14/11/2015

複雜性症病的謎題需要人工智慧來破解

複雜性症病的謎題需要人工智慧來破解

蘇冠賓
中國醫藥大學 醫學院副院長
精神醫學及神經科學教授
精神疾病、腦疾病、癌症、心血管疾病、代謝性疾病,都是當代最困難的醫學難題,過去的研究即使是長期前瞻性設計,也都受限於施測人力和分析工具,僅能抽樣性地取用單一觀察點(例如每日或每)。然而,隨著智慧手機的普及,加上日新月異的穿載式配備,「系統性」、「連續性」、「大量性」的受試者生物指誌得以被收集,這種前所未有的「即時性」、「動態性」的數據分析,更提供了醫學上事先診斷和預防的可能性。所以,如果科技公司能推出「跨領域穿戴式」的醫療儀器和設備,一定會大大改變了研究數據的型態,把醫學研究、診斷、治療、甚至健康保健提高到不同的境界



最近人工智能又獲全勝,昨天Deepmind在Nature發表名為《Mastering the game of Go without human knowledge》的論文中,展示更強大的新版本圍棋程式「AlphaGo Zero」,在數十天的自我學習後,打敗世界高手和天下無敵手的AlphaGo之各個版本,而且竟是100%的勝率!這項研究又再驗證了即使在圍棋這樣最具挑戰性的領域,也可以通過強化學習,達到自我完善的目的。去年人工智慧(AI)機器人Watson,只花17秒就分析完3469本醫療著作、24萬8000篇期刊論文、10萬6000份檢測報告、6萬多份臨床數據,再根據病患基因圖譜和環境資料,立即制定3個優選治療建議!AI只花17秒,就打敗了大多數醫師!

Emotional Intelligence in AI is the Future of Mental Health
分析辨識情緒行為的人工智慧是精神醫學的未來趨勢

精神疾病是當代最困難的醫學難題,傳統的研究即使用長期前瞻性設計,也都受限於施測人力和分析工具,僅能抽樣性地取用單一觀察點(例如每隔一、二週、或一個月)去分析,這些數據對主要診斷或治療標誌往往「可以接受、但不夠理想」,對於長期成效評估(long-term outcome)的「涵蓋性和解釋量」都不夠完美。想像「代謝疾病、糖尿病或高血壓」的治療,能夠以持續性監測(continuous data from ambulatory blood pressure/sugar/lipid levels)的觀察,分析運動前後、工作時的影響、飯前餐後的動態指數時,科學家就能發現「連續 vs. 抽樣」數據在「預後、併發症和死亡率」上之具有意義的成效。同樣的道理,持續性即時監測分析「情感性精神病、憂鬱症、過動症、失智症…等等大腦疾病」的精神及情緒狀態之動態改變,在可遇見的未來,會對於精神健康的促進和精神疾病的診斷和治療,產生革命性的改變。

蘋果收購「應用人工智慧技術來分析情緒表情」的Emotient公司

幾年前蘋果公司就收購「應用人工智慧技術來分析情緒表情」的Emotient公司,研發AI技術來分析面部表情、判斷人們的情緒,主要幫助廣告商評估客戶對其廣告的反應。在日本,電話公司也開始利用語調辨識的技術,協助接線生提前評估來電者的情緒反應。聲音和影像辨識技術成為相當熱門的領域,Facebook和Google的Alphabet皆重金投資於這類技術,不僅運用在商業,更可廣泛地發展未來的醫學診斷及治療。


(圖 designboom.com)

蘋果開發整合醫療感測器的穿戴式醫療裝置

蘋果公司也積極開發整合醫療感測器的穿戴式醫療裝置,原本有意把Apple Watch發展成為結合診斷和治療功能的配戴式醫療助手,但醫療儀器受到美國食品和藥品管理局(FDA)的嚴格審查,為了不要拖慢Apple Watch 創新發表(升級賺錢)的速度,Apple Watch現階段只開發無需經過 FDA 審核的小功能(例如記錄日常活動、心跳、鼓勵提醒養成良好習慣…)。蘋果將研發另一款整合醫療感測器的穿戴式醫療裝置,一旦科技公司「跨領域」推出了實用的穿戴式醫療儀器和設備,會大大改變研究數據的型態,把醫學研究、診斷、治療、甚至健康保健提高到不同的境界。


複雜性症病的謎題需要大數據來破解 

不久之前,Thomas Insel 辭去任職13年的美國國家精神衛生研究院(NIMH)院長,加入Google的Alphabet,他認為,「未來我們說到健康的相關產業,討論的不再是禮來或輝瑞(藥廠),而是蘋果Apple和谷歌IBM(資訊業)」(In the future, when we think of the private sector and health research, we may be thinking of Apple and IBM more than Lilly and Pfizer)。他深深了解系統性、非片段性的數據,才是突破複雜性最高的精神疾病之關鍵。在他的TED演講中,可以看出他對精神疾病研究上的瓶頸有深入見解。有趣的是最後引用的是比爾蓋茲(資訊業)的話:「我們總是高估未來兩年將發生的變化,低估未來十年會發生的變化」,於是他辭去公職,加入Google。

在精神醫學的研究方面,目前可以著手、也是相當重要的是 digital phenotypes 的收集:

1. 面部和語音的情緒辨識(含固定作業之下的反應)建立病患急性期、穩定期和控制組的比較。
2. 每日連續性的睡眠結構和基礎活動量的資料收集並建立病患急性期、穩定期和控制組的比較。
3. 連續性壓力之收集並建立常模標準指標,例如Heart Rate Variability (HRV), skin conductance response (SCR),
4. 腦部活動資料之收集並建立常模標準,例如qEEG (quantitative electroencephalogram) and Functional near-infrared spectroscopy (fNIRS) brain mapping。

眼前應該要儘速克服的困難是:
1. 經費(臨床試驗和提供設備給病患進行長時間配戴,以收集連續資料)
2. 跨領域團隊的密切合作。
3. 收集正確的大數據提供Emotional AI運算的基礎,再回到臨床大規模研究進一步驗正。


