Driving the Future of Healthcare and Life Sciences

At Intel, our decades-long history in healthcare and life sciences has given us deep insights into the needs of clinicians, researchers, and patients. We use this knowledge in combination with our expertise in AI, ubiquitous computing, pervasive connectivity, and edge-to-cloud capabilities to create technologies that help organizations overcome complex challenges and use data in more intelligent and effective ways.

With a vast hardware and software portfolio that supports a robust partner ecosystem, we’re powering the convergence of digital technologies into instruments, devices, and tools that can improve patient outcomes and experiences, accelerate scientific discoveries, and streamline clinical and lab workflows for providers and researchers. Intel® technology delivers the platform ubiquity and the performance, flexibility, and scalability needed to transform health and life sciences and help improve the life of every person on the planet.

Healthcare and Life Sciences Success Stories

Información sobre productos y desempeño

1

Yang, Shanling, et al. "El tiempo de lectura y desempeño de las ecografías mamarias automatizadas con o sin detección asistida por computadoras". Radiology 292, n.ᵒ 3 (18 de junio de 2019): https://doi.org/10.1148/radiol.2019181816.

2

Jiang, Yulei, et al. "Tiempo de interpretación con un sistema de detección asistido por computadoras de lectura simultánea para ecografías mamarias automatizadas para la detección del cáncer de mamas en mujeres con tejido mamario denso". American Journal of Roentgenology 211, n.ᵒ 2 (agosto de 2018): 452–461. https://www.ajronline.org/doi/10.2214/AJR.18.19516.

3

"TGen resuelve el misterio genético de la enfermedad", Intel, s. f. Ingresado el 14 de marzo de 2022. https://www.intel.com/content/www/us/en/customer-spotlight/stories/tgen-customer-story.html.

4

Rendimiento de producción del modelo OpenVINO™ de detección de cáncer del cuello uterino con KFBIO en un procesador Intel® Xeon® Gold 6148:

NUEVO:

Prueba 1: probado por Intel al 15/06/2019. Procesador Intel® Xeon® Gold 6148 de dos zócalos; 20 núcleos; HT: activado; turbo: activado; memoria total: 192 GB (12 ranuras/16 GB/2,666 MHz); BIOS: SE5C620.86B.0X.01.0007.062120172125 (ucode: 0x200004d); CentOS Linux versi´ón 7.5.1804 (Core); marco de aprendizaje profundo: Keras 2.2.4 y TensorFlow optimizado por Intel: 1.13.1; topología: RetinaNet: https://github.com/fizyr/keras-retinanet; compilador: gcc 4.8.5, MKL: DNN versión: v0.17, BS=8, datos sintéticos y datos de clientes; una instancia/dos zócalos; tipo de datos: FP32.

Prueba 2: probado por Intel al 15/6/2019. Procesador Intel® Xeon® Gold 6148 de dos zócalos; 20 núcleos; HT: activado; turbo: activado; memoria total: 192 GB (12 ranuras/16 GB/2,666 MHz); BIOS: SE5C620.86B.0X.01.0007.062120172125 (ucode: 0x200004d); CentOS Linux versión 7.5.1804 (Core); Intel® software: OpenVINO R2019.1.1094 topología: RetinaNet: https://github.com/fizyr/keras-retinanet; compilador: gcc 4.8.5., MKL DNN versión: v0.17, BS=1 ocho peticiones asíncronas, datos sintéticos y datos de clientes; una instancia/dos zócalos; tipo de datos: FP32.

Línea base: probado por Intel al 15/6/2019. Procesador Intel® Xeon® Gold 6148 de dos zócalos; 20 núcleos; HT: activado; turbo: activado; memoria total: 192 GB (12 ranuras/16 GB/2,666 MHz); BIOS: SE5C620.86B.0X.01.0007.062120172125 (ucode: 0x200004d); CentOS Linux versión 7.5.1804 (Core); marco de aprendizaje profundo: Keras 2.2.4 y Vanilla TensorFlow: 1.5; topología: RetinaNet: https://github.com/fizyr/keras-retinanet; compilador: gcc 4.8.5, MKL DNN versión: v0.17, BS=8, datos sintéticos y datos de clientes; una instancia/dos zócalos; tipo de datos: FP32.

5

La afirmación de desempeño se basa en pruebas internas de Samsung al mes de marzo de 2021. Configuración del sistema: CPU Intel® Core™ i3-8100H a 3,0 GHz, 8 GB de memoria; SO: Windows 10 de 64 bits.