2020年初,一台数字听诊器在武汉同济医院重症监护室完成了首批新冠肺炎患者肺音数据的采集。六年后,基于这批珍贵临床数据,华中科技大学王超团队在集成电路顶级期刊《IEEE 固态电路学报》(JSSC)上发表了全球首款面向肺音监测的专用AI处理器芯片研究成果。这一突破标志着算法与硬件在医疗监测领域实现了实质性融合。
传统AI监测痛点:高耗能阻碍全天候应用
听诊是肺部疾病诊断的常规手段,但依赖医生经验且无法实现全天候实时监测。随着深度学习技术的引入,机器辅助听诊成为可能。然而,现有方案面临显著挑战:
- 算力浪费严重:人体肺音在大部分时间处于正常状态,异常杂音出现频率低。传统AI模型对每一段声音均进行复杂的多分类计算,如同“大炮打蚊子”,造成算力与电量的极大浪费。
- 续航瓶颈:可穿戴设备对功耗极其敏感。若芯片持续高负荷运行,电池将迅速耗尽,导致频繁充电,使“全天候监测”沦为空谈。
(来源:IEEE JOURNAL OF SOLID-STATE CIRCUITS)
算法创新:两阶段混合神经网络大幅降低功耗
为解决上述痛点,王超团队提出了一种类似医院“分诊台”的两阶段混合神经网络架构:
第一阶段:快速初筛
声音信号首先进入初筛网络。若判定为健康肺音,系统直接输出正常结果并跳过后续复杂流程。此过程能耗极低,处理一帧正常肺音仅消耗0.39毫焦耳电能。
第二阶段:精细诊断
仅当初筛发现异常时,信号才会进入第二阶段网络,进行更精细的四分类诊断。这种“先粗筛、再细分”的策略从源头削减了不必要的计算量,显著提升了能效比,为可穿戴设备的超长待机奠定基础。
(来源:IEEE JOURNAL OF SOLID-STATE CIRCUITS)
硬件突破:专用芯片架构设计
团队并未止步于算法优化,而是进一步针对该算法量身定制了专用芯片,解决了传统通用芯片效率低下的问题。
可重构处理单元阵列
针对算法中大小不一的卷积层计算需求,团队设计了可重构处理单元阵列。芯片内部硬件连接方式可根据任务动态调整,如同可移动的隔断墙,避免了固定格局带来的空间浪费,实现高效兼顾。
双模脉动数据流技术
引入双模脉动数据流,缩短数据在芯片内部的传输路径,大幅减少因数据搬运产生的功耗。
多分支混合驱动存储架构
针对两阶段网络间及内部的数据交互需求,设计多分支混合驱动存储架构。不同计算模块共用缓冲区,既避免数据冲突,又节约了宝贵的芯片面积。
(来源:IEEE JOURNAL OF SOLID-STATE CIRCUITS)
实测数据显示,这款采用55纳米工艺制备的芯片,核心面积仅为4.39平方毫米,最低运算能耗低至2.76皮焦每操作,在同类研究中表现优异。这不仅验证了算法在硅片上的高效运行,也为其他生理信号监测芯片提供了可参考的架构模板。
数据来源:疫情期间珍贵的临床积累
该项研究的基石源于2020年新冠疫情期间的艰难数据采集。华中科技大学曾和松教授所在的同济医院团队,克服了高风险与高难度,收集了172例新冠肺炎确诊病例的多部位心肺听诊记录,以及50例正常对照组数据。这些带有时代印记的真实数据,为训练高精度AI模型及后续芯片开发指明了方向。
应用前景与行业意义
这款专用芯片的问世,使得低成本、无创的肺音长期监测成为现实。未来,集成该芯片的小型贴片或便携设备可在用户居家休息或睡眠时默默记录肺音,一旦检测到异常波动即刻预警,助力肺部疾病的早期发现与干预。
作为JSSC历史上首款面向肺音监测的专用AI处理器芯片,该成果标志着中国在低功耗医疗集成电路领域取得重要突破,并获得国家自然科学基金等项目支持。
(来源:IEEE JOURNAL OF SOLID-STATE CIRCUITS)
此外,该芯片采用的“常态判断+异常分析”低功耗架构具有广泛的通用性,可借鉴应用于心音、心电及脑电等生理信号的可穿戴监测设备中。随着底层数字芯片技术的不断突破,原本局限于大型医疗仪器的检测功能正逐步融入日常穿戴设备,以硬件创新回应真实临床需求,为大众健康提供更多可能。
参考资料:
https://ieeexplore.ieee.org/document/10798166/
http://faculty.hust.edu.cn/WangChao/zh_CN/index.htm
运营/排版:何晨龙
注:封面/首图由 AI 辅助生成