結合頂尖的臨床轉譯團隊,台灣能有競爭力

如果Apple、Google或科技公司真的「跨領域」推出了「穿戴式」的醫療儀器和設備,一定會大大改變了研究數據的型態,把醫學上預防、診斷、和治療的研究提高到不同的境界,面對這些歐美「巨獸型」的科技公司的投入,台灣能有佔有一席之地,甚至獨樹一格,領先世界嗎?台灣在資訊工程、電腦科學、以及穿載式配備上已有相當好的基礎,在硬體和軟體上的技術,也應該接近應用端的需求,但是,接下來更重大的挑戰,是如何進行「正確無誤、精準可信的臨床大數據」收集。

台灣的醫療水準和健保資訊完整性為世界稱羨,然而台灣健保資料庫或醫療院所現成的資料,都是觀察性的回溯資料,並不符合完善控制條件之下之前瞻性數據,其中絕大部是受到「健保給付制度、因應醫療方便、和醫師個人見解」所產生的誤差資料。因此,如何結合台灣最頂尖的臨床轉譯研究團隊,進行精確「持續性、即時性之精神及情緒狀態之動態監測」的大數據收集,不但是未來用來研發「個人反應或社會互動下Artificial Emotional Intelligence」運算之Algorithm的基礎,更是AI能在Mental Health成功的關鍵!換言之,台灣有能力收集「前瞻性、嚴謹設計、精準控制條件」大數據的臨床研究團隊,結合高度研發能量的頂尖產業團隊,一起投入跨領域的合作,才能會讓medical AI的相關成果或產品有更高的競爭優勢。

台灣有一流的醫療水準、大量的臨床個案、和完整的健保資訊,結合AI還需要的是:
1. 台灣在國際上有影響力的臨床轉譯團隊,有能力收集「精準控制條件(有嚴謹研究設計概念)之下的前瞻性臨床大數據」。
2. 符合國際標準和共識的大規模、高品質的臨床試驗。
3. 主持人親自投入實驗,願意積極投入跨領域合作。

結語

引領潮流需要的是劃時代的見解和理論,而且是不同領域的人才爭奪戰。大腦的情緒反應和人類的精神疾病是科學和醫學上最複雜、最困難的挑戰。AI不但將帶給產學合作的新方向,對於深受疾病之苦的患者及家屬,AI或許成為破解醫學之謎的關鍵。精神疾病有強烈的社會、文化、語言之共通性,台灣的產學合作若能有所突破,其應用可以造福到所有華人、乃至於全世界的社會,未來也不容易被歐美超越。

「系統性連續性的健康或病態行為之收集」、「即時性動態性分析這些大數據的Algorithm之研發」、加上「因應相關應用之倫理規範之建立」,將提供「用穿載式配備預測發病時間、用虛擬實境預防創傷後症候群、用情緒辦識眼鏡協助自閉兒童社交功能、和AI心理治療師進行諮商」…等精神醫學應用上的無限可能,也會把醫學研究、疾病預防、診斷、和治療,提高到不同的境界。未來的精神醫學大師,很可能是熟悉電腦運算的AI高手、或是在虛擬實境中和病人潛意識的恐懼對戰的電玩高手。

(蘇冠賓部落格:http://cobolsu.blogspot.tw)


Reference:
  1. Apple smart strap patent hints at new direction in wearable tech (http://www.geeksnack.com/2015/12/05/apple-smart-strap-patent-hints-at-new-direction-in-wearable-tech/; http://www.technmau.com/apple-smart-strap-patent-hints-at-new-direction-in-wearable-tech-368679)
  2. 蘋果收購「應用人工智慧技術來分析情緒表情」的Emotient公司。http://www.theverge.com/2016/1/7/10731232/apple-emotient-ai-startup-acquisition
  3. 引領潮流需要的是劃時代的見解和理論 (更新2017/10/16)  http://cobolsu.blogspot.tw/2015/10/blog-post_16.html
  4. Bill Gates: "We always overestimate the change that will occur in the next two years and underestimate the change that will occur in the next ten. Don't let yourself be lulled into inaction." From his book, "The Road Ahead," published in 1996.








15 comments:

  1. Akili and Shionogi pair up to bring digital therapies to Japan and Taiwan in $125M deal

    fiercebiotech by Conor Hale | Mar 7, 2019

    https://www.fiercebiotech.com/medtech/akili-and-shionogi-pair-up-to-bring-digital-therapies-to-japan-and-taiwan-125m-deal?fbclid=IwAR1aEb6REZ6EzRK5slVopEmKAOrZ8hQBIm1GhBsMH5JAPSYej1tLZDQCP4g

    Akili and Shionogi pair up to bring digital therapies to Japan and Taiwan in $125M deal
    Mar 7, 2019 11:40am
    EVO
    Akili's tablet-based Project: EVO video game for ADHD was submitted to the FDA for review after meeting its primary endpoint in a randomized trial in Dec. 2017. (Akili)
    Akili Interactive is teaming up with Osaka-based Shionogi to help bring the first prescription digital therapeutics to Japan and Taiwan, through an international R&D and commercialization platform.

    Delivered through immersive video games, Akili’s lead treatment for pediatric attention deficit hyperactivity disorder is currently being reviewed by the FDA. Its second potential therapy has completed a feasibility study in cognitive dysfunction and related symptoms in children with autism spectrum disorder.

    Under the agreement, Shionogi will handle future regulatory filings and maintain exclusive rights to the clinical development, sales and marketing of the two therapies—in exchange for $20 million upfront, plus up to an additional $105 million in milestone-based payments. Shionogi will also contribute to development costs, and has committed to an equity investment in the former Fierce 15 winner.

    FREE DAILY NEWSLETTER

    Like this story? Subscribe to FierceBiotech!


    Biopharma is a fast-growing world where big ideas come along every day. Our subscribers rely on FierceBiotech as their must-read source for the latest news, analysis and data in the world of biotech and pharma R&D. Sign up today to get biotech news and updates delivered to your inbox and read on the go.

    Meanwhile, Akili will build out a new global access platform that will encompass development and distribution activities—as well as provide an independent prescription and patient support system designed for digital therapeutics. Akili will also maintain patient data collection and storage.

    RELATED: Akili licenses tech from UCSF combining physical activity with therapeutic video games

    “It is critical to Akili that we do everything in our power to maximize long-term growth of our medicines to patients in need, and we could not have found a better partner to work with us to deliver an entirely new treatment model in these territories as we grow our international capabilities,” said Akili CEO Eddie Martucci in a statement.

