如何從零到有完成一個智慧醫療專案?

心律不整是目前常聽到的心臟病症之一,卻不容易被檢測出來,而且往往在一瞬間釀成致命危機。但一般人並不會每天檢測自己的心跳,或者是雖然出現心律不整的狀況,但到醫院檢查時,卻又沒有發現問題。因此,以往醫生會安排患者進行24小時的心電圖檢查,如果24小時內沒再發生,就再安排配戴更長時間的儀器。當然經由這些檢查產生的心電圖資料量非常龐大,判讀十分耗費人力,如果能借用AI的幫助,減少判讀所需時間,不只可以讓病人快速接受治療,也能減少醫護人員的工作量。

獲得台北市政府產業局創業補助的「心星生醫股份有限公司」,與人工智慧科技基金會(AIF)專案合作,共同建置心電圖標注資料庫,進一步能開發出精準的演算法,希望能加速心電圖的判讀,進而減少心電圖分析師及醫師的作業負擔。但這個專案,從發想到這一步,其實花了近兩年的時間,甚至實際成果與起初的想像也有極大差異。而一般智慧醫療專案進行時,AI技術團隊與醫師的跨域溝通磨合問題,又該如何克服。

夢想與現實的差異

原本,心星生醫團隊想做的,是一個佩戴在身上,隨時可以幫忙監控心律,並能協助分析各種心率不整狀況的儀器。心星生醫董事長吳金龍及總經理曾元登,是整個專案的靈魂人物,兩人都具有醫生背景。但吳金龍坦承,他們一開始也不知道什麼是人工智慧,只覺得是個很熱門的字眼,而智慧醫療十分具有前景性,若能結合人工智慧,對於醫療產業會有非常大的幫助。當時他們天真的以為,只要將資料丟進機器中,就可以產生一個AI產品,並且可以幫助醫生進行分析。

他笑說,當時他們諮詢過許多做人工智慧專案的團隊,也都告訴他們這個專案很簡單,大約六個月就能完成。誰知道,實際執行後才發現,和自己當初所想像的並不一樣。於是,不斷調整以及修正自己的計畫與時程,成為整個專案進行的常態。

AIF技術發展中心總監張嘉哲回憶,當時和團隊接觸,聽聞他們的計畫的第一反應是「不可能」,因為除了基本的資料處理問題,還有其他軟硬體銜接需要解決。

原來,心星生醫當初所提供的資料,對於AI工程師來說並不是可直接使用的資料。這些從心電圖機器取出的資料,即便沒有資料隱私的識別問題,還是得經過適當且具一致性的標注,才能丟進電腦裡建立模型。

不斷磨合、不斷調整

對於負責訓練模型的工程師團隊來說,一開始甚至連心電圖是什麼都搞不清楚;生醫團隊則是不懂工程師所說的labeling、feature extraction等術語是什麼意思,雙方經過一段時間的合作與無數次會議之後,兩邊的語言才終於能夠互通對談。張嘉哲說,這個合作讓身處醫界與工程界的兩方成員,有一個難得的跨界交流機會。

為了協助心電圖分析師們進行資料標注,張嘉哲及其團隊成員甚至還開發出一套小幫手工具,讓分析師們可以快速標記資料。

目前,心星生醫的這套演算法,從一開始僅能簡易區分正常與不正常的心跳狀況,慢慢的增加判定種類,目前已經可以協助判別六至七種的心律不整狀況,而團隊的目標是能達到15種以上。每當增加判定類型時,便會檢視模型的表現,當模型表現不如預期時,工程團隊會再回去檢視模型、演算法以及資料,有時候是因為資料標注標準不一致,進而影響模型的表現。這時候,工程團隊便會需要與醫生確認這些標注的資料,是否有錯誤的狀況。

人工智慧科技基金會首席資料科學家蔡源鴻提到,一般人多以為專案的進程是先要搜集並整理好資料才能訓練模型,但根據他們執行專案的經驗來看,其實模型訓練與資料搜集可以同步進行,透過先整理好的資料建立模型,再慢慢增加資料集並且調整模型,達到理想狀態。雖然這個研究方向極具臨床與學術研究的意義,且AIF專案團隊已採用這個研究方向使用公開資料集發表學術論文,但要真正可以應用到醫療診斷現場,仍差最後一步。

未來,心星生醫希望能先打入醫療市場,打造出一套精準的演算法,並且能通用於各大醫院的機器中。曾元登笑說,後續還有很長的一段路要走。