本發(fā)明涉及智能計(jì)算中心、智算中心及算力基礎(chǔ)設(shè)施，具體涉及一種通過智能計(jì)算中心算力實(shí)現(xiàn)醫(yī)學(xué)影像診斷模型的開發(fā)方法。

背景技術(shù)：

1、隨著人工智能技術(shù)的快速發(fā)展，“智能計(jì)算中心”和“智算中心”應(yīng)運(yùn)而生。

2、“智能計(jì)算中心”是指通過使用大規(guī)模異構(gòu)算力資源，包括通用算力和智能算力，主要為人工智能應(yīng)用(如人工智能深度學(xué)習(xí)模型開發(fā)、模型訓(xùn)練和模型推理等場景)提供所需算力、數(shù)據(jù)和算法的設(shè)施。智能計(jì)算中心涵蓋設(shè)施、硬件、軟件，并可提供從底層算力到頂層應(yīng)用使能的全棧能力。

3、“智能計(jì)算中心”包括但不限于“智算中心”。

4、“智算中心”即人工智能計(jì)算中心，是基于人工智能理論，采用人工智能計(jì)算架構(gòu)，提供人工智能應(yīng)用所需算力服務(wù)、數(shù)據(jù)服務(wù)和算法服務(wù)的一類算力基礎(chǔ)設(shè)施。

5、“算力”是“智能計(jì)算中心”和“智算中心”的核心，是計(jì)算機(jī)設(shè)備或計(jì)算/數(shù)據(jù)中心處理信息的能力，是計(jì)算機(jī)硬件和軟件配合共同執(zhí)行某種計(jì)算需求的能力，是通過對信息數(shù)據(jù)進(jìn)行處理，實(shí)現(xiàn)目標(biāo)結(jié)果輸出的計(jì)算能力，是集信息計(jì)算力、網(wǎng)絡(luò)運(yùn)載力、數(shù)據(jù)存儲力于一體的新型生產(chǎn)力，主要通過算力基礎(chǔ)設(shè)施向社會提供服務(wù)。

6、人工智能在醫(yī)學(xué)影像診斷中的應(yīng)用依賴于深度學(xué)習(xí)模型，但現(xiàn)有技術(shù)面臨算力與數(shù)據(jù)的雙重制約。目前，醫(yī)學(xué)影像診斷的主流方法是基于醫(yī)療機(jī)構(gòu)本地化訓(xùn)練，采用卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neural?networks，cnn)或transformer架構(gòu)開發(fā)特定病種檢測模型。然而，超大規(guī)模數(shù)據(jù)量的高分辨率醫(yī)學(xué)影像使模型訓(xùn)練需超大規(guī)模算力，單機(jī)構(gòu)gpu硬件難以支撐導(dǎo)致訓(xùn)練周期長。與此同時，現(xiàn)有改進(jìn)方案雖然通過支持多中心協(xié)作實(shí)現(xiàn)數(shù)據(jù)共享，但其依賴異構(gòu)硬件仍然存在訓(xùn)練效率低下的問題。

7、可見，現(xiàn)有技術(shù)中醫(yī)學(xué)影像診斷存在模型訓(xùn)練效率很低的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供一種通過智能計(jì)算中心算力實(shí)現(xiàn)醫(yī)學(xué)影像診斷模型的開發(fā)方法及裝置，以解決現(xiàn)有技術(shù)中醫(yī)學(xué)影像診斷模型訓(xùn)練效率很低的問題。

2、為解決上述問題，本發(fā)明是這樣實(shí)現(xiàn)的：

3、第一方面，本發(fā)明實(shí)施例提供一種通過智能計(jì)算中心算力實(shí)現(xiàn)醫(yī)學(xué)影像診斷模型的開發(fā)方法，包括：

4、步驟s1：將預(yù)先配置的訓(xùn)練集輸入至少一個第一候選模型中，對每一個所述第一候選模型進(jìn)行訓(xùn)練，得到至少一個第二候選模型；其中，所述第一候選模型預(yù)先部署在智能計(jì)算中心；

5、步驟s2：利用目標(biāo)驗(yàn)證集，對每一個所述第二候選模型進(jìn)行評估，得到所述第二候選模型在目標(biāo)性能指標(biāo)上對應(yīng)的數(shù)值；

6、步驟s3：根據(jù)每一個所述第二候選模型在目標(biāo)性能指標(biāo)上對應(yīng)的數(shù)值，從所述至少一個第二候選模型中確定出目標(biāo)診斷模型。

