研究方向

急性心臟疾病心電圖快速檢測平台

參與者

概述

心臟疾病是全球最重要的公共衛生議題，其中心因性猝死更是非常需要解決的問題。心電圖可以用來即時的診斷大多數的心因性病因，從而讓醫師能夠提供正確有效的介入手段以避免隨後的猝死事件。 目前我們的人工智慧平台在嚴重血鉀及血鈣異常^1,2、心肌梗塞^3,4、心律不整(包含Atrial fibrillation、Complete AV block、PSVT、VT/VF等⁵)、 主動脈剝離⁶、心包膜炎⁷、肺栓塞⁸、氣胸⁹、毛地黃中毒¹⁰和甲狀腺周期性麻痺¹¹的診斷上都能達到專業心臟科醫師以上的準確度。 這些成果亦獲得Discovery的訪問以介紹給國際觀眾¹²。目前，我們開始計劃進行隨機對照試驗，以驗證我們創新的AI 增強臨床流程的優勢

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.

---

演算法開發

參與者

概述

深度學習是一種數據驅動的演算法，因此必須了解醫療數據的限制並設計合適的演算法才能建立準確的醫療人工智慧系統，我們認為醫學資料與其他場域主要差異及解決方案如下：
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.

---

慢性無症狀疾病心電圖篩檢平台

參與者

概述

心電圖除了記錄心臟的電氣活動之外，還可能提供有關心肺軀幹幾何方面的資訊，這可能代表個人的潛在心血管狀態。我們已經開始將其進一步應用於潛在疾病篩查，例如左心室功能障礙^1,2、慢性腎臟病³、糖尿病⁴、貧血⁵、心衰竭⁶、肝臟問題⁷以及一些瓣膜疾病⁸與心臟結構異常^9,10等。 此外，我們還基於心電圖開發出了一些心臟健康指標，像是體脂率¹¹、死亡風險預測¹²以及心臟年齡評估工具¹³。與實際年齡相比，心臟年齡預測未來心血管結果的準確度更高。基於這些結果，心電圖被認為存在未被人類專家識別的隱藏信息。本項目希望更進一步開發心電圖在社區篩檢中的應用潛力。

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

機器學習最近取得了一些爆炸性的發展，引起了各領域的極大興趣。這些是由人工神經網絡的突破推動的，人工神經網絡通常稱為深度學習，這是一組技術和算法，使計算機能夠發現大型數據集中的複雜模式。推動突破的基礎是大量的標註數據及計算能力的爆炸式增長，從而能夠使用比以往更深的神經網絡。如今，這些模型是解決計算機視覺、語言建模和機器人技術中各種問題的最先進方法。當神經網絡開始在幾個備受矚目的圖像分析競賽中上優於其他方法時，深度學習在計算機視覺中開始佔據了主導地位。 最著名的深度學習突破是 發生在2012 年的 ImageNet 大規模視覺識別挑戰賽 (ILSVRC)，當時深度學習模型（卷積神經網絡）在圖像分類任務中比第二名有誇張的準確度優勢。醫療保健系統提供了大量有價值的標註和大量數據，因此非常適合用深度學習在這上面發展電腦診斷輔助系統。最近，我們開發了一種用於骨髓塗片判讀的物件識別模型，並達到主治醫師等級的準確度¹。現在胸部X光也可以用來輔助心臟疾病的診斷，像是心臟衰竭的偵測等²

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

隨著病歷電子化的進程我們已紀錄了大量的醫療資訊，如能妥善地利用這些醫療資訊將能促成醫學的進步。然而這些資訊大多是以文字、影像等非結構化的方式儲存，從而大大增加了利用的困難度。疾病編碼是將文字紀錄轉換為結構化資訊的重要方法，而目前常規的方式是透過疾病分類師進行這類工作，然而人工進行這項工作不但低效且昂貴。傳統的文檔分類演算法是透過詞袋模型加上SVM、隨機森林等分類器進行分類，但有著準確度低且無法處理新興疾病的問題(因舊有詞袋中不包含新型疾病的關鍵詞)。我們在這裡結合了word embedding技術以及卷積神經網路，發展了一個特殊的網路結構及訓練方式適應疾病分類任務的型態，研究中也發現新的人工智慧模型比原有方法更加準確¹，並且能透過外部語意資源獲取未曾於歷史病歷中見過單字的意思，這大大增加了在未來這個任務中利用人工智慧取代密集勞動力的可能性²。相關技術亦應用於病歷書寫評分³

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