医学影像，越来越需要AI的帮助了。
根据数据统计，目前我国医学影像数据年增速在30%，但影像科医生年增速却只有4%，医生面临较大的工作压力。
那么，AI医学影像市场发展得如何呢?
AI影像行业，是人工智能在医疗领域里面探索最久的赛道之一，近年来人工智能辅助诊断三类证的获批数量持续增长，整个人工智能医学影像市场预计会在4年左右的时间突破百亿，保持高增长。参考亿欧智库发布的《2023年中国人工智能医学影像产品生态路线研究报告》，2023年我国AI医学影像市场规模为24亿元，2030年将达到 137.4亿元，年复合增长率为33.8%。
虽然有了AI帮忙，能提升诊疗效率、改善患者就医体验，但同时也带来一个问题：
医院对于医学影像系统的花费越来越高了，患者看病的成本也大幅提高。
所以在这个技术飞速进步的时代，医院不是简单采用新技术就能造福患者的，也要综合考虑投入产出，才能关怀到每个病人。
在这样的背景下，医学影像系统如何在满足功能、性能需求的同时降低总体拥有成本 (TCO)，就成了关键问题。
以东软智慧医学影像信息系统PACS/RIS为例，该系统提供了覆盖检查预约、到诊排队、用药管理、检查管理、影像诊断等在内的一体融合全医学影像管理能力，可辅助医生更好地开展工作。东软在新一代的PACS/RIS产品中，就采用了基于CPU的方案运行三维可视化、AI推理等工作负载。
在三维可视化加持下，融合影像分析等技术，让医务人员通过旋转、缩放、分割、图像增强等操作，从多角度清晰了解到医学影像中各结构之间的空间位置关系，在疾病诊断的可视化、术前评估、手术规划、手术实时指导等方面发挥重要价值。
要知道三维可视化、AI推理都是非常吃硬件性能的，好在经过指令集、软件等方面做性能优化后，东软将PACS/RIS系统的三维可视化效率提升达2.45倍，AI推理性能提升高达8.49倍，并有效地控制了成本。
到这里看似圆满结局了，但其实过程中还有更多的细节更值得关注和借鉴，比如系统性能是如何优化提升上去的，CPU又为什么是破局的关键?
##性能如何搞上去？
东软集团相信大家并不陌生，作为中国第一家上市软件公司，在医疗健康领域已深耕多年。
这次他们之所以选择英特尔当合作伙伴，正是因为在三维可视化和AI推理这两大性能杀手面前，第五代英特尔® 至强® 可扩展处理器拥有两大法宝：
OpenMP与SSE4(Streaming SIMD Extensions 4)指令集，和英特尔® AMX加速器。
首先来看三维可视化部分。
东软主要采用了体渲染(Volume Rendering)技术，通过OpenMP与SSE4指令集支持光线合成的实现。
SSE4指令集不仅扩展了Intel® 64指令集架构，还加入了图形、视频编码及处理、三维成像等方面的指令，使涉及音频、图像和数据压缩算法的应用程序性能大幅提升。
为了找出执行三维可视化任务时，其产品在部分应用中性能不足的瓶颈所在，东软使用了英特尔提供的VTune™ Profiler工具，最终确定了瓶颈函数SafeGradz。该函数主要利用SSE4指令集进行三线性插值，从而实现光线上点的梯度计算。通过对该函数的代码进行优化，东软成功提升了三维可视化应用的性能。
在不同代英特尔® 至强® 可扩展处理器上进行测试，结果显示，在处理器开通4并发8线程时，第五代英特尔® 至强® 铂金8592+处理器的三维重建效率，相比第二代的英特尔® 至强® 银牌4210R处理器提升达2.45倍，让三维影像的交互更加流畅顺滑。
图注：PACS/RIS 系统的三维重建应用运行效率比较
第五代英特尔® 至强® 铂金8592+的主频为1.90GHz，比第二代英特尔® 至强® 银牌4210R的2.40GHz主频还要低。
更进一步说明了，性能提升靠的不是主频提升，而是靠适合工作负载的指令集和各种优化工作。
接下来看AI推理部分。
东软借助处理器内置的英特尔® AMX(高级矩阵扩展)技术，让CPU也能轻松驾驭深度学习任务。
英特尔® AMX针对广泛的硬件和软件进行了优化，在前代VNNI和BF16技术的基础上，进一步增强了矩阵计算能力，最大限度地利用计算资源，改善高速缓存利用率，避免潜在的带宽瓶颈。
东软在第二代/第四代/第五代英特尔® 至强® 可扩展处理器上，测试了不同参数规模的AI模型在同步和异步模式下的推理表现。
