AWS
event
 

與首爾Konkuk附醫合作 北醫藉ANN等7種演算法分析血癌

惡性腫瘤令人聞之色變,也因此近年來,有許多機器學習(ML)、深度學習的AI影像輔助判別系統,就是希望透過電腦的力量,掌握每一個藏在CT、MRI當中的大小病灶。即便有些病灶仍舊需要放射師才能找得出來,但電腦系統依舊能幫助提升效率以及降低病人的疼痛。希望透過電腦系統的力量,台北醫學大學醫學資訊研究所副教授Shabbir Syed Abdul近期與團隊,透過7種機器學習模型,正積極開發血液腫瘤應用AI系統,希望能替病人減輕疼痛、提早發現病灶,也幫助醫師、醫院的工作變得更有效率。

 點擊圖片放大觀看

台北醫學大學醫學資訊研究所副教授Shabbir Syed Abdul分析,AI系統已能快速提出血癌高低示警,有助於及早進入下一階段篩檢與治療。蔡騰輝

善用7種演算法、128個節點分析

北醫研究團隊與南韓首爾Konkuk大學附設醫學中心合作,使用457例惡性,425例非惡性等共882個血液腫瘤案例來訓練系統,使用包括隨機梯度下降法(SGD)、支援向量機(SVM)、隨機森林(RF)、決策樹(DT)、線性模型(Linear Models)、邏輯回歸(Logistic Regression)、類神經網路(Artificial Neural Network;ANN)等7種機器學習演算法來研究,其中,雪必兒特別提到透過ANN時,數據的表現相當不錯,診斷率達93.5%。結構方面,同時在10層分層交叉驗證、128個節點中,進行細胞群落數據分析(CPD)。

電腦輔助系統 醫檢師工作效率提升

血液檢測時,病人必須抽血,等待檢驗報告,如果發現有其他問題,有時候又需要再抽一次,多次抽血,也有可能造成感染,或是提高醫檢師的工作負擔。為了解決這樣的問題,同時增進醫學基礎研究,雪必兒藉由機器學習演算法,以細胞群落數據來篩檢惡性血液腫瘤。

現在,透過一般健檢的抽血數據,就可以發現未來可能罹患癌症的高風險族群。Shabbir分析,一般的常規血液檢測,會產出「全血細胞數量分析」(CBC),而團隊就是藉由ML來分析這些數據。有別於過去,如果病人有特殊症狀,才進行檢測時,都為時已晚,已罹患癌症。

對於病人來說,不管現在身體是否有癌症的症狀,都可以在一次的抽血檢驗流程當中,測出可能的風險,也因為能夠提早找出來,才能夠落實預防醫學;另一方面,對於醫師、醫檢師來說,早期找出病灶,不僅可以增加病人安全、存活率,對醫院來說,也可以增加檢驗的效率、提升醫學量能、降低人員工作負擔。

醫療研究、臨床的智慧化 日日漸增

希望再次提升抽血檢測應用廣度的雪必兒說,將這樣的系統融入健康檢查流程當中,也能夠增加民眾對於健檢的使用者體驗,同時間,目前的系統僅先分析罹患血癌的風險高低,未來會持續從高風險血癌罹患各案,持續深化分析是哪一種血癌。

從研究數據中顯示,與女性相比,男性比較容易得到惡性血癌;另一方面,與男性相比,女性比較容易有「貧血」的問題。

團隊耗時2個月收集個案資料,後續投注4個月的時間開發,雖然目前這刊登於Nature旗下Scientific Reports自然科學報告期刊的仍屬早期研究,但未來將會以良性與惡性腫瘤的細分類為目標前進,但對於AI決策支援系統來說,已經能看到很好的效果。

蔡騰輝

DIGITIMES電子時報智慧醫療主編蔡騰輝Mark Tsai
專注研究智慧醫療產品技術服務導入場域時,所遇到的困難癥結與如何克服要點。
精通中英德語,熱愛挑戰與Swing Dance。
Facebook:DIGITIMES智慧醫療

作者更多專欄

  •     按讚加入DIGITIMES智慧醫療粉絲團