    The Boston-based Akili raised an additional $13 million last August, bringing its 2018 series C fundraising total up to $68 million, as it awaits a clearance decision from the FDA for what could become the first prescription video game and the first digital medicine for children with ADHD.

    ReplyDelete
  2. Apple完成智慧手錶41萬人調查 準確率僅達34%
    2019.03.19環球生技雜誌/記者 彭梓涵編譯整理
    http://www.gbimonthly.com/2019/03/42208/


    蘋果公司(Apple)於第68屆美國心臟學學院年會發布一項與Stanford Medicine為期八個月的研究,此研究完成美國50個州41萬人,關於較早版本的Apple智慧手錶的用戶提醒以及心房顫動相關的不規則心律調查,結果顯示約有2,160人(約0.5%)收到不規則心律通知,其中只有34%的心房顫動與穿戴式貼片偵測的結果符合。

    心房顫動影響了美國600萬人,因為許多人尚未被診斷出來。對於某些人,尤其是65歲以上的人,心房顫動會使他們面臨嚴重的健康併發症,包括中風等。因此心房顫動一直是蘋果作為疾病預防的重要健康目標,

    Apple Heart Study此項研究於2017年11月與Stanford Medicine首次合作,是針對早期的Apple Watch(非2018年FDA批准的最新具ECG版本手錶)進行監測,招募的測試者中,大多數為年輕人,僅約25,000名為65歲以上患病風險較高的長者。

    參與的患者佩戴Apple Watch,如果智慧手錶發現心律不整,則會收到通知,隨後他們會接受心電圖再次檢查。

    雖然研究中的總體命中率很低,且存在誤報的可能性,但此次結果發表美國心臟病學會,也得到來自各方的心臟專家的不同觀點。Stanford大學心血管醫學研究副教授Mintu Turakhia就認為這樣的結果,是評估未來技術繼續擴展的重要考量。

    也有心臟病專家擔心,給消費者提供更多數據可能不是一件好事,這或許會對醫療保健系統造成壓力。甚至有些專家認為Apple Watch僅能作為篩查工具。

    Stanford大學醫學院教授Lloyd Minor則看好Apple Watch發展,他表示,心房顫動只是一個開始,因為這項研究打開了可穿戴設備的技術大門,以及它們如何在疾病發作之前作為疾病預防,實現精準健康的關鍵目標。



    資料來源:

    https://www.fiercebiotech.com/medtech/apple-presents-smartwatch-results-from-400-000-strong-heart-study

    https://www.biospace.com/article/apple-watch-atrial-fibrillation-study-has-positive-but-mixed-results/

    https://www.biopharmadive.com/news/apple-heart-study-early-proof-of-concept-or-a-bit-of-a-gimmick/550723/

    ReplyDelete
  3. IBM Watson 醫療部門大裁 70% 員工,AI 醫療遇上了什麼瓶頸?
    https://buzzorange.com/techorange/2019/04/22/ibm-watson-lay-off/

    大數據文摘 Posted on 2019/04/22

    【為什麼我們要挑選這篇文章】Watson 是 IBM 的重量級 AI 系統;近年 IBM 大力發展 AI 醫療,在 2015 年成立獨立的 Watson Health 部門,並收購多家醫療數據公司,前景看好。然而短短三年,這個明星部門就要裁員 50% 到 70% 的員工,代表 AI 醫療的泡沫化。AI 導入醫療,遇到了怎樣的瓶頸?(責任編輯:郭家宏)
    1997 年,IBM 深藍戰勝國際象棋冠軍卡斯帕洛夫,從此,這家藍色巨人,連同 Watson 一起,開始為全世界熟知。

    Watson 也從此名聲大噪,成為 IBM 持續數年經久不衰的「AI 代言人」。2014 年初,IBM 投資 10 億美元(約新台幣 300 億元)專門建立「Watson Group」,並在一年後,開始全力進軍醫療健康行業。

    2015 年 4 月,IBM 成立了獨立的 Watson Health 部門;到 2016 年,Watson 大約花費了 40 億美元(約新台幣 1200 億元)收購了 4 家醫療數據公司,包括 Explorys、Phytel 和 Merge Healthcare。醫療這塊大蛋糕似乎是人工智慧時代,IBM 亟待轉型的一步大棋。

    而僅僅成立三年後,這一昔日的明星部門就被傳出裁員 50% 至 70% ,一場「AI+ 醫療的泡沫破滅」,引起了整個產業的一片嘩然。

    本月,在 IEEE Spectrum 的特別報告《How IBM Watson Overpromised and Underdelivered on AI Health Care》一文中,細數了 Watson 醫療曾經所立下的目標和被潑的冷水,並對比了如今的發展現狀。

    廣告
    文摘菌(本文作者)只能感嘆:太美的承諾因為太年輕。讓我們也回顧一下 Waston 醫療漸行漸遠的這一路,希望更多的 AI 公司能從他們的經驗教訓中找到出路。

    技術與業務的鴻溝難以跨越

    2014 年,IBM 為其人工智慧部門(稱為 IBM Watson)新開設了一個酷炫的總部:建築位於曼哈頓,玻璃外觀在陽光下閃閃發亮,科技感十足;其內部構造類似於一個微型天文館,供潛在客戶和訪問者們進行「沉浸式體驗」。



    廣告
    同年,令人瞠目結舌的 Watson「腦力」顯現出其顛覆醫學的潛力,在演示中,Watson 收集了一組罕見的患者症狀,並提出了可能的診斷列表,每個診斷都註明了經 Watson 計算出的信賴區間及與之相關的醫學文獻。

    在圓頂象牙塔內,Watson 的資料庫掌握著每種罕見疾病的知識,它的處理器不容易受到醫生主觀認知偏見的影響,它甚至可以在幾秒鐘內處理一個棘手的病例。如果 Watson 能夠將這種即時專業知識帶到世界各地的醫院和診所,人工智慧似乎可以減少診斷錯誤,優化治療,甚至減輕醫生數量的短缺。

    但是,象牙塔內的承諾無法做到跨越技術與業務之間的鴻溝。

    其強大的技術無法與當今混亂的保健醫療系統相兼容;機器學習的模式與醫生的工作方式根本無法匹配,癌症治療的初衷舉步維艱。

    創造一名 AI 醫生極其困難

    IBM 在 2011 年開始大膽嘗試改革醫療保健,給 Watson 指出一條 AI 醫生的道路。當時,IBM Watson 在電視上展示的突破性技術應用於醫學領域——主要是其理解自然語言的能力。公司同時做出承諾,Watson 的首批醫療保健產品將在 18 至 24 個月內上市。

