医疗信息化≠真正智慧医疗
“十三五”强调要促进健康中国的建设，其中智慧医疗被提上日程，智慧医疗成为深化医改、推进健康中国建设的重要技术手段。智慧医疗在百度的解释是通过打造健康档案区域医疗信息平台，利用最先进的物联网技术，实现患者与医务人员、医疗机构、医疗设备之间的互动，逐步达到信息化。作为建设智慧城市的一部分，智慧医疗对缓解看病难这一社会问题具有积极的推动作用，但是，如果把智慧医疗仅仅定义为医疗信息化，未免有些狭隘。
不可置否，目前医疗产业面临的大医院人满为患，社区医院无人问津，病人就诊手续繁琐、看病难等等问题，都是由于医疗信息不畅，医疗资源两极化等原因导致的。近年来，医疗改革在医疗信息化的浪潮中取得了巨大成就，可以使患者用较短的等疗时间、支付基本的医疗费用，就可以享受安全、便利、优质的诊疗服务。比如目前部分医院支持在线预约专家、微信挂号及在线支付等功能，以及未来电子病历及健康档案的落地，确实在一定程度上减少了病人的等诊时间及看病成本，但这并不是智慧医疗的全部。
对于帮助诊疗方面，目前国内仅局限于不到10%的文字和数据类的结构化数据利用，对于大量的非结构化医学影像数据缺乏认知分析。由海归博士团队联手成立的杭州健培科技有限公司，从2014年开始与国内外著名的研究机构和高等院校展开合作，致力于医学影像大数据分析技术(MIBA)的研发及应用，并通过深度学习技术，建立人工智能诊断系统，帮助医生诊断各种疾病，推动我国医疗创新领域理念从“方便诊疗”走向“帮助诊疗”，以此改变我国医疗卫生资源分配不平衡、看病难、看病贵等问题。这也是智慧医疗的关键重要组成部分。
杭州健培科技有限公司CEO程国华表示，目前国内智慧医疗看到的只是医疗信息化这一基础层面。针对一个医院的信息化，软件工程师基本可以全部搞定，但是真正做到智慧医疗，仅仅做医疗信息化是远远不够的，智慧医疗最重要的是洞察大量非结构化大数据背后的价值，以帮助医生在最短的时间内做出最精确的诊断。
深度学习与医学影像诊断
当下互联网+推动了医疗行业大数据爆炸，据权威调查数据显示，医疗行业非结构化数据占整个数据量的90%左右，医疗行业的非结构化数据主要包括医疗PACS系统产生的医学影像，比如DR，CR,MRI等，如果能够深挖这些海量影像数据背后的价值，将对精准医疗研究、个体化治疗、疾病治疗与疗效评价、重大疾病的风险评估等具有重要的意义。目前，通过深度学习技术，可以解读医疗影像数据，这在国外已经有不少落地性案例，比如，伦敦帝国理工大学今年就宣布运用深度学习技术为基础的脑部影像图像分析工具，以协助医生诊断大脑出现的损伤情况。但国内在医学图像分析领域的应用案例还是一片空白。
对此，健培科技在国内率先利用自主研发的“两朵云”产品进入医疗影像分析领域，即HealthView驻地云和HealthView诊断云。HealthView驻地云能有效的对医院的非结构化数据存储系统整合和优化配置，进而为诊断云提供了数据仓库。而诊断云侧重于非结构化数据的分析和挖掘，将影像数据的重要临床实用价值发挥出来。比如长久困扰放.
射科的肺癌早期和乳腺癌早期筛查误诊率居高不下的问题，通过计算机智能诊断的精确性，能够极大的降低人为阅片的误诊率，通过计算机的高性能和不间断运行，也能有效减轻放射科医生的工作负荷，从而改善整个放射科的工作效率和质量，最终提升患者就医体验。
从技术创新角度而言，程国华说，“传统的基于Hadoop的大数据处理平台，有很多弊端，而且性价比也不高。随着医院云平台需求的深入，原来的架构已不能承载。目前Spark架构是最先进的，虽然Spark概念已提出几年，但是在医疗行业的应用还是全新的。对于医疗影像大数据应用来讲，它不仅能将性能提升至几十倍甚至上百倍，同时可以降低存储需求。”基于Spark架构驻地云可以帮助医院进行存储、分享及传输医疗影像数据，还可以即时的交互，在此基础上嫁接诊断云，整个医院将变成智能化。
HealthView诊断云在驻地云的基础上，结合最新人工智能算法，实现海量相似病例检索和医学影像智能诊断，极大地帮助医生进行定位病症、分析病情和指导手术，属于“临床决策系统”的一部分，也是医学科技发展的前沿方向。利用深度学习技术结合云计算平台对医学影像做分析，可以大大提高医生的诊断率。据了解，放射科医生诊断效率可以从原先的半小时一个病人到1分钟一个病人，精准度从70%到85%到90%的一个逐一变化来提高整个医院的诊断效率与准确度。这种帮助诊疗在一定程度上大大缩短了病人的等疗时间，而且可以得到最精确的诊断。因此，帮助诊疗是智慧医疗很重要的一部分。
目前健培科技联合建立的研发实验室，首先是通过对肺部影像的分析来诊断各种疾病，程国华表示，医生根据传统的医疗影像，虽然可以判定疾病类型，但是由于肺部形状不规则，发病部位往往十分复杂，因此对诊治造成困难，难以量化分析，而且医生也难提供个性化治疗方案。但是基于深度学习的人工智能诊断，可以快速给出诊断意见，并且诊断率达78%，远远高于目前的临床诊断准确率。程国华强调，未来健培科技将会陆续对几十种疾病进行实验分析。
GPU耗能和数据流传输怎破?
