新冠疫情已基本宣告结束，但其给医疗系统带来的巨大冲击，仍值得我们深思。除了这种大规模突发性传染病带来的意外影响外，医疗系统还面临着整个人类社会长期人口老龄化带来的就诊量增长压力。而看病必须遵从“先诊断，后治疗”的流程，医生面临着大量的医疗图像诊断工作。反观另一面，医生资源的培育补充速度较慢，难以满足这一需求缺口。如果没有更行之有效的方法，就诊和诊断之间的需求缺口将会进一步扩大。
图1：Infervision人工智能辅助诊断提高放射科整体效率（图源：Infervision）
幸运的是，AI恰好在影像识别和影像处理上可以发挥巨大的作用。据《柳叶刀-胃肠病学和肝病学》新发表的研究成果显示，人工智能辅助内镜检查，可将胃肿瘤漏检风险降低近八成。通过高效的AI算法结合高性能终端处理芯片，可以帮助医生实现更加快速、准确、大批量的医疗影像诊断。
AI医学影像完成价值链闭环，走向规模化部署
AI医学影像可以分为X光、超声、CT、MRI以及临床诊断内镜等，不同的诊断手段对应着不同的病症特点和发病部位，因此对于AI的处理需求上也有所不同。
1. 超声检测
超声检测主要应用于腹部、甲状腺、乳腺和心脏等部位的检测，医生通过实时超声反射成像来观察病灶。采集和阅片这两个过程同步进行，需要同一位医生在检测的同时完成，因此对于医生的经验要求和图像实时性要求较高。超声检测并没有一个完全通用且有效的标准，医生的操作习惯和水平，以及患者的身体情况将直接影响图像的质量。AI在超声检测过程中，主要通过三维图像处理进行辅助诊断。AI+超声可以辅助医生进行图像分析，获得诊断结论。而这其中的难点在于既要强调算法的准确度，又要有很好的实时性。
2. 内镜检测
内镜检测则主要针对消化系统疾病，包括肠息肉等。这类检测的难点在于，需要对多摄像头反馈的多通道数据进行处理，与此同时传感器的分辨率提高也带来了更高数据处理带宽的压力。对于医生而言，早期病症的甄辨也同样需要长时间的经验积累，而AI的能力加持就可以降低对于这种经验的依赖，进一步帮助低年资内镜医师的培训。内窥镜检测对于AI三维影像处理能力要求极高，需要通过AI上色进行特征标记、控制和阅片，包括内镜的自主运动治疗等。
3. 核磁共振
核磁共振（MRI）主要是针对颅内肿瘤、心血管病和静脉瘤等，同样需要AI三维图像进行辅助诊断。X线和CT主要针对肺结核、肺炎、冠心病等检测，需要进行AI图像重建，通过辅助拍片或阅片进行辅助诊断。这三类检测相比超声和内窥镜，对于阅片的实时性要求不高，但对于图像后处理和AI推理的要求更高。
图2：AI医学影像分类（图源：头豹）
当前我国的AI医疗器械市场处于高速发展阶段。根据前瞻产业研究院的报告，我国AI医学影像市场2021年的规模是8.2亿元，预计2027年将达到230亿元。另外来自国信证券经济研究所的报告称，2030年AI医学影像市场规模将达到423亿元，年平均增长率超过60%。IDC中国高级市场分析师林红也在一份报告中指出：“现阶段，医学影像AI系统正在从单点应用走向规模化部署，从价值认可走向价值倍增。”
图3：AI医学影像辅助诊断的市场预期（图源：IDTechEx Research）
AI医学影像在应用上已经实现了价值链闭环，接下来将迈向大规模普及，需要在技术和临床上实现双轮驱动。上海交大生物医学工程学院教授钱大宏认为，AI辅助诊断的发展有两个重要要素，一是临床驱动，二是核心技术驱动。要将AI辅助诊断切入医生的工作流，成为临床强刚需，这是落地的关键。
在核心技术的算法层面，多模态输入是当前业界探索的重点，另外实现无监督的人工智能学习也同样重要。但所谓技术落地的关键，不仅指的是AI算法技术，更重要的是软硬件相结合。对于不同AI辅助诊断医疗器械而言，需要有与之场景和算法相匹配的芯片平台，才能真正地将AI的能力放大，实现AI辅助诊断在设备端和临床上的赋能。
AI医学影像的基石——高性能芯片平台
那么不同的医学影像诊断，对于芯片平台都有何不同的要求？这要结合各自的诊断设备的技术发展来看。
1. 超声成像
在超声医学成像方面，通道数直接关乎成像的高分辨率和深度。但在保证设备便携与互联的前提下，在其中进行多通道的拓展会变得越来越困难。面对超声设备多通道和小型化发展的趋势，需要AI能力来实现更高的实时扫描率。
