淺談 AIoT 驅動智慧醫療 4.0

圖:shutterstock

 

口述/孫培然‧彙整/CIO編輯室


工智慧(Artificial Intelligence, AI)的興起跟物聯網逐漸的成熟,再加上5G傳輸技術的升級,整合成「AIoT智慧化時代」的熱門議題,也顛覆了許多人類的行為,以及傳統的工作流程,更可能又是一波的工業革命的開始,恰巧工業4.0與醫療4.0所談論的重點都是圍繞在物聯網、雲端運算、Big Data 及AI等議題,可見這些議題有多麼重要。

 

如何將科技與醫療串聯,全面升級為AI醫院,邁向智慧醫療4.0時代來臨了。這次我所要講的AIoT,泛指的是IoT、AI、或者是AI加IoT,甚至AI跟IoT整合的AIoT的現代化應用。首先,讓我們溫故知新一下什麼叫做物聯網(IoT),還有何謂AI?

物聯網的發展趨勢

IoT (Internet of Things)一般稱為物聯網,但我覺得稱為「萬物聯網」會更為恰當。因為聯網不只是裝置跟裝置、系統和系統的連結,裝置與系統或者跟人之間的聯網,就是以Internet為基礎,透過資料擷取以及通訊能力,連結實體物件與虛擬資料,進行各類控制、偵測、監控、識別及服務應用,我們都可以稱為IoT萬物聯網。

IoT主要是拉近分散式的資料,集中彙整成物與物的數位資訊,聚集形成 Big Data(大數據),以利於未來提供給AI做研究分析,在健康醫療領域具有十分廣闊的市場跟應用前景。例如在醫院有很多的醫療設備、病人、加護病房(ICU),加上呼吸器、麻醉機、葉克膜、靜脈注射幫浦(IV Pump)等與治療相關的儀器,還有手術房、麻醉室、呼吸照護、血液透析等應用場域,很多儀器都必須要能做到自動聯網,才能讓醫院能夠即時監控病人的病情變化。

 

除此之外,我們也需要整合全院的各個臨床研究中心的資料,例如神經外科團隊的中風資料庫、外傷團隊建立的外傷資料庫、心內團隊的胸痛資料庫,以及腎臟團隊的腎臟資料庫,這些資料庫本來都是分散於各科,如果各科資料庫能夠加以整合,再進一步把HIS資料庫,甚至健保資料庫、國民健康署的健康資料庫以及更多的健康管理資料,一起匯總到整合資料庫,就可以成為日後做研究分析的 Big Data 資料庫。

Big Data 的萃取,有幾個關鍵的步驟。首先,我們得先將彙集存在的資料做資料清洗(Data Cleansing),清洗之後再儲存在 Big Data 或者資料倉儲(Data Warehouse)的儲存設備上面,緊接著我們要將資料訓練成相關的資料模型(Data Model),再透過資料模型去做資料分析,分析完以後再提供給臨床醫護人員做臨床決策(CDSS)參考。

AI的發展歷程

緊接著要談的是,什麼叫AI?什麼叫機器學習(Machine Learning, ML)?與現在所謂的「深度學習」(Deep Learning),各有什麼差別?在1950年代,資訊科技(IT)的發展就已經開始有AI的概念,當時有非常遠大的理想,希望電腦能像人腦一樣聰明,但因為資料不夠多,主機也不夠強,最後導致無疾而終。

大概過了30年以後,在1995年左右,試著將專業知識告訴電腦讓它學習,就是機器學習的概念,但這時候碰到的問題還是一樣,資料量不夠多以及使用方法也不正確,最終導致的結果還是一樣,第二次的AI機器學習就失敗了,從此以後AI就成為票房毒藥,學者也鮮少再去研究探討AI方面的領域。

 

一直到了2010年,因為AlphaGo打敗了棋王,也就是蒐集的資料數量終於足夠了,而且又有新的GPU運算能力的出現,導致大家認為AI是可行的方案,也讓AI那時開始爆紅到現在。

