HackForHealth –人工智能加速主动脉瘤检测

在这篇由两部分组成的Intel® DevCup专题报道的第一部分中，我们介绍了首批进入Intel DevCup决赛的团队之后，本文将深入介绍由荣光科技和高雄长庚纪念医院组建的HackForHealth团队开发的应用。

HackForHealth是第二个在DevCup中使用UP Xtreme i12 Edge并进入决赛的小组。HackForHealth的应用目标既令人钦佩又很艰巨，他们想通过人工智能使缺乏经验丰富医务人员的农村社区更容易进行腹主动脉瘤（AAA）筛查。这意味着，在人工智能检测的帮助下，初步AAA筛查将更加准确，并可用于农村社区。最终，实现这一目标将使更多的高危病人得到早期发现和对潜在的致命疾病进行干预。

应用架构

通过搭载第12代Intel® Core™ i7-1270PE处理器的UP Xtreme i12 Edge，以及该设备对Intel® Distribution of OpenVINO™ Toolkit的支持，HackForHealth开发了一款推理模型，可以识别患者主动脉的位置和宽度，同时检测超声图像中是否存在肿瘤。

UP Xtreme i12 Edge的GPU图像分类推理性能是上一代的2.81倍，能够区分显示正常主动脉成像的腹部超声和那些有肿瘤的超声。此外，该模型还提供了识别患者主动脉位置的指导，使经验不足的医务人员更容易定位主动脉。

使用在OpenVINO Runtime上运行的实时YOLO实例分割OpenVINO FP16模型，应用程序需要大量数据用于推理训练，这与模型在识别显示健康主动脉功能的图像和具有病变或其他问题的图像时的准确性相对应。

实时数据从声波成像相机通过USB端口传输到UP Xtreme i12 Edge，使用Intel® Iris® Xe显卡以4K显示。为此，该系统的HDMI 2.0b端口起到了连通的作用，为患者的超声提供清晰的图像以供分析。然后，应用程序将立即提供AAA检查报告，详细说明图像采集质量、主动脉的最大和平均宽度，以及基于其结果的建议。这有助于成像专家确定患者是否有患腹主动脉瘤的风险，需要进一步调查。

影响

虽然HackForHealth进入了比赛的决赛，但数据采集问题对应用的成功实施构成了障碍。正如在工业自动化和智能城市等领域部署图像检测应用的使用和精度呈指数级增长所看到的那样，使用AI推理进行图像识别可能非常精确。然而，建立模型以检测医疗问题所需的数据的敏感性使开发人员无法获得足够的训练数据，这意味着这样做所需的时间和资源要多得多。

如果不能获得大量的患者数据来构建应用的推理模型，那么医学成像应用的开发将非常困难。因此，重要的是赞扬HackForHealth应用程序的独创性，并强调在几个月内取得的成就。虽然该申请没有获得奖项，但它表明，在监管机构的资助和合作下，人工智能可以对农村公共卫生结果产生颠覆性转变的影响。因为农村地区缺乏合格的医疗人员、设备和公共资金，人们获得医疗保健的机会有限，人工智能辅助预防性医疗筛查的广泛实施有可能改善数百万人的生活，HackForHealth的成功概念证明了这一点。