作者
孫浩峰
①
2015年1月
計算機科學家SebastianThrun博士
對使用機器學習幫助醫學診斷產生興趣
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，
系統得到了72%的正確率
Thrun博士又將研究範圍擴大
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歲女性由於身體不適
最初的診斷結果顯示
她患上了急髓白血病
但在經歷各種療法後
效果並不明顯
研究人員利用Watson系統來對此病人進行診斷
系統通過比對2000萬份癌症研究論文
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
醫生安排了CT檢查
但無濟於事
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上的些許暗示中發現
但對於人類醫生來說
要想發現這些暗示太難了
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
並能發現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網絡進行學習
深度學習通過人造的“神經網絡”來學習
人造的神經網絡可以接受一種或多種輸入
並對輸入執行數學運算
產生可輸出的結果
神經網絡可呈現為多層次神經元
這也是“深度”這個詞的由來
但通常
神經網絡需要用大量樣本進行訓練
才能有很好的效果
醫學人工智能亦是如此
需要輸入大量醫學病例數據到計算機
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
除了算法和數據之外
最重要的
就是服務器
⑤
那麼
什麼樣的服務器才能滿足
醫學AI的要求呢
這就要從深度學習的計算過程說起
深度神經網絡計算大致流程
是這樣滴
數據調入
▼
數據預處理
▼
數據從內存拷貝的顯存，再計算
▼
數據結果返回內存
▼
數據保存
這就要求醫學AI服務器
要有為AI時代創新的系統架構
更高性能的I/O，充分加速數據調入
更開放的數據一致性協議，加速CPU-GPU數據交換
更穩定商用AI模塊框架，簡化編程複雜性
▼
要有更高性能的CPU
完成快速的數據預處理
▼
更多的GPU
以及CPU與GPU之間
GPU與GPU之間
更高速的連接
提高數據在各個部件之間的傳輸速率
▼
更高速的內存
加速數據結果返回內存
▼
更高性能的硬盤
從而更快的存儲數據
⑥
那到底有沒有這樣的服務器？
答案當然是肯定的
噹噹噹當
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
充分滿足數據輸入速度要求
▼
2顆POWER9
新一代高端處理器
足以應付任何複雜數據預處理
▼
6 塊NVIDIA TelsaV100GPU
NVLink提供節點內
高速連接CPU-GPU，GPU-GPU
PCIe4.0+ IB提供跨節點高速連接
大幅提升數據傳輸效率
▼
1TB內存容量
306GB/sec內存帶寬
能夠迅速將數據結果放回內存
▼
2塊2.5寸SATA HDD/SSD硬盤
或PCIeNVMe SSD
可以更快的保存數據
除此之外
FP5295G2還有
IBM PowerAI加持
因此
與測試的x86系統相比
AI模型培訓效率提升3.8倍
如此出色的AI服務器
怎能不受醫學行業喜愛？
閱讀更多 科技百分百 的文章
