您是開發者還是資料科學家?

尋找最佳化的架構和資料庫、1參加人工智慧課程,並探索在 Intel® 平台上打造的社群專案。

前往 Intel® 開發人員專區 ›

透過整合式最佳化的架構、工具和程式庫的方式,在最新的 Intel® 硬體上免費開發並測試您的人工智慧工作負載。

前往 Intel® DevCloud ›

透過人工智慧推廣大眾健康

科技可豐富你我的生活,尤其是在科技有機會協助預防、治療與治癒疾病時。Intel 與生態系統中的領導者合作,在健康與生命科學界中掀起革命,無論是加速發現藥物來加快製藥開發,還是提升醫療保健服務的普及度與可負擔程度。在醫療保健領域中運用人工智慧(包括電腦視覺、機器學習和深度學習),為這個目標帶來關鍵成效。人工智慧再加上有力的資料管理基礎架構,可協助研究人員和醫療系統,從先前因數據孤島而無法存取的大量資料中快速收集深入剖析。

人工智慧如何運用於醫療保健?

人工智慧可讓自動化系統針對異常對醫療影像進行評估、大規模監控患者生命徵象,並提醒臨床醫生進行必要干預。這有助於改善營運與臨床工作流程,並整合來自許多不同源頭的資料,讓臨床醫生能夠作出更周全的決定。研究人員正在將人工智慧用於輔助藥物發現、標靶治療以及傳染病管理。其他醫療保健與生命科學人工智慧的範例,包括實驗室自動化、機器人以及人工智慧支援的遠端醫療。

醫療保健人工智慧的優勢

人工智慧能透過將任務自動化來提升生產力,並且可透過快速、準確的診斷與治療協助臨床醫師工作。2 影像診斷人工智慧可縮短產生影像所需的運算時間。在人口健康方面,機器學習可協助識別再次入院的可能性。在製藥開發方面,人工智慧可引導新藥物的發現。人工智慧也可實現從多個來源(例如醫療記錄和生命徵象)擷取資料,並找出難以辨識的規律。

醫療健保與生命科學領域中的 Intel 人工智慧

Intel 投入人工智慧的努力可協助醫療保健產業專家解決目前最迫切的難題。其中包括:

  • 精準醫學 – 人工智慧可以理解未結構化和結構化的健康資料(例如基因組資料集),而這些資料對推動精準醫學(一種以患者獨特的基因組與健康資訊為中心的護理方法)至關重要。
  • 臨床系統 – 人工智慧可協助將原始資料轉化成全新的深入剖析,為患者每階段的治療計畫提供資訊。也可協助將遠距醫療策略(例如遠距醫療和醫療機器人)應用於住院病人和門診環境中。
  • 製藥流程 – 人工智慧有影響藥物開發的巨大潛力,且可以改變整個化合物發現流程。
  • 醫學影像 – 人工智慧可提升醫學影像品質,並協助臨床醫生快速且準確地評估影像。

Intel 提供了一系列彈性、可擴充且開放的硬體,可滿足從低功耗 VPU 到高效能 CPU 等所有運算需求。而且 Intel® Distribution of OpenVINO™ 工具組這類軟體工具能免除在不同的硬體後端工作帶來的麻煩,讓您只需寫入代碼一次,就能四處部署。

Samsung 與 Intel 攜手合作,提升神經偵測速度並改善工作流程

Samsung Medison 已經與 Intel 展開合作,提升神經偵測速度並改善工作流程。NerveTrack 運用 OpenVINO™ 工具組的 Intel® Distribution 技術,在使用超音波時協助偵測及辨識神經。神經超音波影像的即時推論技術,現正協助麻醉師尋找難以發現的神經,並提升精確度。

閱讀故事 ›

客戶成功案例


開發與部署人工智慧系統


尋找有關醫療保健系統與研究人員如何採用人工智慧並將其納入工作流程的文件與實際案例。

尋找醫療健保與生命科學領域的人工智慧解決方案


注意事項與免責聲明

效能測試中使用的軟體與工作負載可能僅針對 Intel® 微處理器進行最佳化。

效能測試 (例如 SYSmark 與 MobileMark) 使用特定的電腦系統、元件、軟體、作業及功能進行評量。這些因素若有任何異動,均可能導致測得結果產生變化。建議您參考其他資訊與效能測試數據,協助您充分評估欲購買產品的性能,包括該產品在搭配其他產品運作時的效能。如需更完整的資訊,請造訪 www.intel.com/benchmarks

效能結果係依配置中所示日期的測試為準,且可能無法反映所有公開可用的安全性更新。請參閱設定檔配置的詳細資訊支援。沒有產品或元件能提供絕對的安全性。

Intel® 技術可能需要搭配支援的硬體、軟體或啟動相關服務。

Intel 並不控制或審核第三方的資料。您應該參考其他來源以評估準確性。您的成本和成果可能有所落差。

產品與效能資訊

1對於不是 Intel® 微處理器特有的最佳化,用於非 Intel 微處理器時,Intel® 的編譯器可能會,也可能不會最佳化到同樣程度。這些最佳化包括 SSE2、SSE3 及 SSSE3 指令集,也包括其他最佳化。對於任何最佳化,用於並非由 Intel 製造的微處理器,Intel 不保證最佳化的可用性、功能性或效力。在本產品中取決於微處理器的最佳化,乃是為了用於 Intel 微處理器而設計。某些最佳化並非專門針對 Intel® 微架構,而是保留給 Intel 微處理器。關於本公告所涉及的具體指令集,如需詳細資訊,請參閱適用產品的使用指南與參考指南。
2「醫療中人工智慧的潛力」, 2019 年 6月,《Future Healthcare Journal》,ncbi.nlm.nih.gov/pmc/articles/PMC6616181。
3

《Advantages and limitations of total laboratory automation: a personal overview》,Clinical Chemistry and Laboratory Medicine (CCLM),2019 年 2 月,degruyter.com/view/journals/cclm/57/6/article-p802.xml

4配置:原始模型使用 TensorFlow 1.6 for Python 2.7 訓練,無 Intel® 最佳化且經過 GE Healthcare 轉換成 OpenVINO™ 2018 R4。測試使用的硬體與配置:GE Gen6-P 影像運算節點 3.10.0-862.el7.x86_64;處理器:Intel® Xeon® 處理器 E5-2680 v3;速度;2.5 GHz;核心:每個插槽 12 核心,而 Docker 容器可存取 22 CPU 核心;插槽:兩個;RAM: 96 GB (DDR4);超執行緒:啟用;安全性更新:套用 Spectre 與 Meltdow 更新。用於測試的軟體:TensorFlow 版本:1.6,無 Intel® MKL-DNN 最佳化;Gcc 版本:2.8.5;Python 版本:2.7;OpenVINO™ 版本:2018 R4(模型伺服器 v0.2);作業系統:HeliOS 7.4 (Nitrogen)。
5系統測試組態資訊:Intel® Core™ i5-4590S CPU @ 3.00 GHz、x86-64、使用 VT-x 技術、 16 GB 記憶體、作業系統:Linux magic x86_64 GNU/Linux、Ubuntu 16.04 推斷服務 docker 容器。測試由 GE Healthcare 於 2018 年 9 月進行。測試中的比較對象為 TensorFlow 模型:總推斷時間 3.092 秒;以 Intel® Distribution of OpenVINO™ 工具組最佳化的同一模型:總推斷時間為 0.913 秒。