在GPU無法滿足復雜數(shù)據(jù)集要求的情況下，英特爾通過其基于CPU的解決方案提供檢測結果。

Madhu Nair博士和Asha Das博士即將取得巨大突破，即利用人工智能（AI）模型在從患者組織樣本中獲取的掃描圖像中檢測乳腺癌細胞。

然而，這兩位來自印度的研究人員面臨著巨大的挑戰(zhàn)。通常，他們需要花費數(shù)月的時間，艱難地教他們的AI模型去準確地識別癌細胞。而Das與她的團隊經常需要耗費數(shù)周來審閱高分辨率、百萬像素的圖像，并逐一標記出癌變區(qū)域。

因此，該團隊需要一個能夠在無人監(jiān)督的情況下，準確、快速掃描這些圖像的解決方案。

針對這種情況，英特爾提供了幫助。

2022年，來自印度科欽科技大學人工智能與計算機視覺實驗室的研究人員Madhu Nair博士和Asha Das博士與英特爾工程、銷售及市場團隊展開合作，利用英特爾至強可擴展處理器，以及充分利用英特爾CPU加速功能的英特爾 TensorFlow優(yōu)化軟件套件，打造了一個全新的解決方案。

高需求之下，GPU力有不逮

目前，乳腺癌早期跡象的發(fā)現(xiàn)很大程度上依賴于放射科醫(yī)生以及負責手動掃描組織病理學結果醫(yī)生的專業(yè)知識。然而，僅僅依靠人眼存在弊端。根據(jù)美國國家癌癥研究所的數(shù)據(jù)，約20%的乳腺癌跡象正在被遺漏。

而AI在這方面可以提供很好的幫助。隨著近期算力技術的突破，越來越多的醫(yī)院開始熱衷于使用AI來發(fā)現(xiàn)醫(yī)生可能錯過的跡象。12月，英特爾與賓夕法尼亞大學醫(yī)學院聯(lián)合宣布，其已幫助研究人員將癌性腦瘤的檢測率提高了33%。

Das表示，她的團隊首先采用了基于GPU的解決方案以提升其深度學習模型。然而，他們發(fā)現(xiàn)，由于處理大型圖像所需的計算量遠遠超過了系統(tǒng)的設計極限，其基于GPU的系統(tǒng)經常會卡頓，甚至毫無原因地出現(xiàn)死機或重啟的情況，令人十分沮喪。

“我們的模型在計算上要求很高，我們試圖用GPU來訓練模型的嘗試以失敗告終”，Nair寫道，“我們耗費了數(shù)日進行執(zhí)行，并且發(fā)現(xiàn)GPU很難完成更高分辨率圖像的訓練，因此，我們不得不探尋更好的計算設施。”

英特爾通過硬件及軟件提供服務

2022年，Nair發(fā)現(xiàn)了英特爾或許能夠提供幫助。當時，他與一位戴爾員工正在就另一個研究項目進行會面，Nair提出了他所面臨的挑戰(zhàn)，而戴爾則將Nair介紹給了英特爾印度團隊。

幾個月后，他們部署了四臺服務器，在沒有任何深度學習加速器的情況下，作為單一的計算集群運行。這些服務器和存儲使用高速以太網(wǎng)網(wǎng)絡進行連接。

在軟件方面，該聯(lián)合團隊采用了英特爾TensorFlow優(yōu)化，該軟件套件通過利用英特爾CPU的加速功能來提升TensorFlow的性能。

“我與英特爾團隊分享了我們的問題，非常高興他們迅速理解了這項工作的重要性”，Nair表示，“他們給了我們使用這種分布式架構的機會。”

Asha Das博士，印度科欽科技大學人工智能與計算機視覺實驗室的研究員。利用英特爾的硬件和軟件，其與Madhu Nair博士打造了基于CPU的解決方案，能夠在醫(yī)療圖像上檢測出乳腺癌的早期跡象。

Madhu Nair博士，印度科欽科技大學人工智能與計算機視覺實驗室的研究員。利用英特爾的硬件和軟件，其與Asha Das博士打造了基于CPU的解決方案，能夠在醫(yī)療圖像上檢測出乳腺癌的早期跡象。

新的解決方案不僅準確而且快速

這些結果正是研究人員所期待的，而且還有一個超乎預期的收獲：他們的模型不僅能標記出癌細胞，還能區(qū)分出不同等級的癌癥。

而且它非常準確：該解決方案達到了98%的準確率--比其他模型好約10個百分點。(了解更多關于該解決方案的信息：CUSAT通過深度學習改善癌癥篩查結果）。¹

這是個一開始就設定的高標準。

此后，該團隊在更多的數(shù)據(jù)集上訓練其模型，研究人員預計這一準確率將逐步上升。

“英特爾的架構非常‘神奇’”，Nair表示，“我們能夠在幾個小時內完成訓練，這其中有很多原因。因為服務器有192GB的內存，比顯卡上的40GB或80GB還要多，而且我們能夠使用高分辨率的圖像，并將整個模型裝入內存。此外，英特爾還幫助我們改進模型，并與我們共同優(yōu)化，以保證其正常運行。”

Das指出，考慮到相較于其他模型所需的訓練數(shù)據(jù)要少得多，這一準確性結果更加令人印象深刻，而且極大縮短了反饋時間。她補充道：“我們對結果非常滿意。”

“我們能夠在只擁有20%被注釋數(shù)據(jù)的情況下，收獲98%的準確率，這很了不起，而且很令人興奮。”

即將在你身邊的病理中心出現(xiàn)

接下來，對于這項技術而言，團隊將等待以確保能獲得專利，并與愿意顛覆一個習慣于人工干預的市場領域的商業(yè)合作伙伴達成合作。對此，Das分享了一些可能需要咨詢多位病理學家的掃描結果，每位病理學家根據(jù)他們不同的經驗提供自己的結論。

還有一個問題是準確性。雖然98%的準確率可能看起來很高，但對于實際應用來說，它依然不夠精確。

現(xiàn)在，Das和Nair都已經證明他們的模型能夠可靠地檢測乳腺癌細胞，他們正在研究將類似的方法，應用于腦動脈瘤和對內窺鏡檢查中的息肉分類。

Das指出：“我們還計劃擴展這個模型，以檢測多器官癌癥”，她補充說，因為乳腺癌經常擴散到手臂下的鄰近淋巴結，所以她現(xiàn)在正在努力擴展這個解決方案，以分析淋巴結圖像。

Nair表示："我們很感謝英特爾的支持，而且也期待未來能展開更多類似的合作。"

1https://www.intel.com/content/www/us/en/customer-spotlight/stories/cusat-customer-story.html