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。
No comments:
Post a Comment