智慧應用 影音

藉助自動化平台 不諳編程的醫生也能打造完美AI模型

2020/10/15 - DIGITIMES企劃

多元多量的大數據累積,造就了這波AI的迅猛成長,影像AI的發展更顯快速。按理說當前的AI發展形勢,相當有利於臨床場域,但其實並非如此,許多醫界人士仍具「有想法、但不知如何運用」之嘆,除了院內缺少資料科學家、適用的工具,及做標註太過耗時費力外,更麻煩的是醫療影像只是小數據、稱不上大數據,拿來模型訓練確實有挑戰。

宏達電健康醫療事業部總經理張智威(同時也是史丹佛大學電腦系客座教授,教授智慧醫療課程)表示,該公司悉心發展DeepQ AI平台的初衷,就是要讓訓練過程變得簡單化。2013年宏達電參與國際醫學競賽,必須打造總重量5磅內的小儀器,能判讀12種疾病、量測5種生命徵象,無疑深具挑戰;後來宏達電仍脫穎勝出,儀器當中的Symptom Checker為致勝重點之一,它是負責問診的機器人,宏達電設計的智能問法,讓問診次數變得甚少而正確率提升。另外宏達電設計的遷移學習算法,成功的在小量影像數據情況下大幅提高診斷準確度,是致勝關鍵。

張智威說,以詢問7個症狀為例,宏達電開發的問診機器人,2015年時診斷正確率僅35%,2019年激增至85%,進步幅度驚人。因而使得各大醫院甚至衛福機構紛紛找上宏達電合作,藉由DeepQ孕育「萬小芳」、「蘭醫師」、「疾管家」等膾炙人口的醫療照護或防疫服務。

以中耳炎偵測為例,一開始宏達電利用一千筆數據、搭配深度學習(DL)演算法進行訓練,模型正確率約75%,並不算高,大膽運用與醫療無關影像進行「遷移學習」訓練,意外將正確率拉升到逾90%。自發明全球第一個在醫學領域成功的使用遷移學習技術,發表的論文廣為引用。

儘管遷移學習在診斷中耳炎效果驚人,甚至能成功辨別出血性中風和阻塞性中風,但這算法畢竟不是立足在「知識」上,應用在某些病症上診斷效果不盡理想。所以宏達電於去年(2019)結合自然語言處理和電腦視覺、發表新的KG-GAN框架,巧妙化解醫療小數據痛點,利用專業知識來引導GAN生成訓練樣本影像符合醫學知識。不僅如此,該公司更與臺大、史丹佛大學合作發展「SOTERIA」多層次區塊鏈,有效解決資料隱私疑慮,也能讓大家更公開、透明、快速地針醫療數據的使用與分享做公開透明的稽核。

宏達電健康醫療事業部專案經理吳億澤指出,DeepQ AI的願景,即是讓不會寫程式、不懂AI的醫生都能使用這個平台,經由自動化處理,產生他所需要的模型;舉例來說,假使醫生知道自己的題目是什麼,收集相關影像,便可啟用DeepQ AI平台自動選擇最適合預架構模型並自動調整參數,再搭配遷移學習演算法,快速獲得醫生想要的最後模型,而且也能透過簡單的驗證程序,測試此模型是否達到他所預設的理想水準。這是使用AI來實踐AI的創舉,大大的降低了使用AI的門檻,同時大幅減少開發時間人力和經費,並且達到至高準確度。

有人問道,針對訓練過程中向來最勞心勞力的標註作業,DeepQ是否有好的解方?吳億澤說,假使醫生預計要投入訓練的影像檔有1,000張,若全都要手動做標註,確實很累人,故DeepQ允許醫生只需標註五分之一、也就是200張,先用這些素材訓練出一個模型,再利用它來標註剩餘的800張,得以大幅減少工時。

不僅如此,DeepQ可直接利用DICOM解析Tag,進行自動化的分類和整理,另外還內建自動化參數調校引擎,反覆進行Benchmark,因此醫生不需寫任何一行程式碼來進行調參,即可產出令人滿意的訓練成果。宏達電更希望醫生也能藉由DeepQ,將自己培養成為AI開發者,讓更多功能被激發出來。


圖說:宏達電健康醫療事業部總經理張智威。


圖說:宏達電健康醫療事業部專案經理吳億澤。