    事實上,IBM 的醫療產品並沒有成功商業化,從 IBM 的 Watson 醫療走出的 AI 醫生也與設想具有很多差距, 更像是執行日常任務的 AI 助手。

    此時, IBM 已花費數十億美元(約 300 億新台幣)用於收購 AI 企業,以加強其內部開發實力,但內部人士表示,被收購公司尚未做出太多貢獻。

    到目前為止,監管機構只批准了少數基於 AI 的工具用於真實醫院和醫生辦公室:這些開創性產品主要聚集在圖像診斷領域 —— 透過電腦視覺技術分析圖如 X 射線和視網膜掃瞄圖像進行診斷。而 IBM 卻沒有分析醫學圖像的產品落地。

    除了圖像領域,為人類醫生的專業知識編碼是一個非常棘手又浩大的工程,即便是如今最優秀的 AI 也難以理解複雜的醫療訊息。

    IBM 的「首敗」至少可以向技術專家和醫生們證明:試圖創造出一位 AI 醫生,這是一件極其困難的工作。

    腫瘤專家顧問合作中斷

    MD 安德森癌症中心與 IBM Watson 合作,為腫瘤學家創建了一個諮詢工具(Watson for Oncology),該工具使用自然語言處理系統(NLP)總結患者的電子健康記錄,並透過搜尋其背後強大的數據庫為醫生提供治療建議。

    MD 安德森癌症中心斥巨資購買了這一項目,並在白血病科進行了第一次嘗試。但該中心在 2016 年中斷了這次合作,即便是已經花費 6200 萬美金(約新台幣 18.6 億元)。具體原因我們不得而知。

    或許我們可以從今年的圖靈獎得主,人工智慧研究專家 Yoshua Bengio 的評論中得到啟發。

    IBM 對醫療保健系統中不同參與者進行了數量驚人的調查,希望 AI 可以透過分析海量的數據集做出決策支持,擴大 Watson 的「認知」能力。但 NLP 雖然取得較大進步, 但與人類還是相差甚遠。

    Bengio 說:在醫學文本方面,AI 系統無法消歧,也無法找到人類醫生會注意到的細微線索。雖然 AI 不需要充分瞭解也可以幫助醫療,但確實還沒有一個 AI 能與人類醫生的理解和洞察力相匹配。

    一些研究將 Watson for Oncology 癌症治療建議與醫院腫瘤學家的建議進行了比較。下圖為 Watson 的建議與專家的治療計劃相匹配的百分比。



    在印度,Manipal 綜合癌症中心的醫生對 638 例乳腺癌病例中,Watson 與專家治療建議的一致率為 73%。Watson 在韓國 Gachon 大學 Gil 醫療中心表現更差,該醫院為 656 名結腸癌患者提供的最佳建議,只有 49% 與專家相匹配。

    據傳聞,IBM 在美國很難找到 Watson 腫瘤產品的買家。一些腫瘤學家說他們更相信自己的判斷而不需要 Watson 來告訴他們需要做什麼。

    認知教練系統未能上線

    運動服裝公司 Under Armour 曾與 Watson Health 合作創建「個人健康培訓師和健身數據顧問」。該專案使用 Under Armour 的活動追蹤器應用城程式提供的數據,並由認知教練根據用戶的習慣提供定製的培訓計劃,並基於相似用戶的數據進行分析,為用戶提供健身建議。但這一認知教練系統從未投入市場使用,且 Under Armour 中斷了與 IBM Watson 的合作。

    下表為 IBM 在醫療方向專案與目前的進展:



    商業化期望越高,失望越大

    Chase 作為一名 IBM 的研究人員, 曾開發出一種診斷工具,但 IBM 並不打算使其商業化,只能陳列在實驗室內供遊客參觀。最終,對 IBM 在醫療上的緩慢發展而感到失望的 Chase 選擇與 IBM 分道揚鑣。

    馬里蘭大學放射學教授、訊息系統副主席艾略特.希格爾,曾經眾多 Watson 狂熱粉絲中的一員,也與 IBM 進行過醫療診斷研究。雖然他認為 AI 驅動的工具對醫生來說不可或缺,但他懷疑 IBM 能夠產生那些令人興奮的產品,他更寄期望於谷歌、蘋果和亞馬遜這類公司。

    2014 年離開的 IBM 的 Kohn 說:「擁有強大的技術是不夠的,你還要向我證明,這款產品的確是有價值的,可以讓我生活的更好, 讓我的父母生活的更好。」

    為了讓人工智慧充分發揮其潛力並改變醫學,醫療保健的標準必須改變。Kohn 說,人工智慧系統可以考慮比臨床試驗更多的因素,並可以將患者分成更多的類別,以提供「真正個人化的護理」,但前提是基礎設施也必須改變:醫療機構必須同意分享其專有和隱私控制的數據,以便人工智慧系統能夠從數百萬多年來跟蹤的患者身上學習。

    他一直期待著在醫學期刊上可以看到有關 Watson 產品的文章,能夠證明 AI 可以改善患者的治療效果或節省醫療系統開支。但遺憾的是這類文章寥寥無幾,也就是說 Watson 並沒有突破性的成果。

    但無論如何, 在數位化時代裡,IBM Watson 不是第一個象牙塔的守望者,也不會是最後一個叢林中的引路人。

    報導 原文 https://spectrum.ieee.org/biomedical/diagnostics/how-ibm-watson-overpromised-and-underdelivered-on-ai-health-care

    ReplyDelete
  4. Facebook gives social scientists unprecedented access to its user data
    Nature NEWS 03 MAY 2019
    https://www.nature.com/articles/d41586-019-01447-5

    Projects from around the world will delve into questions such as how misinformation spreads on social-media platforms and who distributes it.
    Heidi Ledford

    Facebook is giving social scientists unprecedented access to its data so that they can investigate how social-media platforms can influence elections and alter democracies.

    The first group of projects selected for funding involves more than 60 researchers split into 12 teams. They will tackle questions such as how fake news spreads, who distributes it and how to identify it. Their projects, announced on 28 April, will focus on countries including Germany, Chile, Italy and the United States.

