早在1880年代，醫學界已使用內窺鏡和大腸鏡檢查人體內部情況，由專家分析醫療影像，但診斷有時會因人為錯誤和后臺因素出錯。

隨全球城市人口增長，內科疾病個案數字急速上升，公眾對診斷專家的需求殷切，單在數量上培訓專家并不足夠。病理學家須長時間接受訓練、努力不懈，透過觀察顯微鏡和侵入性測試，方能辦別腫瘤組織。深度學習﹝Deep Learning﹞有助醫療觀測診斷的方法更上一層樓。

深度學習的底蘊

與一般機器學習﹝Machine Learning﹞相比，深度學習是更進一步模仿人類的思維方法。人類腦部神經元是相隔若干距離，仍然互相連結，迅速處理及傳遞訊息。人工神經網絡﹝Artificial Neural Networks﹞則利用層次組合、連結和方向，來傳遞數據。

每個人工神經網絡層，要負責不同工序。當數據由第一層出發，每層都進行一項工序，直到最后一層，數據就成為整個神經網絡輸出的洞見。在分析醫療影像的應用上，通常需要約100個這種神經網絡層，方能識別并分類來自數百萬圖像的特征。

業界深知人工神經網絡在醫學應用上有巨大潛力，但要一部機器像人類一樣“思考”，須增加神經網絡的層數去處理數據，耗用龐大的運算資源。新的IBM POWER Systems，為局面帶來轉機。最近，香港生產力促進局(生產力局)的汽車及電子部便引入有關系統，進行深度學習在醫學領域的研究。

POWER推動機器學習

要使用數以十萬計醫療影像，去訓練一個人工神經網絡進行深度學習，工作一點不簡單，需要強大的影像處理組件、高容量記憶體，及穩定可靠的平臺。

若使用區域性卷積神經網絡﹝Regional Convolutional Neural Networks﹞，處理不規則影像，每個影像會被分拆為數以千計的小區域，每區會產生數千項數據，讓系統計算它們之間是否相似。

若用非線性方法，拆解分析不規則的數據，需要強大的運算能力。尤其當病人性命攸關，更需要強大的系統，大幅縮短深度學習的訓練時間，由若干星期縮至若干小時內完成。

影像的處理同樣重要。生產力局的研究隊伍，使用大量人體異常組織的影像，例如已劃分區段的腺體組織影像，讓系統深度學習，判斷不同細胞的大小、形狀，及相對于其他細胞的位置，提高辨識能力。

今次使用的IBM平臺，提供分散式系統，可同時支援多個圖形處理器﹝GPU﹞。若有圖形處理器處于閑置狀態，資源可開放供機構其他同事使用，提高營運效益，讓他們同步處理多個不同項目。

平臺穩定性十分重要，因為計劃目標是支援病理學家研究，不能在數據完整性、系統故障上帶來困擾。

加速架構致勝關鍵

生產力局所采用的IBM S822LC伺服器系統的高效能運算﹝HPC﹞平臺由IBM開發，并運用了NVIDIA的 NVLink 圖像處理器 (GPU) 介面。

NVLink技術在中央處理器﹝CPU﹞與圖形處理器之間，提供高頻寬、低延遲的連結，高容量頻寬是PCIe的2.5倍。四個NVLink圖形處理器，加上雙重POWER8中央處理器，為深度學習提供穩定可靠的平臺。

這套尖端的深度學習系統經由IBM Lab部署安裝，讓生產力局研究隊伍采用更快的新方法，處理影像數據和深度學習，為協助香港醫療拆解健康密碼，邁出新的一步。