对医院而言,每个医患信息都可能关系到患者的生命。在迈向以信息网络为基础的智慧医疗进程中,构建一个承载着生命信息的安全可靠的网络平台,显得尤为重要。为了确保网络的高可靠性、可拓展性和演进性,复旦大学附属肿瘤医院采用锐捷网络提供的Newton (牛顿)18000系列和RG-S8600E系列新一代云架构网络核心交换机,构建强大可靠的数据中心网络,确保数字化医疗业务7*24小时高效运转,为智慧医疗打下坚实的基础。

构建高可靠网络 不让患者看“网络的脸色”
复旦大学附属肿瘤医院(以下简称“肿瘤医院”)是国家卫生和计划生育委员会预算管理单位,是复旦大学附属医院和上海市红十字会医院,是一所集医疗、教学、科研、预防为一体的三级甲等肿瘤专科医院,其前身是中比镭锭治疗院,于1931年3月1日正式成立,是中国成立最早的肿瘤专科医院。2015年门急诊量121.3万人次,住院5.64万人次,手术3.44万人次,连年跻身全国医院排行榜百强。
肿瘤医院通过多年的信息化建设已经建成各类医疗IT系统,包括HIS系统、电子病历系统、LIS、RIS、PACS系统等。经过多年的信息数据积累,在医院信息系统中存储了大量的临床科研所需的患者诊疗信息,这些信息分布在电子病历、收费、医嘱、药品、检验、RIS/PACS、手术麻醉、病理等信息系统中,并在“数据利用”等方面开展研究,其信息化应用水平走在行业前列。
然而,肿瘤医院的网络基础平台使用周期已超过5年,不仅存在设备老旧和失效风险,同时在核心网络设备性能和网络协议管理上也存在一些技术问题,核心网络、数据中心服务器接入、各类终端接入层面都需要重新进行规划。为此,医院信息中心明确提出:“将确保网络的可靠性和稳定性排在第一位,不能让患者看‘网络的脸色’,同时兼顾网络平台的扩展和开放性、支持应用创新和简化运维的升级目标。”
“核心扁平化” 高可靠性是“第一目标”
根据各大网络厂商送交整体解决方案的综合比对,并对相关网络设备参数进行测试后,肿瘤医院最终选择了锐捷网络提供的“核心扁平化”方案,同时确定利用锐捷RG-N18000、锐捷RG-S8600E交换机对核心区域进行全面改造。
作为“第一目标”,锐捷“核心扁平化”方案在网络可靠性方面体现出两大优势,一个是设备层的可靠性,另一个是网络层的可靠性。
在设备可靠性方面,除了传统主控冗余,电源风扇冗余等外,交换网板卡也能做到冗余备份。不仅如此,锐捷RG-N18000和RG-S8600E交换机还支持电压监控、智能温控、风扇调速等,各种精细化的可靠性设计,物料选型选用业界顶级元器件,并设定十年以上工作寿命指标,从选型、设计、测试上能够确保设备即使在恶劣的环境中或极端条件下(例如高温、潮湿、灰尘颗粒多等)也能长时间保障不间断运行。

在网络层可靠性方面,利用扁平化无环网络结构,打造了“最让用户放心”的高可靠网络。首先,在核心、关键区域汇聚均通过虚拟化(VSU)技术实现二虚一,保障稳定性。其次,利用链路冗余的技术实现了聚合端口,摒弃了传统复杂、脆弱的生成树技术,通过虚拟化、聚合、BFD等技术确保即使发生设备或链路故障,将收敛时间控制在50MS以内,业务层面不会受到任何影响。
针对上述方案,锐捷网络的工程师还结合医院现有业务系统,将院方现有的医院内网和PACS网合并为一套网络,并设计了三步割接的具体实施方案,确保上线过程实现了“零差错”的成绩。
面向未来智慧医疗 “牛顿”助力精品网络
本次网络升级方案“十分周到”,兼顾了无线医护、软件定义网络(SDN)和IT运维管理等方面的需求。首先,锐捷RG-N18000交换机支持有线、无线统一融合方案,其针对无线网特色设计的大容量ARP、噪声过滤、集中认证/无感知特性等,为更多无线应用提供承载保障。其次,肿瘤医院本次选购的网络交换机全面支持SDN,在业务可视化、多网融合、智慧运维、大数据医疗探索等提供了开放共享的平台。
肿瘤医院相关技术负责人表示,这次升级我们采用了大量的虚拟化技术,锐捷牛顿交换机支持横向、纵向全能虚拟化,将需要管理网络节点数量大幅降低。同时,我们在“极简网络”建设方面也不谋而合,选用了扁平化的组网方案,并利用锐捷的RIIL运维系统实现网络管理的可视化,将网络可靠性管理、业务持续运行服务能力进一步提升。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
Meta公司FAIR实验室与UCLA合作开发了名为HoneyBee的超大规模视觉推理数据集,包含250万训练样本。研究揭示了构建高质量AI视觉推理训练数据的系统方法,发现数据质量比数量更重要,最佳数据源比最差数据源性能提升11.4%。关键创新包括"图片说明书"技术和文字-图片混合训练法,分别提升3.3%和7.5%准确率。HoneyBee训练的AI在多项测试中显著超越同规模模型,同时降低73%推理成本。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
上海AI实验室团队提出ViCO训练策略,让多模态大语言模型能够根据图像语义复杂度智能分配计算资源。通过两阶段训练和视觉路由器,该方法在压缩50%视觉词汇的同时保持99.6%性能,推理速度提升近一倍,为AI效率优化提供了新思路。