2003年，當(dāng)一種冠狀病毒引發(fā)的非典疫情席卷亞洲時(shí)，互聯(lián)網(wǎng)尚處于萌芽期，互聯(lián)網(wǎng)在醫(yī)療場景中還沒有落地，人們僅能前往醫(yī)院等待治療。那時(shí)，影像科總是人潮涌動(dòng)，很多患者因?yàn)樵卺t(yī)院聚集而遭受感染。

今年，一種新的冠狀病毒帶著更強(qiáng)的傳染性席卷全球，但中國僅花費(fèi)不到兩個(gè)月，便控制住了病毒在湖北以外地區(qū)的傳播。在AI的幫助，疫區(qū)影像科的診斷效率迅速上升，患者聚集情況大幅改善；新藥研發(fā)公司也通過創(chuàng)新的基因分析手段探索病毒的RNA結(jié)構(gòu)，短短數(shù)日便能篩選出1000多個(gè)RNA聚合酶核苷類抑制劑化合物的可編輯結(jié)構(gòu)化數(shù)據(jù)。

正如我們?cè)谝咔橹�中觀察到的，人工智能輔助診斷、基因分析等技術(shù)正因?yàn)槠鋸V袤的前景而吸引著越多越多的研究人員進(jìn)入其中，但由于行業(yè)自身的高門檻，許多擁有豐富經(jīng)驗(yàn)的醫(yī)生、學(xué)者難免在研究路上受挫。

如今，為了讓更多的開發(fā)者能夠體驗(yàn)到NVIDIA的算力支持，并以更加簡單的方式對(duì)數(shù)據(jù)進(jìn)行編輯，NVIDIA在EGX、DGX、云計(jì)算服務(wù)之上開發(fā)了Clara框架，為研究人員提供聯(lián)邦學(xué)習(xí)、遷移學(xué)習(xí)等服務(wù)，通過降低數(shù)據(jù)門檻的方式，推動(dòng)研究人員把重心回歸研究本身。

什么是Clara

NVIDIA正式發(fā)布Clara平臺(tái)是在2018年的RSNA之上，那時(shí)NVIDIA的目的僅是為影像學(xué)AI研究者提供一個(gè)醫(yī)學(xué)影像的軟件開發(fā)工具，以標(biāo)準(zhǔn)化影像數(shù)據(jù)，并提升AI訓(xùn)練速度。

隨后，NVIDIA的開發(fā)者發(fā)現(xiàn)，基因組是一個(gè)更為龐大的數(shù)據(jù)源，要處理億級(jí)的堿基配對(duì)，必須找到更理想的算力來源，才能保證試驗(yàn)在成本上可行。在2019年蘇州舉辦的GTC大會(huì)之上，基因組學(xué)已經(jīng)成為Clara要啃掉的另一塊蛋糕。

到了今天，NVIDIA Clara的定位于面向醫(yī)療開發(fā)者的智能計(jì)算軟件平臺(tái)。接下來，所有醫(yī)療行業(yè)的解決方案都會(huì)整合進(jìn)Clara，NVIDIA意欲打造一個(gè)全能的“醫(yī)療百寶袋”，為更想要探索醫(yī)療領(lǐng)域的開拓者提供高效便捷的數(shù)據(jù)分析工具。

NVIDIA Clara

從整體上看，NVIDIA Clara包含了GPU加速庫、3個(gè)SDK以及一系列參考應(yīng)用。在這一階段下，Clara能夠?yàn)榭蒲泄ぷ髡咛峁┑姆��?wù)主要聚集于醫(yī)學(xué)影像領(lǐng)域與基因分析領(lǐng)域，而這兩個(gè)領(lǐng)域，正因?yàn)榇髷?shù)據(jù)的浪潮而飛速發(fā)展。

醫(yī)學(xué)影像應(yīng)用：用AI幫助開發(fā)者標(biāo)注3D影像

在醫(yī)學(xué)影像中，如果一個(gè)醫(yī)院或者一個(gè)企業(yè)想利用 AI技術(shù)構(gòu)建一個(gè)深度學(xué)習(xí)算法，并將其投入使用，那么需要完成4個(gè)步驟的工作。

數(shù)據(jù)是構(gòu)建AI的第一步，在獲得原始數(shù)據(jù)后，研究人員首先需要對(duì)數(shù)據(jù)進(jìn)行特定的標(biāo)注，如標(biāo)注出肺部CT影像中的結(jié)節(jié)部分。要構(gòu)建一個(gè)運(yùn)行優(yōu)異的AI算法，這一步操作至關(guān)重要。

有了標(biāo)注數(shù)據(jù)后，研究人員便需要將數(shù)據(jù)導(dǎo)入到選定的AI模型中，開發(fā)適合于研究人員需求的深度學(xué)習(xí)算法。從國內(nèi)的情況而言，很多研究人員通常是使用開源算法進(jìn)行二次開發(fā)，或是借助于其他領(lǐng)域表現(xiàn)良好的算法進(jìn)行遷移。

