面向醫(yī)療場景，人工智能作為新質(zhì)生產(chǎn)力的重點方向，已經(jīng)在很多醫(yī)療場景和診療方向提供了大量的產(chǎn)品，提高了效率，增加了醫(yī)療服務的精準性和可及性。尤其是隨著大模型的日益興起，涌現(xiàn)出來的能力已經(jīng)開始對醫(yī)療場景帶來改變。這些大模型在醫(yī)學影像分析、疾病診斷、個性化治療方案制定等方面展現(xiàn)出卓越的性能，不僅提高了醫(yī)療工作的效率，還極大地改善了診斷的準確性。大模型還能通過分析海量的醫(yī)學數(shù)據(jù)，發(fā)現(xiàn)潛在的疾病關聯(lián)和新的治療方法，推動醫(yī)療研究的進步和創(chuàng)新。
大量的醫(yī)療人工智能涌現(xiàn)而出，這些人工智能應用需要從數(shù)據(jù)、算力、算法上提供系統(tǒng)性的平臺支持；另外一方面，大量的醫(yī)療場景需要人工智能的支持，需要有一套訓練、推理、應用構建的一體化平臺，加速人工智能的孵化。因此統(tǒng)籌建設醫(yī)療服務的人工智能中臺，成為了新質(zhì)生產(chǎn)力下的醫(yī)療服務的必須。應滿足自然語言處理NLP、語言識別、圖像識別、人臉識別、醫(yī)療服務智能機器人，提供AI支撐組件和機器識別和深度學習與算法訓練建模、具有數(shù)據(jù)標準和可視化建模能力。可實現(xiàn)模型管理和資源管理。建立人工智能醫(yī)療服務平臺，在醫(yī)療機構臨床工作流方面實現(xiàn)數(shù)字化、便捷化、智能化的全面升級，提升臨床影像病理診斷服務水平和工作效率。平臺及應用要求能同時覆蓋放射影像和數(shù)字病理圖像，且滿足覆蓋多個模態(tài)數(shù)據(jù)、多個AI功能、多個臨床科室、多個應用場景的要求。人工智能中臺體系設計，從五個維度上提供了核心能力：1、從基礎能力上，提供了：數(shù)據(jù)、算力、算法三象限的基礎支持2、從模型生命周期上，包含了模型的：標注、研發(fā)、訓練、推理、應用構建、模型-應用反饋的全流程3、從模型支持維度上，既支持了傳統(tǒng)的醫(yī)療影像、文本、醫(yī)療垂直領域的人工智能模型，更支持了文本大模型、圖像大模型、醫(yī)療混合模態(tài)大模型等4、從平臺管理上，提供了系統(tǒng)性觀測、資源調(diào)度運營管理、模型質(zhì)量監(jiān)管、運營監(jiān)管等5、從AI應用快速部署上，提供了靈活、適配性高的運行沙盒，用于多種類型的AI應用部署（1）多算力、多維度算力調(diào)度管理：統(tǒng)一管理和調(diào)度不同類型和規(guī)模的算力資源（2）多維度監(jiān)控報警：提供系統(tǒng)監(jiān)控和報警機制，確保系統(tǒng)高效穩(wěn)定的運行（3）潮汐調(diào)度、彈性調(diào)度：根據(jù)預設規(guī)則或者彈性自動規(guī)則，自動調(diào)度訓練-推理-人工智能應用之間的算力資源調(diào)度（1）數(shù)據(jù)管理：提供模型訓練、驗證所需的數(shù)據(jù)管理平臺，支持和數(shù)據(jù)中臺對接，進行合規(guī)安全的專用數(shù)據(jù)集的構建和管理（2）標注流程管理：提供基于醫(yī)療標注要求的全流程可追溯的管理（3）數(shù)據(jù)智能標注：提供內(nèi)置醫(yī)療影像、醫(yī)療文本模型、醫(yī)療大模型的全自動、半自動、全手動的標注工具，支持混合醫(yī)療模態(tài)數(shù)據(jù)集自動融合（1）模型研發(fā)：提供從模型構建、訓練、調(diào)優(yōu)到評估的全流程研發(fā)支持（2）分布式訓練：支持超大規(guī)模、大模型的分布式訓練，支持數(shù)據(jù)并行、模型并行、復雜并行工作流的訓練模式（1）模型、數(shù)據(jù)集市：實現(xiàn)模型、數(shù)據(jù)到集市的發(fā)布，調(diào)用部署（2）MaaS服務能力：提供模型即服務的能力，通過平臺提供各種模型服務的接口（3）推理服務：優(yōu)化模型的推理過程，提供自動化的部署能力，提供模型推理的量化優(yōu)化工具（4）調(diào)度服務：提供基于模型推理過程中的并發(fā)，進行多模型、彈性的調(diào)度（5）模型微調(diào)：基于現(xiàn)有基礎模型的快速微調(diào)（3）AI數(shù)據(jù)、AI訪問的匯聚和訪問控制，AI數(shù)據(jù)的主動結構化（4）通過AI結果的指標，自動進行多場景、多應用的聯(lián)動計算，提高AI應用的自動化和智能化水平（5）檢索引擎，可以對歷史AI結果進行大規(guī)模檢索，幫助快速查找和分析，支持更明智的決策。（1）模型測試：提供模型測試環(huán)境和工具，確保模型質(zhì)量和性能
