近年来,医疗影像设备不断向更高水平和精密化发展,推动医疗服务向更高更快的品质发展。随着医学影像在医疗行业的不断发展与深入,影像系统将从生产PACS(医学影像存档与通讯系统)向跨部门演进,各大医院逐步进行临床和科研多模态数据整合,满足院内科研和生产业务需要。
同时,以影像为中心的各类医疗服务,也逐步从传统业务向人工智能(AI)服务系统迈进。随着AI技术被广泛应用于医疗领域,智能问诊、智能阅片、辅助诊断等各种智能化应用开始全面普及,医疗智能化进程正在以前所未有的速度极速狂飙。据IDC预测,预计到2027年,中国五分之一的大型医院将建立AI驱动的指挥中心,以协调医疗服务、减低成本、优化运营,并实现随时随地的医疗照护。
新需求带来新挑战,聚焦影像数据的存与用
医疗影像的飞速发展,也为医院的IT基础架构建设提出了新的需求。首当其冲的就是对调阅性能和科研访问要求的提升:单次检查产生的影像文件数量增多,导致调阅等待时长显著增加,降低了诊断效率,为了更高效、实时地调阅医疗影像文件,需要读写性能更高的存储设备。其次,由于对数据普遍要求留存15年或30年以上,医疗影像数据呈现指数级增长的态势,医疗机构需要选择分布式存储来避免数据量显著增加而导致的存储难题。此外,AI训练要求存储所提供GPU服务器至少拥有40+Gbps的性能,比传统HPC性能要求更高,存储还必须满足先进AI工作负载的理想要求。
这些全新的挑战每一条都指向影像数据的存与用问题,而如何解决这些面临的难题并提升影像数据的利用效率,最终都将落实到存储的选型与应用。
Dell PowerScale,为数据生命周期扫除障碍
在AI快速发展的时代,医院信息化应用越来越复杂。如何将数据存好并用好是所有医疗企业着力解决的难题。面对医疗行业内日益显著的存储难题,Dell PowerScale则以持续的现代化创新,帮助医疗企业突破存储瓶颈,加速释放影像数据价值。
Dell PowerScale所提供的全闪/混闪/归档三大系列,能够有效解决PACS存储容量和I/O性能无法满足医疗业务发展的问题,实现PACS医学影像资料瞬时调用速度。PowerScale支持自动分层,可根据数据类型将不同生命周期阶段的影像数据自动存放在相对合适的存储系统上:需要即时调取的在线PACS影像数据将被保存在全闪存储上,满足极致I/O性能需求;而对于患者已经出院或超过180天再次访问几率很低的影像数据,则将其存储到成本更为友好的大容量存储资源池内。
值得一提的是,PowerScale存储还具备极高的数据安全性和扩展性,它提供多级容错机制,防止多块盘或多个节点同时损坏而带来的业务中断和数据丢失。PowerScale能在1分钟内完成在线扩容,实现容量和性能的同步增长,这对医疗影像系统而言至关重要。
PowerScale持续升级,加速医疗AI创新
Dell PowerScale存储不仅能为数据资产提供归档、容灾、离线保存等多种级别保护服务,更能满足AI训练、组学分析,蛋白分析等应用的性能和容量需求,同时支持多模态AI训练这一类苛刻性能要求的工作负载,满足医、教、研、管全部应用平台的需要。
作为全球首个通过英伟达DGX SuperPOD认证的以太网NAS存储,PowerScale可与GPU直通,用户无需安装光纤通道或InfiniBand即可在本地处理高性能工作负载,从而更轻松地使用AI。
在如火如荼的AI年,戴尔科技全面发力,一口气推出了3款搭载NVME SSD的高性能型号:PowerScale F210、F710和F910。它们均采用了PCIe Gen 5总线和Sapphire Rapids Intel CPU,以PowerEdge 16G服务器为基础,运行OneFS操作系统,继续支持从3个节点至252个节点的集群扩展。
作为AI存储的排头兵,PowerScale能够完全满足用户对AI存储的高性能和效率需求,在客户端访问层、存储节点层、PowerScale网络层三方面凸显领先技术优势。而在诸多革新中尤其令人欣喜的是:PowerScale F910的流媒体性能比F900提高了127%,并且比Azure NetApp Files的速度快六倍,作为最新成员的PowerScale F910更有以下亮点:
结 语
面向AI时代的医疗需求来势凶猛,PowerScale作为首款获得NVIDIA SuperPOD认证的以太网NAS存储,一直致力于提供一套智能易用的AI存储架构,帮助提高计算效率和实现存储技术的端到端简化,使得医疗行业的AI开发者可以将精力集中在更有价值的创新上,而非硬件和底层工程。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。