①

2015年1月

计算机科学家SebastianThrun博士

对使用机器学习帮助医学诊断产生兴趣

2015年6月

Thrun博士的团队测试机器从教材图像的学习成果

在大约14,000张图像中，

系统得到了72%的正确率

Thrun博士又将研究范围扩大

结果在几乎每一次测试中

机器都超过了人类

②

2016年6月

一名60岁女性由于身体不适

来到医院就诊

最初的诊断结果显示

她患上了急髓白血病

但在经历各种疗法后

效果并不明显

研究人员利用Watson系统来对此病人进行诊断

系统通过比对2000万份癌症研究论文

在10分钟得出了诊断结果

患者得了一种罕见白血病

③

2016年11月的一个晚上

一名54岁的女子

因为严重头痛被送至急诊室

她感觉视力模糊

左手麻木无力

医生安排了CT检查

但无济于事

她身体的左侧全部瘫痪

这是典型的中风

虽然中风的预兆能从CT上的些许暗示中发现

但对于人类医生来说

要想发现这些暗示太难了

 

 

④

如果有这样一台服务器

它能够将皮肤诊断图像正确归类

准确率超过人类

 

如果有这样一台服务器

它能够通过对比20000份研究论文

得出正确的诊断结果

 

如果有这样一台服务器

它能够读懂CT照片

并能发现CT照片上的少许暗示

 

你是不是觉得不可思议

你是不是觉得这样的服务器

遥不可及

 

但其实，让计算机能够看病

最重要依靠的是

一项名为“深度学习”的技术

就像人的大脑通过神经网络进行学习

深度学习通过人造的“神经网络”来学习

人造的神经网络可以接受一种或多种输入

并对输入执行数学运算

产生可输出的结果

神经网络可呈现为多层次神经元

这也是“深度”这个词的由来

 

但通常

神经网络需要用大量样本进行训练

才能有很好的效果

医学人工智能亦是如此

需要输入大量医学病例数据到计算机

让计算机学习其中的模式

当输入新的病例时

计算机就能进行正确的判断

而决定诊断结果是否正确的

除了算法和数据之外

最重要的

就是服务器

⑤

那么

什么样的服务器才能满足

医学AI的要求呢

 

这就要从深度学习的计算过程说起

深度神经网络计算大致流程

是这样滴

 

数据调入

▼

数据预处理

▼

数据从内存拷贝的显存，再计算

▼

数据结果返回内存

▼

数据保存

 

这就要求医学AI服务器

 

要有为AI时代创新的系统架构

更高性能的I/O，充分加速数据调入

更开放的数据一致性协议，加速CPU-GPU数据交换

更稳定商用AI模块框架，简化编程复杂性

▼

要有更高性能的CPU

完成快速的数据预处理

▼

更多的GPU

以及CPU与GPU之间

GPU与GPU之间

更高速的连接

提高数据在各个部件之间的传输速率

▼

更高速的内存

加速数据结果返回内存

▼

更高性能的硬盘

从而更快的存储数据

⑥

那到底有没有这样的服务器？

答案当然是肯定的

当当当当

 

 

那就是浪潮FP5295G2

 

它拥有

OpenCAPII/O加速插槽

CAPI 2.0 显著降低IO开销和延迟

充分满足数据输入速度要求

 

 

▼

2颗POWER9

新一代高端处理器

足以应付任何复杂数据预处理

 

 

▼

6 块NVIDIA TelsaV100 GPU

NVLink提供节点内

高速连接CPU-GPU，GPU-GPU

PCIe4.0+ IB提供跨节点高速连接

大幅提升数据传输效率

 

▼

1TB内存容量

306GB/sec内存带宽

能够迅速将数据结果放回内存

▼

2块2.5寸SATA HDD/SSD硬盘

或PCIeNVMe SSD

可以更快的保存数据

 

除此之外

FP5295G2还有

IBM PowerAI加持

 

因此

与测试的x86系统相比

AI模型培训效率提升3.8倍

 

如此出色的AI服务器

怎能不受医学行业喜爱？