研究方向
急性心臟疾病心電圖快速檢測平台
參與者

林石化
上級指導員

林嶔
技術負責人

林錦生
臨床負責人

方文輝
社區負責人

蔡適鴻
急診負責人

李家政
資訊部部長

陳思州
急診科醫師

林文裕
心臟科醫師

劉邦彥
心臟科醫師

劉文正
心臟科醫師

張大為
心臟科醫師

劉郁嵐
心臟科醫師

李喬晉
心臟科醫師

劉威廷
心臟科醫師

陳郁政
心臟科醫師

許家榮
工程師
概述

Figure 1 | 創新的AI 增強臨床流程。 目前在我們的系統中心電圖可以即時自動上傳到人工智能平台進行自動診斷。當人工智能發現致命疾病時,自動警報系統將觸發的智能手機簡訊服務,以通知第一線醫生和值班的心臟科醫師。 所有的醫生都可以為後續的確認和管理做好準備。
Reference:
1npj Digital Medicine, 5(1):8.
2JMIR Med Inform, 8(3):e15931.
3EuroIntervention, 17(9):765-773.
4J Pers Med, 11(11):1149.
5Unpublished data.
6Can J Cardiol, 38(2):160-168.
7J Pers Med, 12(7):1150.
8Unpublished data.
9Eur J Trauma Emerg Surg, https://doi.org/10.1007/s00068-022-01904-3.
10Int J Environ Res Public Health, 18(7), 3839.
11J Endocr Soc, 5(9), bvab120.
12We shared our works to the Discovery.
Reference:
1npj Digital Medicine, 5(1):8.
2JMIR Med Inform, 8(3):e15931.
3EuroIntervention, 17(9):765-773.
4J Pers Med, 11(11):1149.
5Unpublished data.
6Can J Cardiol, 38(2):160-168.
7J Pers Med, 12(7):1150.
8Unpublished data.
9Eur J Trauma Emerg Surg, https://doi.org/10.1007/s00068-022-01904-3.
10Int J Environ Res Public Health, 18(7), 3839.
11J Endocr Soc, 5(9), bvab120.
12We shared our works to the Discovery.
演算法開發
參與者

林嶔
指導老師

羅宇昇
博士生
概述
1. 以無監督學習輔助監督學習以解決資料稀少問題:醫療產業因為涉及人工操作及昂貴的儀器設備,相比於其他產業其具有標註之資料量稀少;除此之外,越致命的疾病其盛行率通常也越低,然而其相較於其他常見疾病又更為重要,這導致我們必須面對這個重要的限制而非選擇數據足夠的研究。轉移特徵學習是深度學習中被認為可以有效降低模型訓練所需樣本數的技術,我們的主要方向就是利用大量的無標註資料進行無監督演算法,並將學習結果應用於監督學習之上1。
2. 設計特殊的預測函數及損失函數解決遺失資料問題:在醫學領域中其資料來源通常為觀察性設計,因此經常會面對遺失資料的問題,如典型的世代追蹤研究會面臨右設限資料問題,及每次追蹤可能不會進行所有檢驗。統計模型中的存活分析給了我們很好的啟發,透過將資料切割成細碎時間段的處理方式有效利用所有樣本的資訊,我們將其遮罩樣本的精神應用於常規醫學數據的深度學習模型訓練,將能解決傳統深度學習直接應用於醫療場域上的困境。
3. 結合多層次統計模型與深度學習創造個人化人工智慧模型:每個人面對相同治療的反應都不一樣,因此同一套人工智慧模型很難對所有人都有準確的結果,因此建立個人化的人工智慧模型相當重要,但每個人的資料又很難單獨訓練一個人工智慧模型。統計學中的多層次資料分析展示了如何利用分布假設建構個人化預測,即使僅用一筆資料都有辦法建構個人化模型,我們的研究嘗試將這個概念應用至深度學習訓練之中,讓我們的醫學人工智慧系統能滾動式修正預測結果2。
4. 深度因果關係學習以加強外部驗證準確度:傳統醫學研究非常重視因果關係探索,但醫學人工智慧研究往往忽略了這個問題。 由於深度學習模型強大的特徵提取能力,當前的 AI 經常學習虛假相關性來建立預測邏輯,這將降低未來外部驗證的準確性。 我們設計了配對訓練策略來最大化深度學習模型所抽取的高階特徵的因果性,這顯著地提高了許多任務的準確性

Figure 2 | 針對心電圖系統的深度學習模型訓練策略。 應用 ImageNet 作為預訓練的資源提升深度學習模型在醫學影像分析中是很常見的,但目前在心電圖研究上缺乏相關資源。我們開發了一種無監督的訓練策略,通過患者身分識別開始,從而增強了深度學習模型對心電圖的特徵抽取能力。 這將大幅提高模型的準確性,尤其是在罕見疾病檢測中。
Reference:
1Unpublished data.
2Unpublished data.
Reference:
1Unpublished data.
2Unpublished data.
慢性無症狀疾病心電圖篩檢平台
參與者

林嶔
技術負責人

許育瑞
臨床負責人

林錦生
臨床負責人

方文輝
社區負責人

蔡炳煌
腎臟科醫師

張喬翔
心臟科醫師

陳宏毅
心臟科醫師

許家榮
工程師
概述
Reference:
1J Pers Med, 12(3):455.
2Front Med, 9:870523.
3Unpublished data.
4J Pers Med, 11(8):725.
5Unpublished data.
6Unpublished data.
7Front Cardiovasc Med, 9:895201.
8Unpublished data.
9J Pers Med, 12(2):315.
10Unpublished data.
11Unpublished data.
12Unpublished data.
13Front Cardiovasc Med, 9:754909.
醫學影像分析
參與者

林嶔
指導老師

吳宜穎
血腫科醫師

蔡東樟
研究員

羅宇昇
博士生

陳映竹
碩士生

林信安
工程師

陳郁政
心臟科醫師

廖浩鈞
大學生
概述
Reference:
1JMIR Med Inform, 8(4):e15963.
2Can J Cardiol, S0828-282X(22)00004-6.
醫學自然語言處理
Participants

林嶔
指導老師

方文輝
臨床專家

蔡東樟
研究員

羅宇昇
博士生

林信安
工程師
概述
Reference:
1J Med Internet Res, 19(11):e380.
2JMIR Med Inform, 7(3):e14499.
3Healthcare, 9(10):1298.