7、在一個實(shí)施例中，所述步驟s2包括：

8、步驟s21：將所述目標(biāo)驗(yàn)證集輸入所述至少一個第二候選模型中，獲取每一個所述第二候選模型的預(yù)測結(jié)果；

9、步驟s22：根據(jù)每一個所述第二候選模型的預(yù)測結(jié)果，計(jì)算得到所述第二候選模型在所述目標(biāo)性能指標(biāo)上對應(yīng)的第一數(shù)值；

10、所述步驟s3包括：

11、步驟s31：確定所述至少一個第二候選模型中的目標(biāo)候選模型為第三候選模型，得到至少一個所述第三候選模型；其中，所述目標(biāo)候選模型對應(yīng)的第一數(shù)值均處于第一預(yù)設(shè)范圍內(nèi)；

12、步驟s32：比對每一個所述第三候選模型對應(yīng)的第一數(shù)值，從所述至少一個所述第三候選模型中確定所述目標(biāo)診斷模型。

13、在一個實(shí)施例中，所述步驟s32包括：

14、步驟s321：在所述目標(biāo)驗(yàn)證集中所述目標(biāo)性能指標(biāo)的數(shù)量大于1的情況下，為每一個所述目標(biāo)性能指標(biāo)配置對應(yīng)的預(yù)設(shè)權(quán)重；

15、步驟s322：根據(jù)所述至少一個目標(biāo)性能指標(biāo)對應(yīng)的數(shù)值和每一個所述目標(biāo)性能指標(biāo)對應(yīng)的預(yù)設(shè)權(quán)重，計(jì)算每一個所述第三候選模型的得分；

16、步驟s323：根據(jù)每一個所述第三候選模型的得分，將得分最高的第三候選模型確定為目標(biāo)診斷模型。

17、在一個實(shí)施例中，所述步驟s1包括：

18、步驟s11：選擇第一目標(biāo)候選模型；其中，所述第一目標(biāo)候選模型為所述至少一個第一候選模型中的任意一個；

19、步驟s12：基于所述訓(xùn)練集和預(yù)先確定的算法對所述第一目標(biāo)候選模型進(jìn)行訓(xùn)練，以得到訓(xùn)練后的第一目標(biāo)候選模型。

20、步驟s13：獲取所述訓(xùn)練后的第一目標(biāo)候選模型在所述目標(biāo)性能指標(biāo)上對應(yīng)的第二數(shù)值；

21、步驟s14：迭代執(zhí)行目標(biāo)操作，直至所述第一目標(biāo)候選模型對應(yīng)的第二數(shù)值處于第二預(yù)設(shè)范圍，或者直至迭代次數(shù)達(dá)到預(yù)設(shè)次數(shù)；其中，所述目標(biāo)操作包括：根據(jù)所述第一目標(biāo)候選模型對應(yīng)的第二數(shù)值，調(diào)整所述第一目標(biāo)候選模型的架構(gòu)、超參數(shù)和訓(xùn)練策略中至少一項(xiàng)，并訓(xùn)練調(diào)整后的第一目標(biāo)候選模型；

22、步驟s15：將迭代執(zhí)行所述目標(biāo)操作完成后的得到第一目標(biāo)候選模型確定為所述第二候選模型。

23、在一個實(shí)施例中，所述步驟s2包括：

24、步驟s23：將所述目標(biāo)驗(yàn)證集輸入第二目標(biāo)候選模型中，獲取所述第二目標(biāo)候選模型在所述目標(biāo)性能指標(biāo)上對應(yīng)的第三數(shù)值；其中，所述第二目標(biāo)候選模型基于預(yù)先確定的算法進(jìn)行訓(xùn)練得到，所述第二目標(biāo)候選模型為所述至少一個第二候選模型中的任意一個；

25、所述步驟s3包括：

26、步驟s33：在所述第二目標(biāo)候選模型對應(yīng)的第三數(shù)值處于第三預(yù)設(shè)范圍的情況下，將所述第二目標(biāo)候選模型確定為所述目標(biāo)診斷模型。