AI的革命性算起來可以分成三波,以第一波來講,主要就是試著將人類思考給電腦,也就是在1995年的時候,我們認為要把人類的思考完完全全的告訴電腦,讓電腦來形成AI。在第二波的時候,人類的野心就沒那麼大了,當時的想法是試著把人類的專業知識告訴電腦,所以第二波也可以稱為專家系統(Expert System),就是要把很多的專家知識變成系統。

也就是說,我們先把資料匯入電腦。再將人類的思考規則或者思考邏輯寫成程式,也就是告訴電腦規則,再由電腦透過資料跟規則產生答案,這就是第一波跟第二波做AI的思考邏輯,我們也稱這兩波的邏輯,叫做 Human Learning,也就是人類的學習。

 

 

但是我們都知道,有很多東西你就算會,但你不一定講得出來,比如說我會游泳,但是我不一定會教其他人游泳。因為有很多東西講不出來,就不能告訴電腦,電腦就不能形成知識,這也是第一波和第二波會失敗的原因。

到了第三波,開始使用跟第一、二波不同的方式,我們把資料跟答案都告訴電腦,然後讓電腦自己學習建立模型(Model),瞭解整個模型的概念以後,再得出應該要有的邏輯。

比如說先給電腦500張蘋果樣子的圖,然後再告訴電腦,這些圖片就是蘋果的樣子,讓電腦自己學習,蘋果應該要有的樣子,讓電腦建立依照什麼規則跟怎樣的特徵資料模型,就是蘋果。叫做 Machine Learning,才是真正的機器學習,也因為這樣子,才讓我們看到第三波AI的曙光。

AI第三波革命的突破

AI第三波的新突破,主要是深度學習,它是機器學習的一個分支,是一種以人工神經網路為架構,對資料進行特徵學習(Feature Learning)的演算法;把資料透過多個處理層(Layer)中的線性或非線性轉換(Linear or Non-Linear Transform),自動抽取特徵的能力,取代人類專家的特徵工程所花費的時間。帶著強大的自動特徵抽取的能力,因此,深度學習在以往機器學習一直無法突破的應用,得到非常驚人的優異表現,使以往認為電腦無法做到的事,變成了可行。

 

 

 

目前最較具代表性的有卷積神經網絡(Convolutional Neural Network, CNN),因為網路架構中的卷積層(Convolutional Layer)及池化層(Pooling Layer)強化了模式辨識(Pattern Recognition)及相鄰資料間的關係,使卷積神經網路應用在影像、聲音等訊號類型的資料型態能得到很好的效果,以及遞迴神經網路(Recurrent Neural Networks, RNN),可以儲存先前的狀態,所以可以處理不同長度的輸入資料,對時間序列(Time Series)、自然語言處理(Nature Language Processing)、語音辨識等應用有非常好的效果。

根據我們的統計調查,目前大概有四種機器學習的方式。第一種叫做監督式學習,第二種叫非監督式學習,第三種是半監督式學習,最後一種就是增強式學習。資料科學家會依照資料內容跟資料類型,實際應用到各個不同的學習類型。

所謂的監督式學習,就是我們先針對資料做好標記(Labeling),就是前述的第三波模式,告訴電腦資料以及答案。比如說我先給電腦500張蘋果的圖,以及500張橘子的圖,再告訴電腦這500張是蘋果,另外500張是橘子,讓電腦自己去學習蘋果跟橘子應該要有的樣子。此時我再拿新的蘋果照片問電腦,這是蘋果還是橘子時,電腦會以百分比的機率告訴我們,98%是蘋果2%是橘子的概念,目前的機器學習模式,大概有 90% 以上都是屬於監督式學習。

第二種叫非監督式學習,就是不用先將資料標籤化再給電腦,而是讓電腦自己去自動分群分類,也就是讓電腦依據整個資料的分佈狀況,去找出資料的相關性。比如說,我們都知道,在台灣,在中秋節的時候,人們會有習慣烤肉的行為,此時如果讓機器去蒐集賣場的購物資料,就可能會得出買月餅的人也會買烤肉架這樣的觀點。這種「買月餅也會買烤肉架」的相關性,就是將資料分群分類,也就是說,如果你資料量過大,就不需要標記化,而是根據資料的相關特徵去做分群分類。

