研究方向
心電圖人工智慧系統
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
許家榮
工程師
許育瑞
臨床負責人
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
蔡炳煌
腎臟科醫師
張喬翔
心臟科醫師
陳宏毅
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
概述
Reference:
1npj Digital Medicine, 5(1):8.
2Clin Chim Acta, 536:126-134.
3JMIR Med Inform, 8(3):e15931.
4EuroIntervention, 17(9):765-773.
5J Pers Med, 11(11):1149.
6Can J Cardiol, 38(2):160-168.
7J Pers Med, 12(7):1150.
8Eur J Trauma Emerg Surg, 48(4):3317-3326.
9Int J Environ Res Public Health, 18(7), 3839.
10J Endocr Soc, 5(9):bvab120.
11J Med Syst, 47(1):81.
12J Pers Med, 12(3):455.
13Front Med, 9:870523.
14J Pers Med, 11(8):725.
15Front Cardiovasc Med, 9:895201.
16J Pers Med, 12(2):315.
17Digital Health, 9:20552076231187247.
18Front Cardiovasc Med, 9:754909.
19Diagnostics, 13:2723.
20Acta Cardiol Sin, 39(6):913–928.
21We shared our works to the Discovery.
1npj Digital Medicine, 5(1):8.
2Clin Chim Acta, 536:126-134.
3JMIR Med Inform, 8(3):e15931.
4EuroIntervention, 17(9):765-773.
5J Pers Med, 11(11):1149.
6Can J Cardiol, 38(2):160-168.
7J Pers Med, 12(7):1150.
8Eur J Trauma Emerg Surg, 48(4):3317-3326.
9Int J Environ Res Public Health, 18(7), 3839.
10J Endocr Soc, 5(9):bvab120.
11J Med Syst, 47(1):81.
12J Pers Med, 12(3):455.
13Front Med, 9:870523.
14J Pers Med, 11(8):725.
15Front Cardiovasc Med, 9:895201.
16J Pers Med, 12(2):315.
17Digital Health, 9:20552076231187247.
18Front Cardiovasc Med, 9:754909.
19Diagnostics, 13:2723.
20Acta Cardiol Sin, 39(6):913–928.
21We shared our works to the Discovery.
演算法開發
參與者
林嶔
指導老師
羅宇昇
博士後研究員
李俊何
碩士生
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. 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.
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
林嶔
指導老師
吳宜穎
血腫科醫師
蔡東樟
研究員
羅宇昇
博士後研究員
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, 38(6):763-773.
3Digital Health, 9:20552076231191055.
4Can J Cardiol, 38(2):160-168.
5J Med Syst, 47(1):81.
6J Med Syst, 48(1):12.
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
Reference:
1J Med Internet Res, 19(11):e380.
2JMIR Med Inform, 7(3):e14499.
3Healthcare, 9(10):1298.