參賽團隊名稱：駿馬AI醫療
解決方案：
本專案的目標是：基於OpenVINO實踐醫療領域的聯邦式學習&分散式協同推理架構。
本案例啟動了4個引擎，來支撐聯邦式機器學習，包括 1個Intel CPU、2個NCS和一個耐能KL520。展現出OpenVINO架構的異質性分散式協同推理綜效。
本專案整合了5個ML模型，由於醫療領域資料難以集中，所以採取聯邦式學習模式來整合這些模型。包括：
- 心電圖ECG模型：這是CNN+Classifier模型，運行於NCS2。
- 血鐵沉積Hemo模型：這是RNN+Regression模型，運行於NCS2。
- GWAS降維分類模型(包含兩個子模型)：
- Stacked AE(簡稱SAE)模型運行於NCS2。
- Classifier運行於耐能KL520。
- UI語音識別模型：這是MFCC+Classifier模型，運行於CPU。
成果影片介紹：
提案動機與技術構想
在醫療產業中，由於其資料的分散性以及諸如個資法的規範，傳統單一的整合模型，一起優化、推論的模式變得窒礙難行。於是，本專案採取聯邦式學習(Federated Learning )，分散於各地以OpenVINO進行各自優化，再聯合起來進行協同推理。
例如，在本專案裡的基因組關聯分析(GWAS, Genome-wide association studies)應用中，其目的是要從全體基因組中探索其中數以百萬計的SNPs(基因變異特徵)，歸納出它們與特定疾病的關聯性。除了剛才所述的資料的分散性因素之外，由於基因數據中的高維數，要計算所有可能的SNP各種組合，使得這種高通量(High-Throughput)計算上變得更加困難。這通稱為：維度災難(Curse of Dimensionality)。這個名詞，最早是由理察·貝爾曼(Richard E. Bellman)在考慮優化問題時首次提出來的術語，用來描述當計算空間維度增加時，分析高維空間(如數千維以上)時，會遇到各種不可測奇怪现象。
於是，採用DL(Deep Learning)方法，對大量、複雜和非結構化的資料，抽象為潛藏空間的表示，該潛藏空間的表示形式能夠捕獲GWAS中SNP之間的上位性(Epistatic)效應。其中最具功效的是Stacked AE(簡稱SAE)模型。它是由多個AE(Autoencoder)逐層堆疊以產生堆疊式自動編碼器，能夠有效地化解上述的維度災難。在本專案裡，就運用OpenVINO和NCS來實踐這項Stacked AE模型，如下圖所示。
首先，基於聯邦式學習，實現跨部門開發，在A部門使用原始資料訓練Stacked AE模型，並輸出Embedded code傳送到B部門裡繼續訓練Classifier模型。然後，兩個模型分別在NCS和耐能KL520推理。如下圖所示。
一旦基於聯邦式學習，訓練好個模型之後，就能充分發揮OpenVINO的高度整合性和彈性，依據業務上的需求而做創新性組合。例如，可以把本專案的5個模型匯合於一台PC上，也能很流暢、和諧的協同推理。如下圖所示。
推