在2018未来医疗100强的VB100发布日上，全球著名的信息技术、电信行业和消费科技咨询、顾问和活动服务专业提供商国际数据公司（IDC）发布了《专业化医疗人工智能平台驱动医疗AI从实验到实践》的白皮书。人工智能在医疗领域的应用面临数据、算法和运算能力的三重挑战，在人工智能医疗领域GPU计算平台为医疗人工智能应用提供了无可比拟的核心算力支持。
从左至右分别为NVIDIA中国医疗生命科学首席架构师余昶、NVIDIA中国区高级市场总监刘念宁、
国际数据公司（IDC）高级研究经理肖宏亮
AI 计算平台的领导厂商NVIDIA 推出了CLARA开放平台，旨在帮助医疗行业构建和部署具有突破性的算法，实现医疗仪器的智能化和医疗工作流程的自动化。CLARA提供一个开放的、可扩展的、可远程的通用平台，将存储在医疗设备中的数据转换为动态的医学影像数据，它的数据量和数据维度已经超出设备本身采集到的医疗影像数据的维度。CLARA可以帮助医疗设备提升成像质量，降低因为医疗设备产生的误诊率。
NVIDIA CLARA AGX 系统是CLARA平台的核心，为开发者提供丰富的开发工具，开发者可以通过调用CLARA AGX 系统提供的软件开发工具包（SDK）重新设计、重新开发医疗工作流程。同 时，开发者可以将应用产品部署到嵌入式、预置式和云端等多种计算环境中。
NVIDIA的CLARA产品未来规划将为所有医疗影像提供统一支持服务。以期在未来的医疗影像系统间以及将来跨各医疗系统间的交互中，为单独进行的医疗诊断提供整合诊断服务的功能。
人工智能技术的逐渐成熟推动了医疗行业的发展，而芯片作为整个医疗人工智能发展的核心环节，为医疗服务系统升级提供计算能力的支撑。GPU是当前人工智能计算的主要平台，例如在发展最突出的医学影像领域，辅助影像诊断的关键是使用深度学习识别并提取影像中的特征点，基于大量影像数据进行模型训练。使用GPU作为加速方案可以大幅提高图像分类的效率，在卷积神经网络框架（Caffe）下，一块GPU可以在一天之内进行几千万次的影像运算。
以卷积神经网络（CNN）为例，由于神经网络中大量的神经元本质上是高度平行的，这与GPU的计算特性不谋而合，使用GPU训练模型的速度比使用CPU大幅提升。深度学习中包含大量稠密的矩阵运算，处理这些矩阵运算时，使用GPU可以将矩阵计算效率提升6-17倍。除GPU外，专用集成电路（ASIC）和现场可编程门陈列（FPGA）也是深度学习比较有代表性的加速方案，但受性能、成本等因素影响，GPU在医疗人工智能领域更受到普遍认可。
构建一个算力强大的计算平台是人工智能开发成功的根本要素之一。因为深度学习中需要非常巨大数量的数据输入给训练模型，训练模型则需要进行巨大规模的运算来训练模型使其具有智能，所以人工智能平台的计算能力是其成功的一个关键要素。
目前，人工智能计算平台主要基于GPU来进行训练和推理 。也有一些AI系统使用CPU、FPGA、高性能处理器（TPU）等芯片。目前各大服务器厂商也都开发了用于机器学习和运行人工智能系统的服务器，例如浪潮、联想、戴尔、新华三等服务器厂商。NVIDIA也开发了用于人工智能系统的超级计算机DGX系统。
NVIDIA的最新医学成像超级计算机——CLARA。它利用深度学习技术，将世界各地300万个医学影像设备中存储的医疗影像数据转换为 “最先进的” 全彩色动画成像。这开启了在人工智能和深度学习行业中将大量数据进行重复利用的可能性。
NVIDIA CLARA作为一个开放平台，帮助医疗行业构建和部署具有突破性的算法，实现医疗仪器的智能化和医疗工作流程的自动化。CLARA提供一个开放的、可扩展的、可远程的通用平台，将存储在医疗设备中的数据转换为动态的医学影像数据，它的数据量和数据维度已经超出设备本身采集到的医疗影像数据的维度。CLARA可以帮助医疗设备提升成像质量，降低因为医疗设备产生的误诊率。
NVIDIA CLARA AGX 系统是CLARA平台的核心，为开发者提供丰富的开发工具，开发者可以通过调用CLARA AGX 系统提供的软件开发工具包（SDK）重新设计、重新开发医疗工作流程。同 时，开发者可以将应用产品部署到嵌入式、预置式和云端等多种计算环境中。
NVIDIA的CLARA产品未来规划的一个功能是为所有医疗影像提供统一支持服务。CLARA平台为通常单独进行的诊断服务提供了一个整合诊断服务的机会 。尽管当前还不能完全提供这种支持，但是在未来的医疗影像系统间以及将来跨各医疗系统间的交互中将实现这个功能。
渝公网安备 50011202502165号