    The scientists will have access to reams of Facebook data, such as the URLs that users have shared and demographic information including gender and approximate age. The company — which has been accused of privacy violations in the past — is developing new protections aimed at shielding the identities of its users.

    The research teams were chosen by the non-profit group Social Science Research Council in Brooklyn, New York, and Social Science One, an academic–industry partnership with ties to Harvard University in Cambridge, Massachusetts. A coalition of eight charitable organizations will fund the work. Facebook had no say in selecting the projects.

    The programme could set a precedent for how social scientists work with companies to access information about social media, a growing force in shaping public discourse, says Simon Hegelich, a political data scientist at the Technical University of Munich in Germany. “It’s still a problem that social media is so important — especially for social science — but we don’t have access to the data,” he says. “Sometimes you spend a lot of time trying to find things out that were already known in companies.”

    Worldwide webs
    Hegelich leads a team that will study the spread of false information during Germany’s 2017 general election, using data from Facebook and Twitter. The researchers already have a list of Twitter accounts implicated in propagating misinformation during the 2016 presidential election in the United States. They found that some of those accounts were also active in Germany, and linked them to Facebook accounts with similar user names and content.

    The team will have access to Facebook’s data on URLs that were shared more than 100 times on the site to determine the scope of the false-information campaign in Germany. Hegelich and his colleagues will try to determine how many people shared links promoted by these accounts — as well as the users’ genders and approximate ages. The researchers hope to use their findings to identify other such misinformation efforts, if they exist.

    The opportunity to combine data across social-media services is particularly welcome, says Hegelich. Social scientists tend to analyse information from one platform at a time, he says, but that doesn’t reflect how data flows in the real world. “You have information taken out of Twitter and then shared again on Facebook,” Hegelich says.

    The depth of access the project teams will have to Facebook data goes beyond many previous studies, in which researchers were restricted to more-limited data sets, says Michael Veale, who studies technology policy at the Alan Turing Institute in London. And that raises questions about the conclusions in those studies, he says. “It’s really good that Facebook — and hopefully some other companies — are saying that we are aware that we need to give researchers access to proper data sets within secure environments.”

    ReplyDelete
  5. Facebook gives social scientists unprecedented access to its user data
    Nature NEWS 03 MAY 2019
    https://www.nature.com/articles/d41586-019-01447-5

    PART II

    Zeroing in
    Facebook won’t have a say in approving or blocking the publication of the projects’ work — so even results that might cast the company in a negative light will be shared, says Sebastián Valenzuela, who studies communication at the Pontifical Catholic University of Chile in Santiago.

    He is co-leading a project on the spread of fake news on Facebook during Chile’s 2017 general election. The team hopes to quantify which demographic groups of Chileans were most likely to be exposed to fake news.

    The project will be the first of its kind to concentrate on Chile, says Valenzuela. “The evidence we have is mostly focused on the United States,” he says. “I’m not so sure it’s going to be applicable to countries in Latin America.”

    Veale is happy to see projects from around the world — but he is disappointed that none of the studies focuses on India, the country with the largest Facebook user base.

    Geographic specificity might be particularly important as policymakers grapple with how to handle disinformation campaigns, Valenzuela adds. “If we don’t understand the fake-news problem, the solutions we’re developing might not be the right ones,” he says.

    doi: 10.1038/d41586-019-01447-5

    ReplyDelete
  6. Don’t let industry write the rules for AI

    WORLD VIEW 01 MAY 2019
    Yochai Benkler. Nature 569, 161 (2019)
    https://www.nature.com/articles/d41586-019-01413-1

    Technology companies are running a campaign to bend research and regulation for their benefit; society must fight back, says Yochai Benkler.

    Industry has mobilized to shape the science, morality and laws of artificial intelligence. On 10 May, letters of intent are due to the US National Science Foundation (NSF) for a new funding programme for projects on Fairness in Artificial Intelligence, in collaboration with Amazon. In April, after the European Commission released the Ethics Guidelines for Trustworthy AI, an academic member of the expert group that produced them described their creation as industry-dominated “ethics washing”. In March, Google formed an AI ethics board, which was dissolved a week later amid controversy. In January, Facebook invested US$7.5 million in a centre on ethics and AI at the Technical University of Munich, Germany.

    Companies’ input in shaping the future of AI is essential, but they cannot retain the power they have gained to frame research on how their systems impact society or on how we evaluate the effect morally. Governments and publicly accountable entities must support independent research, and insist that industry shares enough data for it to be kept accountable.

    Algorithmic-decision systems touch every corner of our lives: medical treatments and insurance; mortgages and transportation; policing, bail and parole; newsfeeds and political and commercial advertising. Because algorithms are trained on existing data that reflect social inequalities, they risk perpetuating systemic injustice unless people consciously design countervailing measures. For example, AI systems to predict recidivism might incorporate differential policing of black and white communities, or those to rate the likely success of job candidates might build on a history of gender-biased promotions.

    Inside an algorithmic black box, societal biases are rendered invisible and unaccountable. When designed for profit-making alone, algorithms necessarily diverge from the public interest — information asymmetries, bargaining power and externalities pervade these markets. For example, Facebook and YouTube profit from people staying on their sites and by offering advertisers technology to deliver precisely targeted messages. That could turn out to be illegal or dangerous. The US Department of Housing and Urban Development has charged Facebook with enabling discrimination in housing adverts (correlates of race and religion could be used to affect who sees a listing). YouTube’s recommendation algorithm has been implicated in stoking anti-vaccine conspiracies. I see these sorts of service as the emissions of high-tech industry: they bring profits, but the costs are borne by society. (The companies have stated that they work to ensure their products are socially responsible.)

    From mobile phones to medical care, governments, academics and civil-society organizations endeavour to study how technologies affect society and to provide a check on market-driven organizations. Industry players intervene strategically in those efforts.

