为了更好的验证 DE 超声机器人对医生诊断的支持效果，研究团队与某国内排名前十的三甲医院超声科进行了读片对比，分别遴选出十年资和两年资以上的超声医生与DE 超声机器人的读片结果进行比对，以病理报告的结果(金标准)为依据。竞赛结果表明，资深超声医生的识别准确率平均约为75%， 而超声机器人则稳定在 85% 以上。

　　开发过程中的挑战，及基于英特尔领先AI技术的解决方案

　　在研发过程中，研发团队遇到了如下挑战：

　　1. 原有训练平台使用了 GPGPU 产品，片上内存仅有 8GB，而每次训练需要导入内存的数据超过 12GB， 经过大量重新设计网络、优化计算框架、压缩数据集等方法，将内存需求降低到 6GB，但是最终的效果受到了影响。

　　2. 最初设计了工作站和云版两种部署模式，并实现了工作站平台版本，但未能应用 MKL 加速，单张影像分析时间较长，为后续处理连续 B 超影像带来性能瓶颈。云版需要考虑多用户管理并且在结合医疗机构正常甲状腺管理方面做好整合，工作量较大一直没有开始。

　　3. 在甲状腺 B 超取得显著进展的同时，也开始了乳腺 癌、腹部 B 超、颈动脉斑块等其他方向的研究，原平台最多 4 卡限制了研究效率。

　　英特尔与浙江大学数理学院、德尚韵兴公司一起实现了以下重要进展：

　　1. 共同将模型训练从 GPU 四卡系统迁移至 Intel Xeon Phi 7250 四节点平台，经过优化单节点性能约为元平台处理速度的1.1 倍。

　　2. 共同将预测模型用英特尔的 MKL2017 优化，在 CPU 平台 的评分速度预计获得 8X 以上提升。

　　3. 共同改进算法准确度，进一步提高图像识别的精度。

　　4. 引入英特尔医疗生态链合作伙伴经纶世纪，共同将基于单机的 DE 诊断系统升级为云服务方案，并部署在阿里云平台，支持在浙大医院超声科的实时业务。

　　5. 与经纶世纪依照美国甲状腺协会指南的甲状腺风险度评估与管理系统集成，并成功推广到面向 2000 万人口的中国健康促进基金会全国筛查项目。

　　英特尔人工智能系统化解决方案

　　图四:深度学习步骤示意图

　　英特尔秉承人工智能大众化的理念，致力于不断推出易于部署和开发，高效能的深度学习平台。英特尔的深度学习体系分别对针对训练和评测两个环节进行了优化，共享共同的基础架构和开发环境，使得开发、维护、代码复用等大大简化。

　　图五:英特尔深度学习系统化解决方案

　　英特尔深度学习训练服务器

　　英特尔的深度学习平台可以基于 Xeon 或者 Xeon Phi 众核处理器来构建。其内置了诸多模块，使开发者进行机器学习开发更加容易。英特尔开发了深度学习加速函数加强它广泛应用的 MKL (Math KernelLibrary)数 学 库，并通过 DAAL (Data Analytics Acceleration Library) 数据分析加速函数库提供 分布式机器学习功能，它对基于 IA 的硬件平台进行了深度优化。这两个库都可以通过“社区许可”免费获得。