科技AI醫療之展望

by TibaMe小編
科技AI醫療之展望

撰文者: 李晨民 老師

新冠肺炎 (COVID-19) 後疫情時代的延伸,如何在保持安全距離的條件下縮短溝通距離?又能獲得精確的資訊?零接觸智能醫療成為醫療領域聯合資通訊業者、數據分析業者共同合作衍生之標的,用以提升精準醫療為導向,兼顧醫療品質與提升辨識準度為目標。

現發展智能醫院首先具備:

1・病程所觸及相關的醫學病理影像辨識
2・智能語音病歷寫入
3・達文西手術機器人
4・即時血液透析、即時生理數據分析
5・體感復能運動
6・樂齡智能檢測

延伸至醫院外場域之生理感測器參數收集,應用於:

1・居家防跌照護
2・新生兒生理監測
3・防疫場域連續生理監控
4・獨居老人生理監控與健康紀錄,並鏈回至家庭、護理站(或機構)雲端。

所彙得之雲端數據資料庫,將輔助醫師進行多樣性生理參數之醫學專業判讀。
這些生理數據鏈接自不同類別的生理數據收集,行動感測器將數據資訊伴隨邊緣運算技術促成即時監控回饋於醫院雲端資料庫,構成減低接觸率之智能醫療生活圈。

為此,精準醫療架構所涵蓋的數據資料庫與AI (Artificial Intelligence) 模型辨識準度也就相對成為關注的焦點。訓練學習模型時除了資料量、數據資料品質 (雜訊)、訓練時間、量測模型成效之指標之外,仍需考量訓練時可能產生:

1・梯度消失 (vanishing gradient)
2・類神經網路的稀疏性、模型過擬合等調節學習率的演算法
3・模型偏移的調校
4・運算速度等問題。

機器學習流程主要為:

1・資料預處理
2・特徵擷取
3・辨識結果
4・修正模型參數 (學習)

深度學習身為機器學習的其中一種分支,即是將模型替換為類神經網路,其基本學習流程與機器學習並無不同。

在深度學習訓練與分析模型時,需先將資料進行預處理並選用適合的類神經網路架構,將預處理之資料彙總所得之訓練數據集,輸入模型進行訓練,接著使用損失函數 (loss function) 計算模型的預測值與正確答案之差距,透過梯度下降等方法更新神經網路參數。

接著彙入不在訓練資料集中的的資料證模型的準確率,或是用混淆矩陣 (Confusion Matrix) 等相關指標,用以評定此AI模型辨識異常與正常的召回率 (Recall) 、精確度(Precision) 與F1-score等 (如圖四)。或是以更進階的方法分析模型關注的辨識位置 (以胎心音診斷為例,如圖三)。

圖四

隨著邊緣運算與演算法的演進,我們可以利用雲端對資料進行搜集與辨識,再將結果回傳給使用者,告知結果,或是直接在使用者邊緣運算裝置上直接進行預測,以保護使用者的資料隱私權。

讓AI醫療能更好的改善人類的生活模式,AI醫療的魅力,您感受到了嗎?

AI產品瑕疵檢測-應用CNN物件偵測實作班

AI醫療影像腫瘤偵測-應用深度學習實作班

分享這篇文章:
0 comment
0

您也許會喜歡

Leave a Comment

這個網站採用 Akismet 服務減少垃圾留言。進一步瞭解 Akismet 如何處理網站訪客的留言資料