新一代超声成像是思考模式的转变，作为FPGA领域的知名厂商，Xilinx的产品能够让超声检测从正常顺序采集，升级到整个平面的并行采集。Xilinx的Versal AI系列不仅能够提供一个运行合成孔径或平面波算法的波束成形器，还能在单个芯片上提供128个工作元件和200行的分辨率。通过Xilinx ACAP平台，超声检测设备从心脏成像到腹部成像，再到任何小部件事物检测上，都可以获得每秒几百帧到几千帧的扫描速率。此外，Xilinx ZYNQ-Ultrascale+SoC技术还可以在小型化超声设备中实现多波束成形，在手持设备中整合多达8个并行波束成形器。
图4：Xilinx Versal AI系列的超声检测方案（图源：Xilinx）
2. CT、MRI、PET
CT、MRI和PET医学成像设备是对同步性要求极高的大型机器，需要在不同的子系统之间保持同样的高计算能力。Xilinx提供的全新ACAP平台，能够提供图像重建技术所需的卸载/加速能力，可在单个平台上集成基于机器学习的图像分析功能，同时进一步提升AI性能。
3. 内镜应用
在临床内镜应用中，追求的是极低延时和极高的分辨率。使用内窥镜的外科手术需要实时的响应，图像的捕获、传输、预处理和显示的时延要求在50~150毫秒之间。系统需要先对各种图片的颜色及噪声进行校正，然后再进行边缘增强和缩放。像双4K视频内窥镜这样的高分辨率设备，对于图像信号的预处理要求极高。Xilinx Versal AI Edge系列器件可以在提供高性能预处理的同时，提供所需的低延迟，保持系统具有合适的热包络。
图5：Xilinx的双4K内窥镜设计范例（图源：Xilinx）
不论是上述何种医疗影像设备，都包含了端侧图像采集、预处理计算、云端数据处理和记录等多个子系统。AI医学影像系统的整体复杂度较高，硬件方案也难以统一，顶层算法开发和底层硬件实现之间的耦合难度较大。为了解决这一难题，Xilinx不仅提供了诸多AI加速芯片平台，也联合算法API厂商和云服务厂商，提供了集成边缘至云端的完整AI医学影像解决方案，从而助力不同类型的AI影像系统开发。
图6：Clarius采用Xilinx Zynq设计的超便携超声设备（图源：Xilinx）
快速原型开发，Xilinx评估套件来助力
如何迎合AI医疗诊断的发展需求，快速开发出真正能够赋能临床应用的AI医学影像方案？接下来的这两款评估套件或可助您一臂之力。
第一款是Xilinx Zynq UltraScale+ MPSoC ZCU102评估套件，在贸泽电子上的料号为EK-U1-ZCU102-G-ED。该套件采用了Zynq UltraScale+ MPSoC器件，配有四核ARM Cortex-A53、双核Cortex-R5和基于Xilinx的16nm FinFET可编程逻辑结构的Mali-400 MP2图形处理单元。
图7：Xilinx Zynq UltraScale+ MPSoC ZCU102评估板（图源：贸泽电子）
该评估套件上集成了4GB 64位的DDR4 SODIMM和512MB的DDR4组件内存，提供了PCIe、USB3、显示端口和SATA接口。ZCU102评估套件具有丰富的板载资源和接口，配合Xilinx的Vivado软件开发平台，可以快速帮助开发者完成基本外设控制，创建逻辑设计，并封装成IP，直接在板上进行IP仿真验证，加速客户的原型开发。
我们推荐的第二款开发板是Xilinx Versal AI Core系列VCK190评估套件，在贸泽电子上的产品料号为EK-VCK190-G-ED。VCK190评估套件设计用于需要高吞吐量AI推理和信号处理的设计。该套件的计算能力是服务器级CPU的100倍，提供各种连接选项和标准化开发流程。对于AI影像计算而言，该套件具有PCIe Gen4接口，支持高计算性能和数据搬运，并且配备面向视频处理应用的HDMI接口，方便直接进行屏幕和传感器的连接。
图8：Xilinx Versal AI Core系列VCK190评估套件（图源：贸泽电子）
未来：黑科技与白大褂结合
AI驱动下，医学影像行业将会迎来巨变。一项针对2022年国内24个省市的332位影像人进行的问卷调查结果显示：使用AI产品之后，平均每天能完成50例以上的科室比例，从14.76%上升到了34.04%；70.48%的科室有着AI疾病解决方案的采购需求。2023年或将成为智慧医疗的爆发元年。
我们将会看到，随着医保制度的完善和AI影像设备的临床应用比率提高，AI医学影像赛道将会加速进入价值正反馈的周期中，黑科技和白大褂的黑白结合将会为我们带来更智能高效的医疗就诊体验。
本文转载自： 贸泽电子微信公众号
