Advantech
Advantechline
 

转译学习等医疗AI技术发展重要 然PLC与医材法遵也不可忘

HTC DeepQ专案处资深处长游山逸。蔡腾辉摄

市场十分期待未来医疗有效结合包括了计算机科学、医学创新技术等科技,以及数码应用人才等不同专业人士的智能医疗新生态,能够让医学治疗更加精准。而在在人工智能转译学习(Transfer learning)上,HTC DeepQ专案处资深处长游山逸分享过往与耳鼻喉科医师以IRB临床方式合作时经验,同时也认为智能医疗的发展上,法规遵循与产品生命周期(Product Life Cycle;PLC)都是事业拓展关键。

大数据分析与AI自我学习的力量 未来将越见显著

过去与耳鼻喉科医师合作影像分析,起初使用1,000多张中耳炎影像进行深度学习时,只得到75%正确率,后来,在卷积神经网络(Convolutional Neural Networks;CNN)和深度神经网络(Deep Neural Networks;DNN)的架构下,调整影像与精细分析部位后,正确率就提升至80%;后续也想尽办法,包括使用了许多不相关的内容来训练,在AI自我学习和类比影像的过程当中,准确率可提升至90.96%,游山逸直言,这都是未来各类算法与神经网络能够展现出惊人分析能力的潜力。

在医学影像分析的算法训练上,颜色、形状等特征都能够成为提升学习成效的内容,而象是影像中底层的边边角角的几何内容与特征,事实证明也都可以提供系统判断与训练。

HTC DeepQ目前推出的Work Station,提供了DeepCap影像标注、AI Trainer自动化、Console GPU设定与帐号管理等功能。不仅能够支持DICOM、JPG、PNG等影像格式,在放射科、骨科、眼科之间都可以使用。系统架设在医院院内,在人员输入资料训练算法之前,会先透过系统将资料去识别化,才开始训练,进而产出模型(inference model),而训练后的模型,则能与临床的PACS Viewer集成使用。

利用数据扩增功能 解决部分数据不足困境 

「高质量的医疗数据得来不易」,相信许多投入医疗影像人工智能领域的专家都心有戚戚,在数据量有限的情况下,若要进一步发展机器学习和深度学习,就要使用数据扩增(Data augmentation) 的方式来协助。游山逸表示,以目前的结果来看,收集达100万个影像以上的计画,所产出的算法准确度才比较有可能到达90%以上。

目前 HTC DeepQ预训练的算法有162个,训练好的算法有43个,各式算法的总数量目前共有205个。在人工智能算法训练其它人工智能算法的领域上,HTC目前也在积极建置当中。

系统化协助法规、认证、商品化

 许多医师都希望可以借助计算机科学的力量,提升医学服务效率与质量,不过游山逸提醒,以市场现况观之,有不少的计画与概念验证(POC),然而,如果真的要对产业产生更长远的发展效益,应该要努力商品化、了解产品生命周期,也因为这样,HTC DeepQ更注重医材法规遵循,以及符合ISO13485的企业标准,进而协助技术落地。目前积极与医院洽谈,以专案计画IRB等方式进行,DeepQ则协助医院训练算法模型。

在协助医疗院所数码转型、技术AI化、「用户即开发者」(User as a Developer)、「用户即医师」(User as a Doctor)的合作过程中,医院提供临床实证与风险管理、临床效益评估后,DeepQ就能够协助帮忙整理技术文件,申请FDA上市许可。

在医疗人工智能的发展与应用上,游山逸强调,除了算法的准确率以外,结果出来后的下一步处置建议也相当重要,科技厂商与新创团队应该针对研究医师既有流程,在不大幅改变或是增加流程的情况下,协助提升医师的工作效率。

蔡腾辉

DIGITIMES电子时报智能医疗主编蔡腾辉Mark Tsai
专注研究智能医疗产品技术服务导入场域时,所遇到的困难症结与如何克服要点。
精通中英德语,热爱挑战与Swing Dance。
Facebook:DIGITIMES智能医疗

作者更多专栏

  •     按赞加入DIGITIMES智能医疗粉丝团