    ReplyDelete
  7. Don’t let industry write the rules for AI

    WORLD VIEW 01 MAY 2019
    Yochai Benkler. Nature 569, 161 (2019)
    https://www.nature.com/articles/d41586-019-01413-1

    PART II

    When the NSF lends Amazon the legitimacy of its process for a $7.6-million programme (0.03% of Amazon’s 2018 research and development spending), it undermines the role of public research as a counterweight to industry-funded research. A university abdicates its central role when it accepts funding from a firm to study the moral, political and legal implications of practices that are core to the business model of that firm. So too do governments that delegate policy frameworks to industry-dominated panels. Yes, institutions have erected some safeguards. NSF will award research grants through its normal peer-review process, without Amazon’s input, but Amazon retains the contractual, technical and organizational means to promote the projects that suit its goals. The Technical University of Munich reports that the funds from Facebook come without obligations or conditions, and that the company will not have a place on the centre’s advisory board. In my opinion, the risk and perception of undue influence is still too great, given the magnitude of this sole-source gift and how it bears directly on the donor’s interests.

    Today’s leading technology companies were born at a time of high faith in market-based mechanisms. In the 1990s, regulation was restricted, and public facilities such as railways and utilities were privatized. Initially hailed for bringing democracy andgrowth, pre-eminent tech companies came under suspicion after the Great Recession of the late 2000s. Germany, Australia and the United Kingdom have all passed or are planning laws to impose large fines on firms or personal liability on executives for the ills for which the companies are now blamed.

    This new-found regulatory zeal might be an overreaction. (Tech anxiety without reliable research will be no better as a guide to policy than was tech utopianism.) Still, it creates incentives for industry to cooperate.

    Governments should use that leverage to demand that companies share data in properly-protected databases with access granted to appropriately insulated, publicly-funded researchers. Industry participation in policy panels should be strictly limited.

    Industry has the data and expertise necessary to design fairness into AI systems. It cannot be excluded from the processes by which we investigate which worries are real and which safeguards work, but it must not be allowed to direct them. Organizations working to ensure that AI is fair and beneficial must be publicly funded, subject to peer review and transparent to civil society. And society must demand increased public investment in independent research rather than hoping that industry funding will fill the gap without corrupting the process.


    doi: 10.1038/d41586-019-01413-1

    ReplyDelete
  8. FDA公布輔助臨床決策AI軟體法規指南
    2019.09.27 環球生技雜誌 / 記者 吳培安 編譯

    美國時間26日,美國食品藥物監督管理局(FDA)公布新版指南,釐清各種形式的輔助臨床決策(Clinical decision support, CDS)軟體程式的監管強度。當局此次更新了多種醫療科技產品,包括手機醫用app、一般健康和低風險儀器、給製造商的現成(off-the-shelf)商業軟體應用、資料系統、醫學影像儲存、通訊儀器等的指南,使其與美國國會於2016年6月頒布的《21世紀治癒法案》(21st Century Cures Act)接軌。

    FDA將CDS定義為能夠提供醫生、患者或照護者相關知識及針對患者的資訊,智能化在適當時機過濾或展示,以提昇醫療與健康照護。FDA將根據產品的風險程度,決定監管的強度。

    此次頒布的是2017年底所公布、以強化牽涉到電子器材的安全需求規範草案的確定版。FDA表示,這項指南的監管強度將會聚焦在高風險、應用在緊急狀況下的軟體,以及應用機器學習演算法這類可能無法充分向使用者解釋其背後邏輯的程式。

    FDA舉出的此類實際案例,像是在不解釋其基本原理下,將住院的第一型糖尿病患者判定有急性心臟病高風險、應接受手術;或者是奠基於電子化就醫紀錄(electronic medical records)和地理分布資料的演算法學習,即自動從感冒的患者中判定出哪些為季節性流感的可疑案例。

    FDA並強調,FDA建立監管框架目標之一,也包含不阻礙低風險、但幫助性大的醫療相關軟體發展,例如在非緊急狀況下,不須詢問醫生、就能告知通知患者,患者也能自主確認應當如何處理的程式。它們有些甚至更優於某些傳統式的醫療儀器、具有可取代性,這樣的想法也獲得21世紀治癒法案的支持。

    FDA常務副局長Amy Abernethy表示,那些以鼓勵使用者維持健康生活方式的手機app,大多不在FDA監管的範圍內。

    Abernethy在聲明中表示,從越來越簡單的血糖值報告到能夠偵測心律不整的智慧手錶,患者、家屬及其醫療專業人員,正在加速擁抱數位醫療科技。FDA相信,將科技進展納入法規框架的考量,在數位醫療科技的發展上相當重要。

    參考資料:

    https://www.fiercebiotech.com/medtech/fda-delivers-regulatory-guidance-ai-software-and-clinical-decisionmaking-aids

    ReplyDelete
  9. 【產業報告教室】系列

    憂鬱症2030年成全球第一大疾病 預防、量化客觀診斷、創新治療為關鍵
    2020.08.19 環球生技雜誌記者/彭梓涵、李林璦

    https://www.gbimonthly.com/2020/08/77711/

    臺灣2018年精神疾病患者多達273萬人,隨著高齡社會、新冠肺炎疫情的衝擊,失智症、憂鬱症人數越來越多。今(19),由生物技術開發中心、南港生技育成中心、環球生技月刊主辦之系列產業報告教室,邀請多位國內外專家一同分享,如何從預防、診斷到藥品有效整合精神疾病產業鏈。

    Informa Pharma Intelligence 首席顧問蕭鳳鳴以「神經系統疾病藥品發展現況與展望、診斷、IoT、AI等新技術的應用」為題分享,Informa Pharma Intelligence是一家總部在英國的產業分析公司,擁有超過 1,900 位業界領先的分析師和研究人員,致力於提供直觀的產業相關資訊。

    蕭鳳鳴表示,目前神經系統疾病藥品發展現況,高於平均獲批概率的疾病有失眠、不寧腿症候群、多發性硬化症、癲癇,而低於平均的則是急性疼痛、阿茲海默症、自閉症、肌萎縮性側索硬化症。

    在美國申請新藥查驗登記的藥物一半為505(b)(2)藥品,在批准數量上神經系統疾病藥品僅次腫瘤藥物,其中這些神經系統疾病藥又以阿茲海默症藥物與帕金森氏症藥物為主,顯示神經系統疾病是需要被滿足的領域。

    Informa Pharma Intelligence也分析目前數位健康技術類型,她表示在神經系統疾病應用上可分四種類型,包含:電子遊戲「治療」憂鬱症、穿戴裝置提早偵測「症狀」、有追蹤能力的數位藥丸增加患者「依從性」、app測試「診斷」。

