练模型。

结语

从合成孔径成像技术到边缘推断器件;从算法加速计算到AI成为底层计算的重要元素,从摩尔定律失效到SoC FPGA燃起新算力变革,AI与硬件发展带来的变革日益凸显。

像DeepMind这样新的深度学习结构体系、新的疾病检测神经网络的不断涌现,未来的医疗IT对于对于新架构和算力的需求也将进一步爆发。

而随着今年十月,赛灵思以350亿美元全股票交易的方式正式并入处理器大厂AMD。两强的合并,CPU+GPU+FPGA三大产品的进一步结合。未来的赛灵思在医疗AI、新医疗器械、大数据中心领域又将出现哪些新解决方案,我们拭目以待。雷锋网雷锋网雷锋网(公众号:雷锋网)

雷锋网原创文章,未经授权禁止转载。详情见转载须知

分享:
相关文章

文章点评:

表情
最新文章
请填写申请人资料
姓名
电话
邮箱
微信号
作品链接
个人简介
为了您的账户安全,请验证邮箱
您的邮箱还未验证,完成可获20积分哟!
请验证您的邮箱
立即验证
完善账号信息
您的账号已经绑定,现在您可以设置密码以方便用邮箱登录
立即设置 以后再说