智能应用 影音
筛选条件▾

藉助自动化平台 不谙编程的医生也能打造完美AI模型

2020/10/15 - DIGITIMES企划

多元多量的大数据累积,造就了这波AI的迅猛成长,影像AI的发展更显快速。按理说当前的AI发展形势,相当有利于临床场域,但其实并非如此,许多医界人士仍具「有想法、但不知如何运用」之叹,除了院内缺少资料科学家、适用的工具,及做标注太过耗时费力外,更麻烦的是医疗影像只是小数据、称不上大数据,拿来模型训练确实有挑战。

宏达电健康医疗事业部总经理张智威(同时也是史丹佛大学计算机系客座教授,教授智能医疗课程)表示,该公司悉心发展DeepQ AI平台的初衷,就是要让训练过程变得简单化。2013年宏达电参与国际医学竞赛,必须打造总重量5磅内的小仪器,能判读12种疾病、量测5种生命征象,无疑深具挑战;后来宏达电仍脱颖胜出,仪器当中的Symptom Checker为致胜重点之一,它是负责问诊的机器人,宏达电设计的智能问法,让问诊次数变得甚少而正确率提升。另外宏达电设计的迁移学习算法,成功的在小量影像数据情况下大幅提高诊断准确度,是致胜关键。

张智威说,以询问7个症状为例,宏达电开发的问诊机器人,2015年时诊断正确率仅35%,2019年激增至85%,进步幅度惊人。因而使得各大医院甚至卫福机构纷纷找上宏达电合作,藉由DeepQ孕育「万小芳」、「兰医师」、「疾管家」等脍炙人口的医疗照护或防疫服务。

以中耳炎侦测为例,一开始宏达电利用一千笔数据、搭配深度学习(DL)算法进行训练,模型正确率约75%,并不算高,大胆运用与医疗无关影像进行「迁移学习」训练,意外将正确率拉升到逾90%。自发明全球第一个在医学领域成功的使用迁移学习技术,发表的论文广为引用。

尽管迁移学习在诊断中耳炎效果惊人,甚至能成功辨别出血性中风和阻塞性中风,但这算法毕竟不是立足在「知识」上,应用在某些病症上诊断效果不尽理想。所以宏达电于去年(2019)结合自然语言处理和计算机视觉、发表新的KG-GAN框架,巧妙化解医疗小数据痛点,利用专业知识来引导GAN生成训练样本影像符合医学知识。不仅如此,该公司更与台大、史丹佛大学合作发展「SOTERIA」多层次区块链,有效解决资料隐私疑虑,也能让大家更公开、透明、快速地针医疗数据的使用与分享做公开透明的稽核。

宏达电健康医疗事业部专案经理吴亿泽指出,DeepQ AI的愿景,即是让不会写程序、不懂AI的医生都能使用这个平台,经由自动化处理,产生他所需要的模型;举例来说,假使医生知道自己的题目是什么,收集相关影像,便可启用DeepQ AI平台自动选择最适合预架构模型并自动调整参数,再搭配迁移学习算法,快速获得医生想要的最后模型,而且也能透过简单的验证程序,测试此模型是否达到他所缺省的理想水平。这是使用AI来实践AI的创举,大大的降低了使用AI的门槛,同时大幅减少开发时间人力和经费,并且达到至高准确度。

有人问道,针对训练过程中向来最劳心劳力的标注作业,DeepQ是否有好的解方?吴亿泽说,假使医生预计要投入训练的影像档有1,000张,若全都要手动做标注,确实很累人,故DeepQ允许医生只需标注五分之一、也就是200张,先用这些素材训练出一个模型,再利用它来标注剩余的800张,得以大幅减少工时。

不仅如此,DeepQ可直接利用DICOM解析Tag,进行自动化的分类和整理,另外还内建自动化参数调校引擎,反复进行Benchmark,因此医生不需写任何一行程序码来进行调参,即可产出令人满意的训练成果。宏达电更希望医生也能藉由DeepQ,将自己培养成为AI开发者,让更多功能被激发出来。


图说:宏达电健康医疗事业部总经理张智威。


图说:宏达电健康医疗事业部专案经理吴亿泽。