科技产业报订阅
event
 

与首尔Konkuk附医合作 北医藉ANN等7种算法分析血癌

恶性肿瘤令人闻之色变,也因此近年来,有许多机器学习(ML)、深度学习的AI影像辅助判别系统,就是希望透过计算机的力量,掌握每一个藏在CT、MRI当中的大小病灶。即便有些病灶仍旧需要放射师才能找得出来,但计算机系统依旧能帮助提升效率以及降低病人的疼痛。希望透过计算机系统的力量,台北医学大学医学信息研究所副教授Shabbir Syed Abdul近期与团队,透过7种机器学习模型,正积极开发血液肿瘤应用AI系统,希望能替病人减轻疼痛、提早发现病灶,也帮助医师、医院的工作变得更有效率。

 点击图片放大观看

台北医学大学医学信息研究所副教授Shabbir Syed Abdul分析,AI系统已能快速提出血癌高低示警,有助于及早进入下一阶段筛检与治疗。蔡腾辉

善用7种算法、128个节点分析

北医研究团队与韩国首尔Konkuk大学附设医学中心合作,使用457例恶性,425例非恶性等共882个血液肿瘤案例来训练系统,使用包括随机梯度下降法(SGD)、支持矢量机(SVM)、随机森林(RF)、决策树(DT)、线性模型(Linear Models)、逻辑回归(Logistic Regression)、类神经网络(Artificial Neural Network;ANN)等7种机器学习算法来研究,其中,雪必儿特别提到透过ANN时,数据的表现相当不错,诊断率达93.5%。结构方面,同时在10层分层交叉验证、128个节点中,进行细胞群落数据分析(CPD)。

计算机辅助系统 医检师工作效率提升

血液检测时,病人必须抽血,等待检验报告,如果发现有其它问题,有时候又需要再抽一次,多次抽血,也有可能造成感染,或是提高医检师的工作负担。为了解决这样的问题,同时增进医学基础研究,雪必儿藉由机器学习算法,以细胞群落数据来筛检恶性血液肿瘤。

现在,透过一般健检的抽血数据,就可以发现未来可能罹患癌症的高风险族群。Shabbir分析,一般的常规血液检测,会产出「全血细胞数量分析」(CBC),而团队就是藉由ML来分析这些数据。有别于过去,如果病人有特殊症状,才进行检测时,都为时已晚,已罹患癌症。

对于病人来说,不管现在身体是否有癌症的症状,都可以在一次的抽血检验流程当中,测出可能的风险,也因为能够提早找出来,才能够落实预防医学;另一方面,对于医师、医检师来说,早期找出病灶,不仅可以增加病人安全、存活率,对医院来说,也可以增加检验的效率、提升医学量能、降低人员工作负担。

医疗研究、临床的智能化 日日渐增

希望再次提升抽血检测应用广度的雪必儿说,将这样的系统融入健康检查流程当中,也能够增加民众对于健检的使用者体验,同时间,目前的系统仅先分析罹患血癌的风险高低,未来会持续从高风险血癌罹患各案,持续深化分析是哪里一种血癌。

从研究数据中显示,与女性相比,男性比较容易得到恶性血癌;另一方面,与男性相比,女性比较容易有「贫血」的问题。

团队耗时2个月收集个案资料,后续投注4个月的时间开发,虽然目前这刊登于Nature旗下Scientific Reports自然科学报告期刊的仍属早期研究,但未来将会以良性与恶性肿瘤的细分类为目标前进,但对于AI决策支持系统来说,已经能看到很好的效果。

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