本發明涉及智能計算中心、智算中心及算力基礎設施，具體涉及一種通過智能計算中心算力實現醫學影像診斷模型的開發方法。

背景技術：

1、隨著人工智能技術的快速發展，“智能計算中心”和“智算中心”應運而生。

2、“智能計算中心”是指通過使用大規模異構算力資源，包括通用算力和智能算力，主要為人工智能應用(如人工智能深度學習模型開發、模型訓練和模型推理等場景)提供所需算力、數據和算法的設施。智能計算中心涵蓋設施、硬件、軟件，并可提供從底層算力到頂層應用使能的全棧能力。

3、“智能計算中心”包括但不限于“智算中心”。

4、“智算中心”即人工智能計算中心，是基于人工智能理論，采用人工智能計算架構，提供人工智能應用所需算力服務、數據服務和算法服務的一類算力基礎設施。

5、“算力”是“智能計算中心”和“智算中心”的核心，是計算機設備或計算/數據中心處理信息的能力，是計算機硬件和軟件配合共同執行某種計算需求的能力，是通過對信息數據進行處理，實現目標結果輸出的計算能力，是集信息計算力、網絡運載力、數據存儲力于一體的新型生產力，主要通過算力基礎設施向社會提供服務。

6、人工智能在醫學影像診斷中的應用依賴于深度學習模型，但現有技術面臨算力與數據的雙重制約。目前，醫學影像診斷的主流方法是基于醫療機構本地化訓練，采用卷積神經網絡(convolutional?neural?networks，cnn)或transformer架構開發特定病種檢測模型。然而，超大規模數據量的高分辨率醫學影像使模型訓練需超大規模算力，單機構gpu硬件難以支撐導致訓練周期長。與此同時，現有改進方案雖然通過支持多中心協作實現數據共享，但其依賴異構硬件仍然存在訓練效率低下的問題。

7、可見，現有技術中醫學影像診斷存在模型訓練效率很低的問題。

技術實現思路

1、本發明實施例提供一種通過智能計算中心算力實現醫學影像診斷模型的開發方法及裝置，以解決現有技術中醫學影像診斷模型訓練效率很低的問題。

2、為解決上述問題，本發明是這樣實現的：

3、第一方面，本發明實施例提供一種通過智能計算中心算力實現醫學影像診斷模型的開發方法，包括：

4、步驟s1：將預先配置的訓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行訓練，得到至少一個第二候選模型；其中，所述第一候選模型預先部署在智能計算中心；

5、步驟s2：利用目標驗證集，對每一個所述第二候選模型進行評估，得到所述第二候選模型在目標性能指標上對應的數值；

6、步驟s3：根據每一個所述第二候選模型在目標性能指標上對應的數值，從所述至少一個第二候選模型中確定出目標診斷模型。

7、在一個實施例中，所述步驟s2包括：

8、步驟s21：將所述目標驗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測結果；

9、步驟s22：根據每一個所述第二候選模型的預測結果，計算得到所述第二候選模型在所述目標性能指標上對應的第一數值；

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，所述目標候選模型對應的第一數值均處于第一預設范圍內；

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

13、在一個實施例中，所述步驟s32包括：

14、步驟s321：在所述目標驗證集中所述目標性能指標的數量大于1的情況下，為每一個所述目標性能指標配置對應的預設權重；

15、步驟s322：根據所述至少一個目標性能指標對應的數值和每一個所述目標性能指標對應的預設權重，計算每一個所述第三候選模型的得分；

16、步驟s323：根據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診斷模型。

17、在一個實施例中，所述步驟s1包括：

18、步驟s11：選擇第一目標候選模型；其中，所述第一目標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：基于所述訓練集和預先確定的算法對所述第一目標候選模型進行訓練，以得到訓練后的第一目標候選模型。

20、步驟s13：獲取所述訓練后的第一目標候選模型在所述目標性能指標上對應的第二數值；

21、步驟s14：迭代執行目標操作，直至所述第一目標候選模型對應的第二數值處于第二預設范圍，或者直至迭代次數達到預設次數；其中，所述目標操作包括：根據所述第一目標候選模型對應的第二數值，調整所述第一目標候選模型的架構、超參數和訓練策略中至少一項，并訓練調整后的第一目標候選模型；

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

23、在一個實施例中，所述步驟s2包括：

24、步驟s23：將所述目標驗證集輸入第二目標候選模型中，獲取所述第二目標候選模型在所述目標性能指標上對應的第三數值；其中，所述第二目標候選模型基于預先確定的算法進行訓練得到，所述第二目標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：在所述第二目標候選模型對應的第三數值處于第三預設范圍的情況下，將所述第二目標候選模型確定為所述目標診斷模型。

27、在一個實施例中，所述步驟s1之前，所述方法還包括：

28、步驟s01：對預先獲取的至少一個待處理醫學影像執行第一操作，得到n個第一醫學影像；其中，所述第一操作用于將所述待處理醫學影像轉換為符合預設標準的影像，所述預設標準包括預設格式、預設分辨率和預設尺寸中至少一項，n為正整數；

29、步驟s02：對所述n個第一醫學影像執行第二操作，得到m個第二醫學影像；其中，所述第二操作包括旋轉、平移、縮放和翻轉中至少一項，m為正整數，且m大于n；

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

31、步驟s04：將所述標注后的m個第二醫學影像分成所述訓練集和所述目標驗證集。

32、第二方面，本發明實施例還提供一種通過智能計算中心算力實現醫學影像診斷模型的開發裝置，包括：

33、模型訓練模塊，用于將預先配置的訓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行訓練，得到至少一個第二候選模型；其中，所述第一候選模型預先部署在智能計算中心；

34、模型評估模塊，用于利用目標驗證集，對每一個所述第二候選模型進行評估，得到所述第二候選模型在目標性能指標上對應的數值；

35、模型驗證模塊，用于根據每一個所述第二候選模型在目標性能指標上對應的數值，從所述至少一個第二候選模型中確定出目標診斷模型。

36、第三方面，本發明還提供一種電子設備，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行的計算機程序，所述計算機程序被所述處理器執行時實現如上述第一方面所述的通過智能計算中心算力實現醫學影像診斷模型的開發方法中的步驟。

37、第四方面，本發明還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行時實現如上述第一方面所述的通過智能計算中心算力實現醫學影像診斷模型的開發方法中的步驟。

38、第五方面，本發明還提供一種計算機程序產品，包括計算機指令，所述計算機指令被處理器執行時實現如上述第一方面所述的通過智能計算中心算力實現醫學影像診斷模型的開發方法中的步驟。

39、在本發明實施例中，利用智能計算中心算力資源，對多個預先部署的候選模型進行并行訓練，快速生成多個診斷模型。并且通過設計目標驗證集，針對核心的目標性能指標設置預設范圍，從多個診斷模型中選擇目標診斷模型。這樣，本發明實施例通過構建驗證集，確保模型在關鍵場景下性能達標，通過分布式計算加速候選模型訓練與驗證，提升開發與訓練效率，并且采用智能計算中心的分布式架構支持多模型并行訓練與驗證，顯著縮短開發周期，確保模型在關鍵指標上達標，靈活適應場景變化，大幅度提高開發效率，推動了醫學影像ai模型從開發到應用的全流程優化。