1. 医学影像AI边缘部署全景

医学影像AI的落地，正在从“把数据送到云端算”转向“把算力送到数据产生的地方”。这一转变的核心，是边缘计算在放射、病理、超声、内镜等场景中承担起推理、预处理与结果回传的职责。理解边缘部署，首先要看清它并不是一个单点设备，而是一条从影像采集、院内网络、PACS/RIS、边缘节点到床旁终端的完整链路。AI模型部署在链路的哪一环，直接决定了延迟、带宽、隐私合规与临床工作流的适配程度。

为什么医学影像需要边缘计算

传统集中式AI推理通常把DICOM影像从院内PACS导出，经专线或VPN上传到云端GPU集群，推理完成后再把结构化结果写回RIS或PACS。这条路径在科研和离线批量分析中可行，但在临床实时场景中会暴露三个硬约束：第一，单次胸部CT平扫约200～500MB，若一个三甲医院日均CT检查量按800例估算，仅原始影像外传就接近300GB/天，专线成本与传输时延都难以接受；第二，患者影像属于敏感个人信息，跨机构传输需要脱敏、审计与合规评估；第三，卒中、创伤、术中冰冻等场景要求分钟级甚至秒级反馈，云端往返时延不可控。

边缘计算把推理放在影像产生或首次汇聚的位置，例如CT/MR控制台旁的工作站、超声主机内置GPU、内镜视频处理器后的边缘盒子，或科室级边缘服务器。这样做的直接收益是：原始像素不出院区，只上传结构化结果或低维特征；推理时延从秒级降到百毫秒级；网络中断时仍可本地降级运行。代价是边缘节点算力、显存、功耗和散热受限，模型需要量化、剪枝或蒸馏，且多节点运维复杂度上升。

典型部署形态与场景差异

不同影像模态对边缘部署的诉求差异很大。放射场景以DICOM为事实标准，边缘节点通常以DICOM SCP/SCU方式接入，监听特定AE Title，接收检查完成后触发推理，再把结构化报告或分割掩膜以DICOM SR/SEG写回。病理场景以全切片图像（WSI）为主，单张切片可达1～4GB，边缘部署更强调瓦片级流水线与显存复用，常见形态是科室级GPU服务器加高速缓存。超声与内镜属于视频流场景，输入不是静态DICOM，而是SDI/HDMI或RTSP视频帧，边缘节点需要做帧抽取、ROI裁剪和时序平滑，输出叠加在视频上的实时提示。

从部署位置看，可以归纳为四种形态：设备内嵌（超声主机、内镜处理器内置推理模块，延迟最低但算力最紧）、床旁边缘盒（移动DR、便携超声旁的小型推理设备，强调低功耗与即插即用）、科室级边缘服务器（放射科、病理科本地GPU服务器，承载多台设备并发）、院区级边缘集群（多科室共享，配合Kubernetes做资源调度与模型灰度）。四种形态在算力、并发、运维和合规上的取舍不同，选型时要先明确场景的延迟上限、并发路数和数据留存要求。

从PACS到床旁：数据流与接口约定

在放射场景中，边缘节点与PACS的对接通常遵循DICOM工作流。以CT肺结节筛查为例，边缘服务注册为DICOM SCP，AE Title设为AI_EDGE_CT，监听端口11112。当CT检查完成，PACS或 modality 通过C-STORE把序列推送到该节点；节点解析StudyInstanceUID与SeriesInstanceUID，按序列类型路由到对应模型。推理完成后，分割结果以DICOM SEG对象、结构化结论以DICOM SR对象回写PACS，同时通过HL7或FHIR把关键字段推送到RIS。整个过程原始DICOM只在院内流转，边缘节点只向外发送结构化结果。

# 边缘节点DICOM接收与推理触发（示例配置）
AE_TITLE = "AI_EDGE_CT"
LISTEN_PORT = 11112
STORAGE_PATH = /data/dicom/incoming
MODEL_ROUTE = {
  "CT_THORAX_LUNG": "lung_nodule_int8.trt",
  "CT_HEAD_STROKE": "stroke_hemorrhage_int8.trt"
}
POST_ACTION = ["write_dicom_seg", "write_dicom_sr", "notify_ris_fhir"]

超声与内镜场景则不同。视频流无法直接走DICOM C-STORE，边缘节点通常以RTSP拉流或采集卡抓帧，按固定帧率抽帧（例如每5帧取1帧做推理），再通过时间戳对齐把结果叠加回原始视频。这类场景对推理延迟更敏感，通常要求单帧端到端不超过80ms，否则叠加提示会明显滞后于操作者视野。为达到这一指标，模型输入分辨率往往降到512×512或更低，并采用TensorRT FP16/INT8加速。

选型与落地判断

判断一个场景该用哪种边缘形态，可以先问四个问题：延迟上限是多少？并发路数有多少？原始数据是否允许出院区？现场是否有可维护的IT人员？如果延迟要求低于100ms且只有单台设备，优先考虑设备内嵌或床旁边缘盒；如果科室有多台设备、需要统一模型版本管理，科室级服务器更合适；如果涉及多科室共享、需要弹性扩缩容，则考虑院区级边缘集群。无论哪种形态，都应保留本地降级策略：当边缘节点故障时，检查可以继续走原有PACS流程，AI结果标记为不可用，而不是阻塞临床工作流。

总体来看，从PACS到床旁设备的边缘部署，本质是在“数据在哪里产生”和“算力在哪里可用”之间找平衡点。放射场景以DICOM为骨架，病理场景以高吞吐瓦片流水线为核心，超声与内镜场景以低延迟视频推理为关键。理解这条链路上的对象、接口与约束，是后续模型压缩、推理加速和工程化落地的基础。