27、在一個實(shí)施例中，所述步驟s1之前，所述方法還包括：

28、步驟s01：對預(yù)先獲取的至少一個待處理醫(yī)學(xué)影像執(zhí)行第一操作，得到n個第一醫(yī)學(xué)影像；其中，所述第一操作用于將所述待處理醫(yī)學(xué)影像轉(zhuǎn)換為符合預(yù)設(shè)標(biāo)準(zhǔn)的影像，所述預(yù)設(shè)標(biāo)準(zhǔn)包括預(yù)設(shè)格式、預(yù)設(shè)分辨率和預(yù)設(shè)尺寸中至少一項(xiàng)，n為正整數(shù)；

29、步驟s02：對所述n個第一醫(yī)學(xué)影像執(zhí)行第二操作，得到m個第二醫(yī)學(xué)影像；其中，所述第二操作包括旋轉(zhuǎn)、平移、縮放和翻轉(zhuǎn)中至少一項(xiàng)，m為正整數(shù)，且m大于n；

30、步驟s03：識別所述m個第二醫(yī)學(xué)影像，依次標(biāo)注所述m個第二醫(yī)學(xué)影像，得到標(biāo)注后的m個第二醫(yī)學(xué)影像，所述標(biāo)注后的m個第二醫(yī)學(xué)影像包括存在病灶并標(biāo)注有病灶信息的醫(yī)學(xué)影像、不存在病灶并標(biāo)注為正常的醫(yī)學(xué)影像；

31、步驟s04：將所述標(biāo)注后的m個第二醫(yī)學(xué)影像分成所述訓(xùn)練集和所述目標(biāo)驗(yàn)證集。

32、第二方面，本發(fā)明實(shí)施例還提供一種通過智能計(jì)算中心算力實(shí)現(xiàn)醫(yī)學(xué)影像診斷模型的開發(fā)裝置，包括：

33、模型訓(xùn)練模塊，用于將預(yù)先配置的訓(xùn)練集輸入至少一個第一候選模型中，對每一個所述第一候選模型進(jìn)行訓(xùn)練，得到至少一個第二候選模型；其中，所述第一候選模型預(yù)先部署在智能計(jì)算中心；

34、模型評估模塊，用于利用目標(biāo)驗(yàn)證集，對每一個所述第二候選模型進(jìn)行評估，得到所述第二候選模型在目標(biāo)性能指標(biāo)上對應(yīng)的數(shù)值；

35、模型驗(yàn)證模塊，用于根據(jù)每一個所述第二候選模型在目標(biāo)性能指標(biāo)上對應(yīng)的數(shù)值，從所述至少一個第二候選模型中確定出目標(biāo)診斷模型。

36、第三方面，本發(fā)明還提供一種電子設(shè)備，包括處理器、存儲器及存儲在所述存儲器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時實(shí)現(xiàn)如上述第一方面所述的通過智能計(jì)算中心算力實(shí)現(xiàn)醫(yī)學(xué)影像診斷模型的開發(fā)方法中的步驟。

37、第四方面，本發(fā)明還提供一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)上存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如上述第一方面所述的通過智能計(jì)算中心算力實(shí)現(xiàn)醫(yī)學(xué)影像診斷模型的開發(fā)方法中的步驟。

38、第五方面，本發(fā)明還提供一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)指令，所述計(jì)算機(jī)指令被處理器執(zhí)行時實(shí)現(xiàn)如上述第一方面所述的通過智能計(jì)算中心算力實(shí)現(xiàn)醫(yī)學(xué)影像診斷模型的開發(fā)方法中的步驟。

39、在本發(fā)明實(shí)施例中，利用智能計(jì)算中心算力資源，對多個預(yù)先部署的候選模型進(jìn)行并行訓(xùn)練，快速生成多個診斷模型。并且通過設(shè)計(jì)目標(biāo)驗(yàn)證集，針對核心的目標(biāo)性能指標(biāo)設(shè)置預(yù)設(shè)范圍，從多個診斷模型中選擇目標(biāo)診斷模型。這樣，本發(fā)明實(shí)施例通過構(gòu)建驗(yàn)證集，確保模型在關(guān)鍵場景下性能達(dá)標(biāo)，通過分布式計(jì)算加速候選模型訓(xùn)練與驗(yàn)證，提升開發(fā)與訓(xùn)練效率，并且采用智能計(jì)算中心的分布式架構(gòu)支持多模型并行訓(xùn)練與驗(yàn)證，顯著縮短開發(fā)周期，確保模型在關(guān)鍵指標(biāo)上達(dá)標(biāo)，靈活適應(yīng)場景變化，大幅度提高開發(fā)效率，推動了醫(yī)學(xué)影像ai模型從開發(fā)到應(yīng)用的全流程優(yōu)化。