医疗影像领域AI软件开发流程

公司一般可以分为两类，业务驱动型和技术驱动型，业务型驱动公司的客户群体是普通大众，例如，饿了么，技术存在的目的是为了更好的支持业务发展，而像数据库软件公司则是技术驱动型，有的公司则是介于两者之间，例如阿里巴巴，当业务发展到一定的程度，所积累的技术相当雄厚，则可以通过技术变现去扩大公司规模。

当AI大潮来袭，很多行业都想跻身于其中时，AI软件公司是业务驱动还是技术驱动？AI软件虽然服务于医院机构，但其最终是服务于普通大众，另外随着AI框架的涌现，AI门槛并不是那么高，所以我更倾向其属于业务驱动。

提出需求：

既然是业务驱动我们就应该明白用户需要什么，可以参考我的前一篇文章【AI在影像设备全流程工作周期应用】，本篇文章主要针对当需求确定，如何进行下一步开发。

马斯克说过，相比于解决已知问题的能力，提出问题更为重要！要将AI完美的应用于医疗影响领域，需要对这个领域有很深的见解。

选择工具：

接下来就是要选择一个AI开发框架，“框架”可以让我们不关心技术细节，集中精力去做业务，“做业务”就是将业务转换成流程，将流程翻译成代码，AI的背后是数学，包括数学运算，优化算法，概率论等。

当下AI框架众星云集，Tensorflow，Pytorch，MXNet，Caffe，百度的飞浆，华为的MIndScope，旷视科技的MegEngine，这些框架都是开源的，为了吸引用户群体，有的框架提供了全流程的开发文档，AI课程和免费的算力。

框架的选择需要取决于团队的技术积累，有的框架集成度非常高，简单一个命令行就能开启训练，这样的框架适合前期AI技术经验积累少的团队，另外，模型的社区支持度也是一个重要因素，社区活跃度高，那么一些重要模型很快就能被复现并且开源。

目前工业界用的最多的是Tensorflow，学术界倾向Pytorch，国内的飞浆提供了AI算力，平台，框架，工具套件，培训课程，很全面且风格很像Pytorch，适合初学者。

AI开发分为训练和推理两个相对独立的过程，训练不需要集成到产品中，所以可以选择与产品开发语言不一致的开发语言，目前用的最多的是Python，每个AI框架都提供了针对不同语言推理框架，AI训练的结果是一个模型文件和参数文件，不同的框架虽然输出的文件格式不同，但有工具可以将其转换为通用的格式：ONNX，所以，经常有公司使用一种框架进行训练，用另一种框架进行推理，由于推理过程相对简单，有的公司技术积累雄厚，甚至基于CuDNN自己写推理框架。

结果分析：

当我们正因为完成一个AI产品而兴奋时，现实却给我们重重一击，效果不尽人意，过拟合还是欠拟合？我们开始疯狂调参，更换模型，如果效果仍不尽人意，则需要换个思路方向，是不是数据出了问题？

数据对于AI来说至关重要，数据稀缺是很多公司面临的问题，但医疗数据具有其特殊性，大规模数据集的预训练模型很难泛化到医疗领域，目前有效的方法就是采用数据增强方式对数据进行扩增，例如利用基本的图像变换，或者利用GAN生成数据，前期数据量少，可以采用集成学习的方式利用多种简单模型的组合；随着数据的增加，采用迭代增量的方式去重新训练，并增加模型复杂度。

模型复杂度和推理速度是一把双刃剑，模型复杂度高，其参数量大，浮点运算多，导致推理速度慢，但模型复杂度高也意味着模型精度高，所以需要在技术选型时根据自身业务去抉择。