（2）運營管理：提供對模型質(zhì)量的反饋和收集，提供模型調(diào)用過程中的記錄和回顧反饋（1）提供信息采集內(nèi)置工具，支持對文本、網(wǎng)頁、數(shù)據(jù)中臺等系統(tǒng)中提取信息（2）支持基于大模型的文本向量化工具、醫(yī)療圖像向量化工具，向量數(shù)據(jù)庫、多維度的檢索功能（3）支持基于大模型的RAG模式的智能體構建、Agentic工作流構建輕代碼工具（4）支持通過服務接口、對話界面的方式提供給醫(yī)療場景應用使用。用戶通過填寫技能名稱、技能標識等完成技能創(chuàng)建，基于技能創(chuàng)建意圖，進行意圖編輯、測試驗證等功能應用；（1）可以從外部平臺或服務器上下載技能，批量導入到本地平臺；（2）支持技能編輯、技能刪除、單個技能下載和批量選中后下載等維護功能；（3）用戶通過填寫意圖名稱、意圖標識等完成創(chuàng)建，意圖標識不可更改，創(chuàng)建完成后即可基于意圖添加語料，進行語料結構化、技能構建、測試驗證等功能應用；（4）支持意圖的字段編輯、意圖刪除、單個意圖查詢功能；（5）支持讓機器理解用戶意圖的自然語言回答，具體包括：語料、實體、只能貼弧等功能；（6）支持提示意圖是否完成構建，待驗證語料是否包含非法字符，并對已完成構建的意圖進行驗證測試；（7）支持填寫實體名稱、實體標識、描述及內(nèi)容詞條來完成創(chuàng)建；（8）支持自建實體內(nèi)容的編輯、刪除、查詢；（9）支持病歷、報告、醫(yī)療文獻的自動摘要、關鍵詞提取、情感分析和主題建模；（10）支持理解復雜的醫(yī)學術語和上下文，支持醫(yī)生和患者的自然語言交互。（1）支持中文連續(xù)語音聽寫識別，標準或帶口音普通話、粵語的免切換；（2）支持中英文混合聽寫，提供中文中混讀少量的英文聽寫功能；（3）支持按數(shù)字串或數(shù)值讀多種方式的聽寫識別功能；（5）支持短語音(<60s)和連續(xù)超長語音(>3h)識別功能；（7）支持熱詞優(yōu)化，可在服務端添加個性化或全局熱詞，實時生效，提升專有詞匯的識別率；（8）支持對語音停止間隔進行參數(shù)配置，滿足不同場景需求；（10）支持文本規(guī)范化處理，如字母大小寫、數(shù)字串、醫(yī)學單位符號規(guī)整等；（11）支持服務端語音識別服務API和SDK調(diào)用，接口支持Android以及Windows系統(tǒng)；（12）醫(yī)學AI中臺中文語音識別準確率達到96%及以上(第三方機構測試報告)。（1）實時將文字信息轉(zhuǎn)化為聲音信息；（2）支持多個醫(yī)療定制發(fā)音人，滿足多場景合成播報需要；（3）提供多檔語速配置，支持在語音合成時，靈活改變語音播放速度；（4）提供多檔音量配置，支持在語音合成時，靈活控制音量的大??；（5）支持中英文文本的混合播報，其中中文支持普通話和粵語和英語；（6）支持用戶自定義發(fā)音詞典、停頓優(yōu)化等參數(shù)設置的標記語言；（8）醫(yī)學AI中臺中英文語音合成自然度達到4.5分及以上。（1）使用圖像識別技術來自動檢測和分析醫(yī)療圖像，如X光片、CT掃描、MRI圖像和病理切片等，以輔助醫(yī)生進行疾病診斷和治療規(guī)劃。（2）利用卷積神經(jīng)網(wǎng)絡(CNNs)等模型，從圖像中自動學習到復雜的特征表示，用于疾病的識別和分類。;（3）對醫(yī)療圖像進行預處理，包括圖像增強、噪聲去除、對比度調(diào)整等，以提高圖像的質(zhì)量和特征的可辨識性；（4）結合如MRI和CT圖像等多種類型的圖像信息機型進行多模態(tài)融合，以獲得更全面的診斷依據(jù)，提高檢測的準確性和可靠性；（5）利用圖像分割和三維重建技術進行可視化處理，幫助醫(yī)生更好地理解和展示病變的位置和范圍：（6）利用計算機分析人臉圖像，提取特征并與數(shù)據(jù)庫中存儲的模板比對，以確認個人身份的生物識別技術。應用于醫(yī)院的患者身份確認和重要區(qū)域的人員管理等安全驗證、訪問控制等領域。