藉助自動化平台 不諳編程的醫生也能打造完美AI模型

多元多量的大數據累積，造就了這波AI的迅猛成長，影像AI的發展更顯快速。按理說當前的AI發展形勢，相當有利於臨床場域，但其實並非如此，許多醫界人士仍具「有想法、但不知如何運用」之嘆，除了院內缺少資料科學家、適用的工具，及做標註太過耗時費力外，更麻煩的是醫療影像只是小數據、稱不上大數據，拿來模型訓練確實有挑戰。

宏達電健康醫療事業部總經理張智威(同時也是史丹佛大學電腦系客座教授，教授智慧醫療課程)表示，該公司悉心發展DeepQ AI平台的初衷，就是要讓訓練過程變得簡單化。2013年宏達電參與國際醫學競賽，必須打造總重量5磅內的小儀器，能判讀12種疾病、量測5種生命徵象，無疑深具挑戰；後來宏達電仍脫穎勝出，儀器當中的Symptom Checker為致勝重點之一，它是負責問診的機器人，宏達電設計的智能問法，讓問診次數變得甚少而正確率提升。另外宏達電設計的遷移學習算法，成功的在小量影像數據情況下大幅提高診斷準確度，是致勝關鍵。

張智威說，以詢問7個症狀為例，宏達電開發的問診機器人，2015年時診斷正確率僅35%，2019年激增至85%，進步幅度驚人。因而使得各大醫院甚至衛福機構紛紛找上宏達電合作，藉由DeepQ孕育「萬小芳」、「蘭醫師」、「疾管家」等膾炙人口的醫療照護或防疫服務。

以中耳炎偵測為例，一開始宏達電利用一千筆數據、搭配深度學習(DL)演算法進行訓練，模型正確率約75%，並不算高，大膽運用與醫療無關影像進行「遷移學習」訓練，意外將正確率拉升到逾90%。自發明全球第一個在醫學領域成功的使用遷移學習技術，發表的論文廣為引用。

儘管遷移學習在診斷中耳炎效果驚人，甚至能成功辨別出血性中風和阻塞性中風，但這算法畢竟不是立足在「知識」上，應用在某些病症上診斷效果不盡理想。所以宏達電於去年(2019)結合自然語言處理和電腦視覺、發表新的KG-GAN框架，巧妙化解醫療小數據痛點，利用專業知識來引導GAN生成訓練樣本影像符合醫學知識。不僅如此，該公司更與臺大、史丹佛大學合作發展「SOTERIA」多層次區塊鏈，有效解決資料隱私疑慮，也能讓大家更公開、透明、快速地針醫療數據的使用與分享做公開透明的稽核。

宏達電健康醫療事業部專案經理吳億澤指出，DeepQ AI的願景，即是讓不會寫程式、不懂AI的醫生都能使用這個平台，經由自動化處理，產生他所需要的模型；舉例來說，假使醫生知道自己的題目是什麼，收集相關影像，便可啟用DeepQ AI平台自動選擇最適合預架構模型並自動調整參數，再搭配遷移學習演算法，快速獲得醫生想要的最後模型，而且也能透過簡單的驗證程序，測試此模型是否達到他所預設的理想水準。這是使用AI來實踐AI的創舉，大大的降低了使用AI的門檻，同時大幅減少開發時間人力和經費，並且達到至高準確度。

有人問道，針對訓練過程中向來最勞心勞力的標註作業，DeepQ是否有好的解方？吳億澤說，假使醫生預計要投入訓練的影像檔有1,000張，若全都要手動做標註，確實很累人，故DeepQ允許醫生只需標註五分之一、也就是200張，先用這些素材訓練出一個模型，再利用它來標註剩餘的800張，得以大幅減少工時。

不僅如此，DeepQ可直接利用DICOM解析Tag，進行自動化的分類和整理，另外還內建自動化參數調校引擎，反覆進行Benchmark，因此醫生不需寫任何一行程式碼來進行調參，即可產出令人滿意的訓練成果。宏達電更希望醫生也能藉由DeepQ，將自己培養成為AI開發者，讓更多功能被激發出來。