测试数据显示，对于参数量为31,185,568的较大模型，在BF16精度和异步模式下，第五代英特尔® 至强® 铂金8592+处理器相比第二代英特尔® 至强® 银牌4210R处理器，推理性能提升高达8.49倍。这意味着AI辅助诊断能以更快的速度为医生提供洞见。
图注：BF16 精度下的异步推理性能比较
之所以选择第五代英特尔® 至强® 可扩展处理器，除了其本身性能够强之外，还有一些额外的好处。
比如辅以英特尔提供的OpenVINO™ 工具套件优化和部署各类模型，还可跨英特尔® 硬件扩展计算机视觉和非视觉工作负载，从而大幅提高性能，达到软硬协同的效果。
又比如第五代至强® 与上一代产品在软件和平台上兼容，因此在部署新系统时可以大大减少测试和验证工作。
……
在减少测试和验证这里，其实也起到一些节省成本的效果了。
不过在省钱这件事上，除了与具体技术优化相关，还有更多行业经验可以分享。
##成本怎么打下来
其实医疗行业在选择硬件这件事上，CPU早已成为各大玩家们眼中的“香饽饽”。
原因也是很简单，GPU固然在性能方面存在一定的优势，但“硬伤”也是比较明显，那便是成本过高。
并且从宏观角度来看，大模型的火热确实催动了GPU需求的激增，在训练阶段尤甚;但现如今到了以推理为主的阶段，如何能让AI“快好省”地用起来成为了关键点。在部署时盲目堆GPU不仅可能会造成算力过剩，出现“大炮打蚊子”的现象，更是会导致成本的“水涨船高”。
而诸如第五代英特尔® 至强® 这样的高端CPU，不仅能够很好地跟上性能的脚步，在成本的控制方面也是给出了满足成本条件的更加可行、更符合实际的方案。
一言蔽之，高性价比才是关键中的关键。
其次，CPU也算找准了“赛道”——部分医疗场景的AI推理具备批处理特性，对AI推理时延性能不敏感，更适合采用CPU进行推理。
具体到性能方面，第五代英特尔® 至强® 的“打开方式”是这样的：
●整体性能提升：21%
●推理性能提升：42%
●内存速度提升：16%
●三级缓存提升：2.7倍
●每瓦性能提升：10倍
也正因如此，第五代英特尔® 至强® 在处理多样化的任务负载时，可以显著提升每瓦特性能，尤其在人工智能、数据中心管理、网络操作和科学计算领域，而且还能显著降低总体拥有成本（TCO)。
而这也还仅是东软等医疗行业选择CPU的原因之一，广泛的兼容性和成熟的技术也是不可忽视的。
众所周知，CPU技术的发展相对来说较为成熟，几乎所有软件应用和操作系统都能在CPU上良好运行。
而在医疗行业中，存在大量基于传统架构开发的软件，这些软件通常设计为在标准的CPU上运行。因此，使用CPU可以确保与现有系统和软件的广泛兼容性。
其次，CPU易于维护和升级也是重要的一点，而GPU在这方面会显得更为复杂。医疗行业依赖于稳定运行的系统来保证服务的连续性，因此更倾向于选择维护简便、升级路径明确的硬件解决方案。
加之CPU早已在医疗行业上岗，广泛用于电子病历系统、医院资源规划系统等，培养出成熟的技术团队，也建立了完善的采购流程。
因此，为什么医疗行业青睐于CPU、为什么越来越多的人会选择CPU做AI推理，也就不难理解了。
在这一点上，或许也正应了英特尔CEO帕特·基辛格曾经表达过的观点：
>从经济学的角度看推理应用的话，很多客户并不需要高端的GPU设备，因为它成本太高，耗电太多，并且需要构建新的技术架构，以及新的IT设施，一切都是全新的挑战。
>如果我能在标准版的英特尔芯片上运行AI应用且满足需求，就不会出现这些问题。
##能用起来才是硬道理
如果说东软选择第五代英特尔® 至强® 这件事是一个“点”，它其实能够带出来的是一个更大的“面”——
技术，需得广泛用起来，这才是硬道理。
诚然现在是以大模型为主流的时代，但回看2023年至今的发展，其实也是在印证着这一点。
起初大模型的发展先是掀起了以训练为主的百模大战，而后又迅速转向了推理阶段，也就是技术要落地。
到了今年，这一趋势也是越发明显，不论是OpenAI、谷歌等巨头，还是乘AIGC东风起家的初创，都在发力于如何让AIGC更好地用起来。
一言蔽之，现在已然是应用为王的阶段。
而要让前沿技术做到真正落地，就必须要在性能和成本之间做好平衡;或许这也正是近期国内大厂们掀起疯狂“价格战”的原因之一。
但无论AI如何发展，算力，永远是绕不开的一个话题。
因此，站在现在这个“AI一日，人间一年”的时代，纵使技术日新月异，要想让它们广泛被用起来，性能和成本之间的这杆秤，需是得从最底层的基础设施抓起。
而东软和英特尔的合作模式，是一个可以值得借鉴的“范本”了。
