速記AI課程-Convolutional Neural Networks for Computer Vision Applications(四)

機器智能與人類行為分析於醫療應用

當晚另一場分享是清大李祈均副教授分享之前利用AI協助各大醫院之應用,包含加速血癌診斷、健保資料庫之醫療行為與風險預測、利用聲音影像等生理訊號輔助急診決策。

加速血癌診斷

第一個是李與台大柯博升醫師(也是柯P)、台成幹細胞治療中心合作的案子,希望透過AI來協助醫生快速由病人血液中診斷是否為白血病,以及是何種白血病(如急性AML/ALL)。

傳統的方式是透過特殊染料,讓血液中AML相關細胞染上某色,ALL細胞染上另一色,接著在人工透過顯微鏡觀察。而流式細胞儀(Flow CytoMetry,簡稱FCM)則是更精準的細胞檢視技術,把血液樣本放入FCM,被螢光試劑染過的細胞會一個個排隊被雷射光照射,透過分析每個細胞上被照射後的光散射程度,我們就有可以了解細胞上的化學物質,進而辨識出細胞的真正身份。

很清楚的FCM原理影片

每個血液樣本,於FCM產生的資料矩陣大小為10萬(細胞數)乘以8(不同觀測重點),因此即為所謂的高維度資料,加上每個病人約需抽12管血液,因此對於專科醫師來說,判定一個病人是否有白血病需要20分鐘左右。

專科醫師判定的過程(From 范文佳

利用8年來台成超過一萬筆的個案資料,搭配高斯混合模型、類神經網路、SVM等技術,已經可以在7秒內完成白血病的判定,準確率近九成,十分厲害。

健保資料庫之醫療行為與風險預測

台灣的健保全球聞名,蒐集的資料非常完整,那麼可否能用來預測國民五年後是否會中風(國人死因前三)呢?

其實,國際上的科學家與相關組織也一直在尋找與心腦血管疾病相關的風險因子,像是美國心臟病學院(American College of Cardiology,簡稱ACC)與美國心臟病協會(American Heart Association,簡稱AHA)經過多年的研究,提出了ACC/AHA預測模型,包含是否有高血壓、膽固醇、年紀、是否吸煙和糖尿病等因素,其他組織也提出了Framingham、Reynolds、QRISK2、QRISK3等預測模型。以下是可以自行線上估計風險分數之QRISK3網站。

不過,上述模型的缺點,據英國諾丁漢大學流行病學家Stephen Weng博士所說,「每個風險因子與心血管疾病之間的關係都是線性的,這些模型可能過度簡化了它們之間的關係。」因此,李與榮總的林敬恒博士合作,採用了類神經網路來進行預測,發現預測五年內中風的準確率達92%,較上述的傳統模型都來得更好。

利用聲音影像等生理訊號輔助急診決策

最後是李與長庚翁一銘醫師合作的急診檢傷應用。傳統判斷急診病人的急迫程度,多為醫護人員觀察以及搭配台灣急診檢傷急迫度分級量表(TTAS),而TTAS這樣的自述量表在臨床跟量化上有其困難,如詢問病人痛不痛,或是請病人給疼痛1至10分的分數,常常得到啼笑皆非的回答。(如很痛、不知道幾分反正就是很痛啦)

TTAS

李採用LSTM(一種類神經網路),透過大愛電視台的聲音來進行音調頻譜的訓練,試圖從頻譜中分辨痛的等級;另外也搭配CNN來辨識臉部表情,來分辨病人痛的等級。聲音的頻譜加上表情的辨識,在區分高低疼痛的等級中,準確率達到八成!

課堂上撥放了病人就診時疼痛的說話聲音,以及治療後不痛的說話聲音,還真的聽得出一些差異呢!

商管 * 科技 | 顧問 + 稽核 | AI X Fraud | baubimedi@gmail.com

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store