第三步是通過測試集對(duì)已有的算法進(jìn)行檢驗(yàn)。研究人員需要把AI模型放到實(shí)際之中，觀察AI的實(shí)際運(yùn)行情況，如果算法不能很好滿足測試集的要求，研究人員可能就需要修改算法參數(shù)，重新開始訓(xùn)練。

當(dāng)研究人員獲得測試表現(xiàn)良好的算法后，便可以嘗試將其部署于設(shè)備端，在真實(shí)的醫(yī)療診斷環(huán)境中進(jìn)行推理工作。到此為止，AI的開發(fā)工作便已基本完成。

NVIDIA開發(fā)Clara AI應(yīng)用平臺(tái)的目的就是為了讓上述的四個(gè)步驟標(biāo)準(zhǔn)化、簡單化，讓研究人員可以更加專注于醫(yī)學(xué)本身的研究。

以數(shù)據(jù)標(biāo)注為例，這一工作本是一件體力活，是“人工”跨向“智能”不可避免的重復(fù)性工作，而醫(yī)生不可能將太多的時(shí)間花在像素點(diǎn)連線之上。所以，一般AI企業(yè)選擇從醫(yī)院尋找剛畢業(yè)的研究生進(jìn)行勾畫，其成本在每組數(shù)據(jù)20－30元，實(shí)習(xí)生處理一組低層數(shù)據(jù)通常需要20－40分鐘，若要使勾畫更精細(xì)，則需花費(fèi)1－2小時(shí)的時(shí)間。

這種數(shù)據(jù)獲取方式存在兩個(gè)重要的問題，一是人工智能訓(xùn)練需要的數(shù)據(jù)量大，企業(yè)很難找到足夠多的實(shí)習(xí)生進(jìn)行勾畫，成本也非常高昂；其次，影像的勾畫通常對(duì)工作人員的資歷要求較為嚴(yán)格，實(shí)習(xí)生常常會(huì)出現(xiàn)結(jié)節(jié)遺漏、標(biāo)注錯(cuò)誤等現(xiàn)象。

從這一需求出發(fā)，NVIDIA在Clara Train SDK中植入了深度學(xué)習(xí)輔助標(biāo)注的組件AI Annotation Server，開發(fā)者可直接使用這一組件對(duì)醫(yī)學(xué)影像進(jìn)行標(biāo)注。

NVIDIA的實(shí)驗(yàn)數(shù)據(jù)顯示，應(yīng)用這一工具包后，單個(gè)肺結(jié)節(jié)的標(biāo)注時(shí)間可降至8－15分鐘，醫(yī)生的標(biāo)注效率可提升4－8倍。此外，通過粗略計(jì)算，胰腺的標(biāo)注速度可提升4倍，脾的標(biāo)注速度可以提升10倍。

此外，在DGX的加速下，NVIDIA可以將數(shù)周才能完成的計(jì)算任務(wù)提速至數(shù)小時(shí)，這將大幅降低醫(yī)療AI企業(yè)的試錯(cuò)成本，企業(yè)甚至可以同步開展多個(gè)算法測試。人工智能的產(chǎn)出，甚至是發(fā)展，都會(huì)因此大大提速。

醫(yī)學(xué)影像應(yīng)用：用聯(lián)邦學(xué)習(xí)破除AI模型魯棒性難題

即便是我們解決了AI開發(fā)中的難題，并不代表就能讓AI走向?qū)嵱�。在上述的步驟之中，我們忽略了醫(yī)學(xué)領(lǐng)域數(shù)據(jù)的一個(gè)重要特征——安全性。由于醫(yī)學(xué)數(shù)據(jù)與生命信息息息相關(guān)，只有在保證數(shù)據(jù)安全的前提下，我們才能談及數(shù)據(jù)的應(yīng)用。

這意味著，企業(yè)或醫(yī)生在訓(xùn)練AI時(shí)，不能把數(shù)據(jù)帶出醫(yī)院，而成熟的AI算法，通常需要克服地域差異，進(jìn)行多中心的試驗(yàn)。如果AI模型不具備魯棒性，就失去了應(yīng)用與臨床的價(jià)值。

雖然數(shù)據(jù)不能出院，但是模型可以，那么我們能否直接將模型融合起來呢？答案是可以的。聯(lián)邦學(xué)習(xí)便是多個(gè)參與單位用各自數(shù)據(jù)訓(xùn)練完成的模型進(jìn)行聚合，以實(shí)現(xiàn)數(shù)據(jù)不出院的情況下多個(gè)模型的統(tǒng)一，最終實(shí)現(xiàn)AI模型的高魯棒性。

聯(lián)邦學(xué)習(xí)與中心訓(xùn)練結(jié)果對(duì)比

通過一個(gè)包含13個(gè)用戶組的融合實(shí)驗(yàn)，NVIDIA得到了上圖結(jié)果。圖中的紅線是以數(shù)據(jù)中心模式進(jìn)行訓(xùn)練得到的模型精度曲線變化情況，綠線是聯(lián)邦學(xué)習(xí)下，13個(gè)模型融合后的模型精度曲線變化情況，可以發(fā)現(xiàn)隨著訓(xùn)練迭代次數(shù)的增加，兩條曲線高度重合，這個(gè)實(shí)驗(yàn)一定程度上證明了聯(lián)邦學(xué)習(xí)的可用性。