    她也從眾多角度分析,建議朝神經系統疾病領域發展的技術、公司,可從獲批概率、診斷靈敏度不佳、改善依從性等業界痛點切入。

    新旭生技副總經理戴晶瑩以「影像工具x新型治療藥物 神經退化性疾病關鍵布局」為題,分享新旭的市場策略。她首先表示,臺灣將步入超高齡社會,因此新旭希望為阿茲海默症、帕金森氏症的治療及診斷帶來解決方案。

    新旭生技2015年成立,陸續於2017年分別在日本、蘇州成立子公司,做臨床試驗也進駐蘇州工業園區。新旭生技目前是將核心研究放在臺灣,並在日本、美國聘請顧問。戴晶瑩表示,新旭的目的是與國際接軌,希望把國外的東西帶入臺灣並培育人才。

    目前,新旭的針對阿茲海默症與帕金森氏症的產品線包含:Tau蛋白大分子結合性治療藥物、小分子結合性治療藥物、降解藥物、與影像檢測Tau蛋白正子攝影(PET)示蹤劑(Tracer),其tau蛋白PET示蹤劑18F-APN-1607已在美國啟動多國多中心的阿茲海默症臨床二期試驗,近期也向中國國家藥品監督管理局(NMPA)提出的失智症診斷臨床試驗申請,並已獲得受理。

    此外,新旭生技尚有一個抗體藥,此抗體專一性高,除了可以用作藥物,也與三星生物製劑公司(Samsung Biologics)簽約,做為血液生物標誌檢測。

    戴晶瑩表示,從我們經驗得知,失智症很難預防與治療,新旭的示蹤劑十分有潛力協助醫生判讀患者,具有tau或類澱粉(Amyloid)病變的方法。

    明日智醫創辦人洪碩宏則與大家分享「以IoT技術輔助憂鬱症治療」,他指出,世界衛生組織(WHO)推估在2030年,憂鬱症將成為全球第一大疾病,每年成長約10%。目前治療憂鬱症大部分以口服藥為主,約只對33%的病患有效果,且副作用大,另外,有25%的病患不適合接受口服藥治療,為藥物難治型憂鬱症患者。

    除藥物外,電痙攣刺激(ECT)及經顱磁刺激(TMS)為重度憂鬱症治療的第一線治療選擇,進行ECT須將病患全身麻醉再進行高強度電刺激,副作用大,容易導致肌肉及記憶損傷,病患接受度低。而TMS為未來主流,在門診即可進行,不需麻醉且副作用低,病患接受度高,唯獨其治療參數設定較為複雜。

    TMS治療重度憂鬱症全球市場達8.8億美金,每年成長率8.8%,但由於TMS治療參數設定困難,若無事先檢測腦波,盲打緩解率僅達30%,效果不佳常導致病患流失。明日智醫提出MagXCure為新的TMS智慧腦波檢測系統,運用人工智慧計算神經行為,將分析時間由30分鐘縮短至1分鐘,緩解率由43.4%提升至76.9%,目前已在台北榮民總醫院有500例以上的病患數據。

    鳴醫專案經理李侑謙以「打破心理師與民眾的高牆,最暖心的遠距醫療新序章」為題,分享鳴醫提供的遠端線上心理治療服務─遠距抱抱(FarHugs)app,是一種心理共享式健康通訊平台。

    李侑謙表示,在健保使醫療費低廉、臺灣醫療機構林立情況下,造成總體醫療資源浪費,個人醫療品質低下。鳴醫認為,解決問題的關鍵在於「分級醫療」,運用個人化、遠距化醫療,讓民眾接受醫療資源不僅在醫療機構內發生。

    而鳴醫首先選擇從心理健康著手,李侑謙指出,由於心理諮商的特性與其他科別的醫病關係不同,心理師與患者的醫病關係緊密性更高,且心理諮商的需求不斷上升外,心理治療接觸量測的必要性較小,較容易遠距化,且目前心理諮商尚無健保導入,數位空間較大。

    目前平台已有遍布全台各地的150位醫療人士、 8000位活躍使用者,該平台除了可讓機構方便管理外,也可透過app推廣、宣傳,或是連結EAP員工輔助計畫,由於員工心理壓力是公司營運效率的關鍵,早期導入心理諮商資源可舒解員工壓力源,增加公司營運效率。

    宏智生醫科技技術長翁昌新壓軸登場,以「解憂治鬱新福音,結合AI、腦波輔助診斷之醫療服務」為題,與大家分享宏智生醫開發腦波訊號輔助診斷的契機與發展。

    翁昌新指出,目前憂鬱症在全球盛行率高,雖有治療方法,但是卻只有不到一半的患者接受治療。WHO提出三大挑戰,第一為缺乏照護資源,由於心理疾患診斷受醫師經驗影響很大;第二為社會歧視,多認為憂鬱症並不是真正疾病,而是不知足、軟弱;第三為缺乏客觀方式做診斷,評估結果不夠精準,因此,宏智生醫希望提供客觀可量化的資訊輔助醫師下診斷。

    宏智生醫自行開發8通道、溼式電極的腦波儀,患者在不受干擾的環境下,盯著灰底黑十字的圖像90秒,腦波透過訊號放大器,在雲端進行演算法分析後,30秒就能產生壓力指數報告,加上前置作業時間,總測量只需15-20分鐘即可完成。

    翁昌新解釋,報告中,灰階圖的顏色深淺代表壓力高低,綠色落點則是評估結果,介面設計一目了然外,還可結合傳統自我評估量表來做綜合診斷,計算出壓力傾向指數,作為醫師臨床診斷之重要參考,準確度高於80%,有望成為心理健康篩檢上的有力助手。

    目前宏智生醫與台大、北榮、林口及基隆長庚醫院合作,收集更多患者的腦波數據,預計在今年9月尋找合作夥伴試營運,於明年上半年推出產品。

    ReplyDelete
  10. [醫療AI 的機會,台灣還來得及抓住嗎?]
    https://www.facebook.com/ChaoyuanYeh/posts/10223600613022751

    因為深度神經網路在影像、文字及語音的辨識能力上,大幅超越傳統的演算法,甚至超過人類的表現,人工智慧(artificial intelligence,AI)在近幾年受到非常高度的關注。AI的發展,在許多國家已經被拉到國家戰略級的高度。AI在醫療上的應用,自然也是個受到高度矚目的議題。各醫院紛紛投入資源成立AI中心。醫界如此熱衷於一項科技的應用,是前所未見的。