AI中臺基于資源進行建模和應用支撐，其支撐流程如下：（1）利用模型開發(fā)組件，notebook代碼式開發(fā)和工作流拖拉拽組件式，選擇機器學習框架的鏡像構建模型開發(fā)環(huán)境；（2）利用模型開發(fā)組件實現(xiàn)模型開發(fā)，并設置模型訓練參數(shù)，包括計算資源選擇，評估方法等實現(xiàn)模型訓練任務創(chuàng)建，并啟動模型訓練任務；（3）利用模型管理將模型訓練的模型進行統(tǒng)一管理，并設計模型對比、模型版本、模型評估等功能；（4）利用模型管理中抽象的模型將進行模型服務發(fā)布，選擇計算資源、模型路徑、啟動參數(shù)等，實現(xiàn)模型服務發(fā)布。在服務詳情內(nèi)創(chuàng)建模型接口，模型接口對應每一項模型服務的子功能，利用接口實現(xiàn)應用支持。考慮系統(tǒng)數(shù)據(jù)源的復雜性和來源多樣性，平臺支持訪問廣泛的數(shù)據(jù)，包括：結構化數(shù)據(jù)、半結構化數(shù)據(jù)、非結構化數(shù)據(jù)，內(nèi)部數(shù)據(jù)、外部數(shù)據(jù)。（1）為保證數(shù)據(jù)源對接操作的靈活、易用性，數(shù)據(jù)源對接提供圖形化參數(shù)置界面操作，無需掌握復雜的各種數(shù)據(jù)庫技術；（2）支持本地文件的數(shù)據(jù)源接入；（3）支持常見文件格式(txt、csv、Excel等)的數(shù)據(jù)源接入；（4）支持傳統(tǒng)關系型數(shù)據(jù)庫(至少支持Oracle、PostgreSQL、MYSQL)的數(shù)據(jù)源接入；（5）支持分布式數(shù)據(jù)存儲(HIVE、HDFS等)的數(shù)據(jù)源接入；（6）支持MPP數(shù)據(jù)庫(Greenplum、Teradata等)的數(shù)據(jù)源接入；（7）支持非結構化數(shù)據(jù)(文本、圖像、zip格式)的接入；（8）為方便數(shù)據(jù)分析人員進行快速的數(shù)據(jù)定位，針對接入的結構化數(shù)據(jù)需支持數(shù)據(jù)的預覽功能，圖表的形式展示數(shù)據(jù)樣本、字段、字段類型等內(nèi)容；（9）考慮到數(shù)據(jù)的安全性問題，需支持項目級別的數(shù)據(jù)隔離和授權管理。考慮到未來建模需求的普遍性，滿足更多數(shù)據(jù)分析人員甚至業(yè)務人員的建模需求，平臺需支持自動化建模能力，最大程度降低建模門檻，提高建模效率。（1）支持選擇數(shù)據(jù)集后一鍵自動化機器學習建模；（3）支持建模設計可視化，訓練過程可視化，建模成果可視化；（4）支持查看自動機器學習建模所得的機器學習模型的源代碼；（5）支持自動化選擇多種算法模型并調(diào)參優(yōu)化模型；（7）支持自動機器學習建模也一鍵生成可視化分析工作流，實現(xiàn)與拖拽式建模模塊的打通，以便用戶對其進行更加專業(yè)、靈活的優(yōu)化迭代。機器學習模型訓練的最終目標是為了滿足業(yè)務應用服務，平臺需提供模型由訓練環(huán)境到生產(chǎn)環(huán)境的一鍵式部署上線功能，降低模型上線的工程化難度，提高模型部署效率。在線模型服務支持在線部署應用，以API的形式面向上層業(yè)務提供服務。平臺支持多種調(diào)用方式，并提供相應的代碼樣例，包括但不限于同步API調(diào)用、消息隊列異步調(diào)用的實時模型應用方式以及批處理的非實時模型應用方式，從而滿足具有不同延時要求的場景的業(yè)務需求；模型生產(chǎn)化部署需包含特征工程，包含但不限于缺失值填充、歸一化、數(shù)值編碼、OneHot編碼、數(shù)據(jù)集拆分等方法，可以實現(xiàn)通過使用原始數(shù)據(jù)集進行模型調(diào)用；為保證業(yè)務安全、穩(wěn)定，需支持模型的上線審核；支持對模型的生命周期進行管理，提供包括部署、正式上線、灰度上線、影子上線、下線等操作。針對分析場景的多樣化需求和未來可能的數(shù)據(jù)建模需求，平臺需提高豐富的算法庫支持，要求包括：分類、聚類、回歸、關聯(lián)、時間序列、統(tǒng)計、推薦及文本挖掘等不同類型的算法，并支持開發(fā)人員進行自由擴展。支持包括Python2、Python3、PySpark等不同開發(fā)語言的算子。
特別聲明：智慧醫(yī)療網(wǎng)轉(zhuǎn)載其他網(wǎng)站內(nèi)容，出于傳遞更多信息而非盈利之目的，同時并不代表贊成其觀點或證實其描述，內(nèi)容僅供參考。版權歸原作者所有，若有侵權，請聯(lián)系我們刪除。
凡來源注明智慧醫(yī)療網(wǎng)的內(nèi)容為智慧醫(yī)療網(wǎng)原創(chuàng)，轉(zhuǎn)載需獲授權。