NVIDIA工程師在GTC2019講解聯(lián)邦學(xué)習(xí)

不過，新的問題也在不斷出現(xiàn)。如果各個(gè)模型差異很大，那么聯(lián)邦學(xué)習(xí)如何自行“去粗取精”呢？“增量學(xué)習(xí)”將是NVIDIA下一步研究的重點(diǎn)。

除了Clara Train SDK，NVIDIA還開發(fā)了Clara Deploy SDK，用于優(yōu)化PACS已有的工作流。同時(shí)，利用Clara Deploy SDK，醫(yī)生可以在臨床環(huán)境中靈活快速部署醫(yī)療影像AI模型。

基因組學(xué)：數(shù)據(jù)分析與AI構(gòu)造

再談NVIDIA新近瞄準(zhǔn)的基因組學(xué)。2003年首次對(duì)人類基因組進(jìn)行測序以來，整個(gè)基因組測序的成本就一直在下降，而且下降的速度遠(yuǎn)快于根據(jù)摩爾定律所預(yù)測的速度。從新生兒基因組測序到開展全國人口基因組計(jì)劃，該領(lǐng)域正在蓬勃發(fā)展，并且日趨個(gè)體化。

測序技術(shù)的進(jìn)步引發(fā)了基因組數(shù)據(jù)的爆炸式增長。序列數(shù)據(jù)總量每七個(gè)月增加一倍。這一驚人的速度可能會(huì)使得到2025年基因組學(xué)產(chǎn)生的數(shù)據(jù)量比其他大數(shù)據(jù)源（例如天文學(xué)、Twitter和 YouTube）數(shù)據(jù)量總和的10倍還多。

各種新的測序系統(tǒng)，比如全球最大的基因組學(xué)研究集團(tuán)——華大集團(tuán)的DNBSEQ－T7等正在推動(dòng)這項(xiàng)技術(shù)的廣泛應(yīng)用。該系統(tǒng)每天可以生成高達(dá)60個(gè)基因組，產(chǎn)出高質(zhì)量數(shù)據(jù)1－6 Tb。

憑借華大集團(tuán)的流動(dòng)池技術(shù)的發(fā)展以及一對(duì)NVIDIA V100 Tensor Core GPU所提供的加速，DNBSEQ－T7的測序速度提高了50倍，令其成為迄今為止吞吐量最高的基因組測序儀。

但測序的加速工作遠(yuǎn)沒有結(jié)束，科學(xué)家在觀察更加微觀的世界時(shí)提出了新的需求。為了滿足這樣的需求，NVIDIA也在不斷探索。

為了通過加速和智能計(jì)算解決基因組測序和分析日益增長的規(guī)模和復(fù)雜性，NVIDIA創(chuàng)造了Clara Genomics。

通過Clara框架下的Clara Genomics Analysis SDK，研究人員可以加快基因數(shù)據(jù)的讀取、序列對(duì)比，以降低分析成本，提升數(shù)據(jù)質(zhì)量。

Clara Genomics

此外，NVIDIA還收購了Parabricks，這是一個(gè)CUDA加速的基因數(shù)據(jù)分析工具包，可用于發(fā)現(xiàn)變異，并能產(chǎn)生與行業(yè)標(biāo)準(zhǔn)GATK最佳實(shí)踐流程一致的結(jié)果。運(yùn)用這個(gè)工具包，相關(guān)計(jì)算可提升30－50倍，并可利用深度學(xué)習(xí)進(jìn)行基因變異檢測。

NVIDIA Parabricks GPU加速的GATK

通過與華大集團(tuán)合作，Parabricks的軟件可以在一小時(shí)內(nèi)完成全基因組的分析。華大集團(tuán)使用一臺(tái)內(nèi)置8個(gè)NVIDIA T4 Tensor Core GPU的服務(wù)器，證明了可以通過提高吞吐量將基因組測序成本降至2美元，這還不到現(xiàn)有系統(tǒng)成本的一半。

NVIDIA 為 COVID－19 研究人員免費(fèi)提供 Parabricks，了解更多請(qǐng)點(diǎn)擊此處。

AI的未來需要所有人共同開創(chuàng)

隨著深度學(xué)習(xí)進(jìn)入越來越多的領(lǐng)域之中，NVIDIA在為眾多開發(fā)者提供算力支持的同時(shí)，也為其搭好了強(qiáng)有力的“基底”，在這之上，開發(fā)者能夠?qū)⒏�多的精力放在知識(shí)的探索之上，而非受制于如何使用數(shù)據(jù)分析工具。

如今，Clara已經(jīng)擁有了眾多的合作伙伴，在中國，聯(lián)影醫(yī)療、安德醫(yī)智均采用了這一平臺(tái)進(jìn)行合作開發(fā)，在海外，賽默飛世爾、佳能Vital、約翰霍普金斯大學(xué)也與NVIDIA建立了深入的合作關(guān)系。