作者：推動 AI 落地的
隨著技術的進步，AI 在醫療行業的四個關鍵領域產生了重大影響：提高醫療服務的規模化、擴大醫療服務的覆蓋面、輔助醫患溝通以及增加醫療洞察力。而據行業分析預測，人工智能在醫療保健領域的市場規模將從 2019 年的 59 億美元增長到 2025 年的 313 億美元，大部分集中在藥物發現、可穿戴技術、血液病原體分析和圖像解讀等領域。
舉例來看，傳感器、數字連接與 AI 的融合，提供了更為全面的數據監測，不僅能進一步釋放遠程醫療的潛力，也將有機會以更低成本實現更為個性化的醫療，甚至實現以預測防患的未病管理為主，以降低實際的病后治療，極大變革醫療的未來。
醫療 AI 創新的算力挑戰
但挑戰也是巨大的，拋下醫療行業本身可能需要發展新的業務模式、更好適應 AI 帶來的戰略級變化不談，形成以“人”為中心的更全面、更高效的醫療，首先就超越了傳統醫院的運營范圍。
算力就是其中一個關鍵的挑戰。
復雜模型訓練與優化的算力消耗
醫療 AI 應用可能依賴于一系列復雜的模型。這些模型的構建和訓練是一個極為復雜且資源密集的過程。在模型訓練初期，需要收集大量來自不同地區、不同年齡段、不同疾病狀態的醫療數據作為訓練集，以確保模型能夠學習到全面且準確的疾病模式和特征。然后，通過不斷調整模型的參數，如權重和偏置等，使模型在訓練數據上的預測誤差不斷減小，這一過程需要進行大量的正向傳播和反向傳播計算，對算力的需求呈指數級增長。
實時交互場景下的算力及時性要求
一旦算力無法滿足實時性需求，就無法實現對患者健康狀況的有效監測和及時干預。遠程手術指導，不僅需要實時傳輸高清的手術視野視頻以及手術器械的操作數據，還要求在接收端能迅速通過 AI 系統進行分析處理，為手術醫生提供精準的輔助信息，如識別手術部位的關鍵解剖結構、預警潛在的操作風險等。
多任務并發處理的算力分配難題
在實際的醫療場景中，醫療 AI 往往需要同時處理多個任務。例如，醫院既要對新入院患者的病歷進行自然語言處理以提取關鍵信息，又要對正在接受治療的患者的實時監測數據進行分析以評估治療效果，還要對不同科室送來的醫學影像進行診斷分析。這些不同任務對算力的需求和優先級各不相同，當多個任務同時發起請求時，若缺乏合理的算力分配機制，就可能影響整個醫療服務流程的高效運行。
構建互聯互通的醫療 AI 基礎設施
由于醫療行業的發展對于“互聯互通”的要求越來越高，解決醫療 AI 的算力挑戰天然需要多方合作與資源整合，首先要著眼于基礎設施的升級與優化，目前已經出現了醫療政務化或是醫療園區化等形式來推動深度的合作。
比如，政府可以利用政務平臺搭建醫療 AI 資源共享平臺，整合醫療機構、科研機構、企業等各方的算力資源、數據資源以及專家資源等，并進一步加強對醫療 AI 產業的引導和監管。再如，園區能聚集醫療機構、科研機構、科技企業等各類主體，形成一個完整的產業生態系統。
打造共享的 AI 基礎設施，青云科技擁有豐富的實踐經驗與成熟的解決方案。
統一調度多元異構算力，滿足醫療 AI 在不同場景下的算力需求
醫療 AI 涵蓋了多種應用場景，從復雜的醫學影像分析到大規模的基因數據處理，再到實時的遠程醫療協助等，每個場景對算力的要求都不盡相同。青云解決方案首先可以統一管理 CPU、GPU、存儲、網絡等多元異構硬件，以資源池化支持靈活調度，然后根據不同醫療 AI 應用場景的具體需求，動態分配合適的計算資源，實現資源的最大化利用。
云邊協同保障實時性需求，實現醫療 AI 有效監測和及時干預
青云解決方案通過云邊協同的創新架構，為醫療 AI 的實時性需求提供了有力保障。邊緣計算節點被部署在靠近數據源的位置，如醫院本地、患者監測設備附近等，這些邊緣節點具備一定的計算能力，能夠對實時采集的數據進行初步處理，快速提取關鍵信息，并及時做出初步判斷。云端則擁有更強大的計算資源和豐富的醫療數據儲備，能夠對邊緣節點上傳的數據進一步深度分析和綜合判斷。
多策略應對任務并發，保障醫療 AI 助力高效高質量服務
青云針對任務并發問題也制定了多策略的應對方案：根據任務的性質、緊急程度以及對算力的需求等因素，通過隊列及優先級策略，確保重要且緊急的任務能夠優先獲得足夠的算力支持，快速完成處理；一旦某個任務完成，系統會立即釋放該任務所占用的資源，使其能夠及時被其他等待的任務所利用。
AI 必將在未來醫療行業中發揮更加重要的作用，青云科技將持續深耕技術，攜手合作伙伴推動醫療服務的全面升級，讓更多人受益于科技與醫療融合的創新成果。