医疗影像大数据与一般的数据不同，一般的大数据是数据量大，但单个文件不大。而医疗影像大数据是单个文件超大。在进行云计算时，GPU资源消耗会特别大，而且耗能耗电会造成系统的不稳定。云计算平台是深度学习技术的基础平台，因此，解决GPU耗能问题将是对医学影像进行智能化分析的关键。
在谈到此问题时，程国华表示，绘图运算在电影中的应用已经相当成熟了，但是，我们平时看到的维妙维真的动画，其实背后的GPU耗能很大。往往一部电影做完至少需要三年的时间，如大型动画电影《疯狂动物城》，整整做了七年，才呈现出我们现在看到的震撼画面。动画不仅仅是呈现图片那么简单，它需要大量的渲染，因此其背后的运算量十分耗能耗时。如果海量的非结构化影像数据全部采用GPU作为计算单元，医院将需要支付巨额的服务器和电力使用费用，对机房的建设也有严格的要求，不利于产品的推广、部署和使用。程国华解释，健培科技自主研发的基于FPGA架构的影像分析可以解决GPU运算性能功耗高的问题，FPGA架构特点是在低功耗的情况下完成高强度的计算任务，有助于深度学习技术真正的应用于临床实践。
另外，医疗影像数据有别于其他机器视觉应用数据的一大特点是图像的连续性，单张图像不具备分析价值，只有连续的图像序列才能对病灶进行完整分析，比如一个病灶的CT影像常由多个切片构成，只有通过三维重构将所有的病灶切片
构建成三维模型，计算机才能更好的进行分析诊断。健培科技自主研发的三维图像深度学习计算引擎在医疗行业属于首创，与传统的图像深度卷积网不同，三维的卷积网在网络结构设计和并行计算方面都面临巨大挑战，并且没有现存的框架和库可以使用，健培科技通过大量的实验和探索，研制出了计算性能(训练和测试时间消耗)和精确度都得到医院客户认可的深度神经网络，基中有五项获得发明专利。
政产学研用融合推动智慧医疗
众所周知，物联网、移动互联及深度学习技术的迅猛发展，给医疗产业带来广阔的发展契机，但是，无论是医疗信息化的建设还是帮助医疗，必须以政产学研用相结合的模式共同推动，否则，任何一方孤军奋战都是一意孤行，无法真正的推动智慧医疗落地。
程国华表示，在国家医改政策的大背景下，政产学研用缺一不可，医疗大数据分析项目必须联合当地政府、卫计委、研究院、企业、医院主体等共同推动医疗产业的发展。今年5月份，健培科技与哈尔滨南岗区签订项目战略合作协议，健培科技投资7亿落户到哈尔滨南岗区的医疗大数据项目，是政产学研用相融合模式的典范。健培科技联合哈尔滨市政府、卫计委、哈医大、三甲医院的战略合作，共同推动哈尔滨市医疗大数据互联互通，使医疗资源整合共享，最大限度的发挥医疗大数据的价值和优势，尽快将最新技术成果用之于民。
据了解，本医疗大数据中心项目主要致力于医学影像大数据分析和存储，建立人工智能诊断系统，实现机器辅助医生对疾病进行诊断，主要是以帮助诊疗的方式来推动国内智慧医疗建设。
另外，运用深度学习技术的智能诊断，对影像质量要求十分高，因此医学影像必须严格符合一定的拍片标准，才能更好进行分析与智能运算，但是医疗影像质量的标准化没有那么简单，必须联合政府、医疗、专家及协会共同研究与制定。据悉，健培科技正在积极联合北京、上海大医院以及部队第三零九医院等其他几家地方医院来推动影像质量与拍片标准化工作，过程虽然不易，真正落地或许也要3-5年时间，但这是未来的大趋势。 
