轉譯學習等醫療AI技術發展重要 然PLC與醫材法遵也不可忘 蔡騰輝2019-10-23市場十分期待未來醫療有效結合包括了電腦科學、醫學創新技術等科技，以及數位應用人才等不同專業人士的智慧醫療新生態，能夠讓醫學治療更加精準。而在人工智慧轉譯學習(Transfer learning)上，HTC DeepQ專案處資深處長游山逸分享過往與耳鼻喉科醫師以IRB臨床方式合作時經驗，同時也認為智慧醫療的發展上，法規遵循與產品生命週期(Product Life Cycle；PLC)都是事業拓展關鍵。
大數據分析與AI自我學習的力量 未來將越見顯著 過去與耳鼻喉科醫師合作影像分析，起初使用1,000多張中耳炎影像進行深度學習時，只得到75%正確率，後來，在卷積神經網路(Convolutional Neural Networks；CNN)和深度神經網路(Deep Neural Networks；DNN)的架構下，調整影像與精細分析部位後，正確率就提升至80%；後續也想盡辦法，包括使用了許多不相關的內容來訓練，在AI自我學習和類比影像的過程當中，準確率可提升至90.96%，游山逸直言，這都是未來各類演算法與神經網路能夠展現出驚人分析能力的潛力。在醫學影像分析的演算法訓練上，顏色、形狀等特徵都能夠成為提升學習成效的內容，而像是影像中底層的邊邊角角的幾何內容與特徵，事實證明也都可以提供系統判斷與訓練。HTC DeepQ目前推出的Work Station，提供了DeepCap影像標註、AI Trainer自動化、Console GPU設定與帳號管理等功能。不僅能夠支援DICOM、JPG、PNG等影像格式，在放射科、骨科、眼科之間都可以使用。系統架設在醫院院內，在人員輸入資料訓練演算法之前，會先透過系統將資料去識別化，才開始訓練，進而產出模型(inference model)，而訓練後的模型，則能與臨床的PACS Viewer整合使用。
利用數據擴增功能 解決部分數據不足困境 「高品質的醫療數據得來不易」，相信許多投入醫療影像人工智慧領域的專家都心有戚戚，在數據量有限的情況下，若要進一步發展機器學習和深度學習，就要使用數據擴增(Data augmentation) 的方式來協助。游山逸表示，以目前的結果來看，收集達100萬個影像以上的計畫，所產出的演算法準確度才比較有可能到達90%以上。目前 HTC DeepQ預訓練的演算法有162個，訓練好的演算法有43個，各式演算法的總數量目前共有205個。在人工智慧演算法訓練其他人工智慧演算法的領域上，HTC目前也在積極建置當中。
系統化協助法規、認證、商品化 許多醫師都希望可以借助電腦科學的力量，提升醫學服務效率與品質，不過游山逸提醒，以市場現況觀之，有不少的計畫與概念驗證(POC)，然而，如果真的要對產業產生更長遠的發展效益，應該要努力商品化、瞭解產品生命週期，也因為這樣，HTC DeepQ更注重醫材法規遵循，以及符合ISO13485的企業標準，進而協助技術落地。目前積極與醫院洽談，以專案計畫IRB等方式進行，DeepQ則協助醫院訓練演算法模型。在協助醫療院所數位轉型、技術AI化、「用戶即開發者」(User as a Developer)、「用戶即醫師」(User as a Doctor)的合作過程中，醫院提供臨床實證與風險管理、臨床效益評估後，DeepQ就能夠協助幫忙整理技術文件，申請FDA上市許可。在醫療人工智慧的發展與應用上，游山逸強調，除了演算法的準確率以外，結果出來後的下一步處置建議也相當重要，科技廠商與新創團隊應該針對研究醫師既有流程，在不大幅改變或是增加流程的情況下，協助提升醫師的工作效率。