研究方向

心電圖人工智慧系統

參與者

概述

心血管疾病是一個重要的公共衛生議題，篩檢和診斷在減輕這些疾病負擔方面至關重要。然而，受限於有限的醫療資源，台灣尚未建立全面的國家級心血管疾病管理計劃。心電圖提供了一種價格合理且簡單的診斷工具，我們已經透過集成深度學習技術開發出能夠準確幫助篩查慢性心血管疾病並檢測急性心血管事件的人工智能輔助心電圖分析系統。這甚至有可能使心電圖檢測從醫療機構轉移到社區和家庭環境，從而增強心血管疾病管理的可及性。目前有關人工智能輔助心電圖分析系統的研究主要圍繞著回顧性模型開發研究，我們未來將在醫院、社區和居家環境進行介入性研究，探索在這三個廠域內利用人工智能輔助心電圖分析系統對心血管疾病的好處。我們希望建立一個基於人工智能輔助心電圖分析系統的全國性心血管疾病篩查策略，使台灣在國際上成為心血管疾病政策規劃的典範。此外，我們提出了一個涵蓋確診心血管疾病患者的數位居家照護模式也有可能培育出一個新的精準醫療和健康產業。

Reference:
¹Nat Med, 30(5):1461-1470.
²NEJM AI, 1(7):AIoa2400190.
³npj Digital Medicine, 5(1):8.
⁴EuroIntervention, 17(9):765-773.
⁵Can J Cardiol, 38(2):160-168.
⁶Can J Cardiol, 40(7):1310-1321.
⁷Commun Med, 4(1):42.
⁸Clin Chim Acta, 536:126-134.
⁹J Med Syst, 47(1):81.
¹⁰J Med Syst, 48(1):67.
¹¹JMIR Med Inform, 8(3):e15931.
¹²J Pers Med, 11(11):1149.
¹³J Pers Med, 12(7):1150.
¹⁴Eur J Trauma Emerg Surg, 48(4):3317-3326.
¹⁵Int J Environ Res Public Health, 18(7), 3839.
¹⁶J Endocr Soc, 5(9):bvab120.
¹⁷Aging, 16(10):8717-8731.
¹⁸J Pers Med, 12(3):455.
¹⁹Front Med, 9:870523.
²⁰J Pers Med, 11(8):725.
²¹Front Cardiovasc Med, 9:895201.
²²J Pers Med, 12(2):315.
²³Digital Health, 9:20552076231187247.
²⁴Front Cardiovasc Med, 9:754909.
²⁵Diagnostics, 13:2723.
²⁶Acta Cardiol Sin, 39(6):913–928.
²⁷Am J Crit Care, 34(1):41-51.
²⁸We 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. 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。
3. 設計特殊的預測函數及損失函數：在醫學領域中的應用人工智慧模型時，實常會需要可解釋性與信心度問題，如遇到資料品質不好時可以建議第一線操作人員馬上重新執行一次檢查，這在前瞻性試驗中相當重要³。
4. 特殊的準確度評估指標：醫學人工智慧研究往往忽略了醫學資料中的變量相依性問題，如心電圖與年齡及性別有關，而性別與年齡又與骨密度有關，從而導致分不清楚心電圖與骨密度的關聯性是否來自於真實的因果關係。 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，因此需要針對這個問題設計適當的評估指標⁴。

Reference:
¹Comput Methods Programs Biomed, 231:107359.
²Eur Heart J-DH, ztac072.
³Digital Health, 8:20552076221143249.
⁴Unpublished data.

---

醫學影像分析

參與者

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。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、心肺生理年齡、主動脈剝離、短期死亡風險、骨質疏鬆的偵測等

Reference:
¹Nat Med, 27(10):1735-1743.
²Radiology, 311(3):e231937.
³Can J Cardiol, 38(6):763-773.
⁸Can J Cardiol, 38(2):160-168.
⁵J Med Syst, 47(1):81.
⁶J Med Syst, 48(1):12.
⁷JMIR Med Inform, 8(4):e15963.
⁸Digital Health, 9:20552076231191055.

---

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
博士後研究員

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.