以前我們在研究資料採礦(Data Mining)時,有個很有名的案例,就是很多人到賣場買尿布的同時,也會買啤酒,到底是什麼原因呢?為什麼買尿布的人也會買啤酒?那是因為這些資料都是來自於美國,可能是很多家庭主婦會叫丈夫到賣場去買尿布,買好尿布以後,丈夫就想說,順便拎個啤酒回家,所以賣場的銷售資料裡面,就會看到很多人在買尿布時也會買啤酒。發現資料會有什麼好處?就是在擺設商品層架的時候,賣場就可以將尿布跟啤酒擺在附近,買尿布的消費者,可能在看到啤酒時,就會順便拿走,這就是 Big Data 分析的好處。

再來是半監督學習,就是我們有很多的資料,但是可能沒有能力去做標籤化,那怎麼辦?就可以先把一部分的資料先把它標籤化,標籤化以後,再把這些資料跟剩下的資料去做混合,讓電腦可以根據不同的資料分群分類把它分出來,可以減少標籤化的標記成本。

那什麼叫增強式學習呢?比如說,要訓練機器人投籃,機器人如果投進了,就給他十分,他如果投不進,就給他負八分,這樣機器人就會知道要怎麼調整角度及力道,才可以把球投進去,他就會慢慢自己調整,調整到正確的姿勢,以設法得到最大的利益。現在的無人駕駛,就是類似的概念,先告訴電腦這樣走是正確的,給分數高一點,這樣走會撞到東西,就倒扣的分數,這種就叫增強式學習。

以AIoT為基礎 驅動 HIS 4.0 智慧醫療

最近幾年,AI爆紅,許多醫院及科技大廠也紛紛投入研究醫療領域AI (Medical AI),試問我們平日使用的HIS系統,所收集的資料真的滿足AI所需要的資料了嗎?足夠正確性嗎?足夠多元化了嗎?是否都結構化了嗎?遇到非結構或不正確的資料怎麼辦?然而需要大大小小的醫院都去研究醫療AI嗎?許多醫院寧可投資人力及資金去研究醫療AI,卻不願意投資改造醫院老舊的HIS系統?看到這種景象真的讓人擔憂。

不管是AI或HIS的本質,就是如何透過IT的輔助,進行全面性作業流程再造。以病人安全為中心來思考,重新檢視及精實臨床作業流程,搭配IoT達到全自動化流程,提升整體效能,透過數位轉型做到全院無紙化及無片化,儀器設備全面連線,透過條碼全自動化掃碼做到「閉環管理」(Closed Loop Management),讓病人醫療照護更安全,提升效率,減少錯誤率,在醫療過程中,可以適時地提供AI來支援醫師做臨床決策支援(CDSS),並且善用行動裝置、事件驅動、條碼化、IoT、AI及AIoT,再加上5G傳輸技術,做到全面性的智慧流程整合最佳化。

綜觀,工業革命2.0時代的電力,有很多人去研究如何發電嗎?還是去思考如何利用電力來改變人類日常生活模式與工作流程。目前醫療AI要如何順利落地於臨床上也面臨到挑戰,因此,我們應該要思考如何HIS優化再造,以AIoT為基礎,驅動 HIS 4.0 智慧醫療,將AIoT內化到HIS系統,以融入醫院臨床作業流程中,並且能夠適時地回饋給AI系統;另外,在驅動 HIS 4.0 智慧醫療的過程中,應該重新檢視AI所需資料所面臨的問題,徹底改善之,例如:確保資料正確性做防呆機制、資料不夠多元化新增所需欄位、資料輸入盡量以結構化、相關檢查報告可以做到即時標記功能。最後,要做到精實醫療流程,藉由AIoT的IT輔助,循序漸進地解決臨床所遇到的問題,踏踏實實做到「強化人的能力、提升人的效率、輔助防止人為錯誤」的AI。

 

文章轉載自CIO Taiwan