CT / MRI 辅助诊断
院内推理服务，对接 PACS / 阅片工作站，强调延迟与稳定性。
Context
为什么卡在这里
医院影像数据量大、且受等保与隐私合规约束，很难把原始影像丢到公有云训练。模型迭代慢、推理上线后延迟偏高，是多数影像 AI 项目卡住的地方。
要解决的问题
- 训练任务排队久，一版模型迭代要等数天到数周
- 推理服务延迟偏高，阅片流程里插不进去
- 影像与病历不能出域，公有云方案过不了合规
- 机房电/冷有限，不知道先上几卡够用
元枢怎么做
- 训推一体机柜或小集群交付，预装训练与推理环境
- 院内部署，配合等保与数据不出域要求
- 全闪存储扛住 CT/MRI 多模态吞吐
- 驻场把模型挂成服务，并按指标做上线验收
已在三甲医院 AI 影像辅助诊断项目落地运行，支撑 CT/MRI 多模态智能分析。
Scenarios
适用场景
同一套算力底座，按业务入口拆开用。
影像模型训练
本地 GPU 训练与微调，数据与标注留在医院侧。
科研共建
医院 + 高校联合课题，统一算力池与配额。
私有化知识 / Agent
基于院内知识库的问答与文书辅助，仍走本地推理。
Reference Config
参考配置（可按 POC 调整）
不是固定报价单——先对齐 workload，再锁档位。
POC
入门验证
- 2–4 卡 GPU 节点
- 本地全闪或高速盘
- 预装训练 / 推理环境
适合单科室 POC、小样本验证
Standard
标准交付
- 8 卡训推节点
- 全闪存储
- 私有化推理服务 + 监控
适合影像中心日常训练与上线推理
Cluster
集群扩展
- 多节点 GPU 集群
- 高速网络 + 共享存储
- 平台调度与配额
适合多院区 / 多课题组共用
Delivery
交付构成
AI 服务器 / GPU全闪存储私有化推理等保合规部署驻场调优验收报告
Acceptance
建议验收指标
上线前把“算不算交付完成”说清楚，避免只验收到货。
| 指标 | 目标（示例） | 怎么验 |
|---|---|---|
| 推理延迟 | 按科室约定的 P95 目标 | 压测报告 + 现场复核 |
| 训练吞吐 | 约定 batch / epoch 时长区间 | 训练日志归档 |
| 数据不出域 | 全程院内部署 | 网络隔离说明 |
| 可用性 | 约定窗口内可服务 | 启停与监控截图 |
Process
落地节奏
- 01
摸底
影像量级、模型、机房电冷与合规边界
- 02
POC
小规模训推打通，出配置建议
- 03
交付
机柜上架、环境预配置、联调
- 04
验收
延迟 / 吞吐 / 稳定性签核