科技已成爲各個行業的“新基建”，跟每個人息息相關的醫療行業也不例外。動態心電圖監測乃至長程動態心電圖監測，可以很好地篩查識別無症狀或隱匿性心律失常患者，幫助臨牀醫師更早發現、識別心律失常，繼而採取合適的治療措施。
前言
臨牀診斷要求對病人的動態心電監測持續一定時間。可檢測的時間越長，診斷產出率就越高。因爲得到的信息越多，捕捉到異常時刻的機會便越大，越有利於診斷。
傳統的 Hotler 心電監測設備，因功耗原因，最長僅可連續進行 24 小時或七天的心電監測，時長有限且設備複雜，需要在患者身上貼大量電極片，讓患者行動受限，十分不便。
越光醫療是一家移動醫療設備研發商，主要提供醫療智能設備、雲端醫用級醫療信息處理算法系統、移動管理交互應用軟件等產品。越光醫療的長程動態心電記錄儀，體積微小輕薄，使用方便，患者只需要將兩指大小的設備貼在左胸即可，不影響患者日常生活，可在連續不間斷地進行最長達 30 天的動態心電圖記錄。
越光醫療不僅提供心電監控的醫療器械，還利用人工智能算法對心電數據做計算分析，輔助醫生對全息數據進行查看和審覈，出具診斷報告。
越光醫療的設備可以連續記錄 30 天心電數據，每個人每天的心跳總數超過 10 萬次，一個病人 30 天的連續記錄則的心跳超過 300 萬次。從前，醫生需要用肉眼觀察數據，發現其中的異常。然而，面對光是如此海量的數據，醫生人工看片太過耗時。何況，在部分病例中，30 天裏可能只有 1 分鐘、 2 分鐘，甚至 9 秒的停博，無法快速識別診斷。若用機器輔助，就能大大節省醫生的診斷時間。
利用Serverless容器極速擴容，業務處理時間縮短90%
動態心電記錄儀會將數據記錄在本地，待病人回醫院複診時上傳，並在雲上進行速率、形態等方面的大量技術及分析。此時便出現了數據上傳和分析的波峯，大部分流量波峯出現在工作日上午，尤其是週一。
越光醫療在 2014 年成立時便選擇阿里雲，隨着容器潮流席捲便開始使用阿里雲容器服務，基於容器技術的雲原生架構，非常契合越光醫療彈性的流量需求。2019 年阿里雲推出彈性容器實例（ECI, Elastic ContainerInstance），越光醫療便成爲了種子用戶。
阿里雲彈性容器實例 ECI 是 Serverless 免運維的容器基礎設施，與 ASK（Alibaba Cloud Serverless Kubernetes）容器服務無縫集成，一起爲客戶提供高彈性、低成本、免運維的 Serverless 容器運行環境，免去用戶對容器集羣的運維和容量規劃工作。
通過阿里雲 ASK on ECI 容器服務，越光醫療在短時間內開出多個運行在 ECI 上的數據傳輸任務處理暴增的業務請求，而後迅速釋放，避免了資源閒置，節省了 50% 成本。
早期，越光醫療使用一定量預定資源來處理上傳與推理的任務，在高峯時長需要排隊，如果消息很多無法處理，則需要新購機器手動擴容。
越光醫療 CTO 邢文輝表示：“我們每次容器跑的時間很短，可能上傳+推理只需要幾分鐘。從前，啓動一臺機器再部署容器，可能要 10 分鐘，關閉還需要時間。用了 ECI ，計算資源迅速就緒，排隊時間縮短了 10-20% ，加上原來爲了節省成本我們用的是 CPU 處理數據，後來 ECI 支持 GPU 我們便得以用 GPU ，使得整體數據處理時間縮短了 90% 。還有，採用 Serverless 容器之後運維上也更加方便，不用管理底層 ECS 機器資產，原來可能需要管理操作系統和系統鏡像，現在只需專注於業務應用的容器鏡像。”
雲原生 AI 提升模型準確率，醫生節省更多時間
事關人命，心電數據分析對準確率要求非常高。想想，一個病人 30 天的連續記錄則的心跳超過 300 萬次。即使準確率高達 99% ，也會有 3 萬次錯誤需要醫生校正。機器的準確性與敏感性之間，卻也有着微妙的平衡。
越光醫療也在不斷完善着自身模型。而訓練人工智能模型需要大量的 GPU 算力，單獨購置十分昂貴。此時，雲上的大規模 GPU 算力便恰如其分，越光醫療還通過阿里雲的GPU 競價實例，大大降低了訓練成本。
阿里雲的 GPU 競價實例（又稱 Spot 實例），價格根據需求量每小時動態調整，最低可達到按量付費的 10% ，適合短時（小於 1 小時）的 AI 推理和訓練任務。
原來，通過人工智能的輔助，越光醫療對心電數據分析的準確率（內部統計數據）可以達到 99.95% 。利用雲上 GPU 算力，越光醫療進行了大量訓練實驗，大大優化了分析模型，減少了 80% 的錯誤，準確率從而提升到了 99.99% 。
“我們是輔助分析，我們準確率越高，醫生需要校正的時間就越少。也就實現了對醫療服務供給側能力的提升”越光醫療 CEO 蒲亞川相信，隨着人工智能與雲計算技術發展，講給醫療行業帶來更大的便利與價值。