    醫療AI,無疑是個重要的新興產業。這個新興產業的機會,台灣還來得及抓住嗎? 為什麼會這樣問? 新興產業的發展,時間點至為關鍵。越是有前景的產業,國際競爭越激烈。及時投入資源、精準制定策略,並且在瞬息萬變的環境中快速應變,找到成長的契機,才能取得優勢,發展到足夠的規模,在這個產業的賽道裡面持續下去。

    要發展醫療AI,台灣還來得及在國際上取得競爭優勢嗎? 觀察了台灣這幾年整個生態系的發展,我必須很憂心的說,快要來不及了。
    我為什麼這樣說? 因為海外,尤其是韓國的AI廠商已經攻進台灣市場了。除了有幾家醫院開始試用韓國Lunit的X光片AI判讀系統之外,連國泰金控也選擇跟Lunit合作,用AI輔助審閱X光片來提升核保效能。還不只如此,國泰金還跟另外三家海外的新創公司合作,包括和 Amenity Analytics合作分析法說會資訊,和ClearQuote合作用AI辨識車損理賠照片,和BehavioSec合作生物辨識。台灣的AI新創一點份都沒有。台灣也已經有醫院開始付費使用RapidAI的腦中風輔助診斷系統。就醫療影像AI這個市場來說,我們受到最大的威脅來自於韓國。當我們在為台積電打敗三星沾沾自喜的時候,韓國的Lunit和Vuno正在台灣積極地攻城掠地。就他們的肺部電腦斷層結節偵測,以及胸腔X光輔助判讀系統這兩個產品來說,台灣的廠商完全無招架之力。

    為什麼會這樣?

    第一、台灣的軟體業本來就不強。在這種產業背景下,AI軟體新創真的得要加倍努力才可以。就現況而言,我得說,台灣的新創公司得要天天深刻反省,多努力加油才行。關於軟體業的問題,先前我已經有另外一篇文章探討,這邊不再贅述。 有興趣者請見: https://www.facebook.com/ChaoyuanYeh/posts/10223494498889964

    第二、在發展AI的策略上,台灣整體還是脫離不了硬體思維,想到AI的發展,第一件事情就是想到電腦。不信的話,Google一下”醫院 DGX”,看看你會看到甚麼新聞。相較之下,我們看不太到醫院延攬頂尖AI人才到醫院AI中心的新聞。最讓身為軟體業者的我想要掉眼淚的事情是,醫院可以花一千萬買兩台電腦,卻不願意用一千萬聘四五個頂尖的AI工程師。 同樣的硬體思維在國家層級也是一樣的。台灣政府用前瞻基礎建設計畫的錢建了一台很厲害的台灣杉二號超級電腦,但我們是否也找了頂尖的人才來用超級電腦呢? 醫院無法接受頂尖的工程師薪水跟醫師差不多的這個事實,所以醫院裡面的AI大多是醫師聘助理或博士後研究員在做。當然,醫院的本業應該是在解決病患的問題,本來就不適合投入太多資源在AI的研發上,應該是花錢採購AI解決方案就好。所以問題還是要聚焦在業界本身,以及產業環境上。

    第三、台灣沒有太多可用的數據。甚麼? 台灣有傲視全球的健保,醫院電子化的程度也非常高,怎麼會沒有太多可用的數據? 我打個比方好了,數據跟原油一樣,原油只有開採得了才能進一步被提煉而加值,如果原油被埋在很鑿不穿的岩層下,那就沒有價值了。台灣的健保數據,受限於個資法的規範,不能提供給業界作為商業發展使用。目前,要利用健保的數據,只能以產學合作研究的方式,讓學界帶著業界去做已經開發好的AI模型的驗證。有一個更大的限制是,為了維護資訊安全,健保局不予許開發人員遠端連線,必須要人親自到健保局去。對於軟體開發來說,這簡直是一個不可能的狀況。難道我要把整個軟體團隊搬到健保局去嗎? 所以,健保局雖然用了不少的錢建立了一個健保影像資料庫,台灣的醫療影像AI公司並不能利用這些影像來開發商品。英國一樣有全民健保制度,政府為了要促進醫療科技發展,已經實施了解套的辦法,讓學界業界都可以使用健保資料做研發。台灣的健保雖然傲視全球,但是對於科技創新的貢獻微乎其微。新創公司只能自立自強去和醫院合作慢慢地收集數據。慢,對新創公司來講,是一個致命傷。就醫療影像AI的發展而言,從單一醫院的資料做出來的AI是不堪用的,AI模型最好是用多家醫院的資料進行訓練和驗證才可以確保其普遍適用性。新創公司要去找多家醫院同時簽約合作是非常困難的事情,這是慢上加慢。在美國,Mass General Brigham醫療集團(原名 Partners Healthcare,旗下最著名的為麻州總醫院以及Brigham and Women’s醫院 )成立了Center for Clinical Data Science,將旗下所有醫院的資料統整,以推動創新醫療科技的研發及商轉。另外一種模式則是像Memorial Sloan Kettering Cancer Center (MSKCC),因為是referral center,收集了幾百個醫療機構的資料,這對於醫療影像AI的開發有莫大的助益,因此他們也生出了一個很成功的新創公司Paige。

    第四、政府資料庫建置計畫規劃不當。這其實是上一個問題點的延伸。台灣政府不是沒有想要解決這個問題。除了健保署的”健保醫療影像倉儲與人工智慧應用平台建置案”,還有科技部的”醫療影像之巨量資料建立與應用研究專案計畫” (簡稱巨量醫療影像計畫)以及”臨床資料庫與AI之跨域開發及加值應用計畫”(簡稱臨床資料AI應用計畫)。巨量醫療影像計畫在規劃上有個致命的弱點,這個計畫所建置的資料庫並不能作為商業開發用途,所以對於新創業者並沒有幫助。這計畫執行期間,偏偏就是醫療影像AI發展的關鍵三年,2017-2020。臨床資料AI應用計畫今年剛啟動,有三個致命的弱點,首先,這個計畫是各醫院提案,並不是單一主題,多醫院收資料的方式,所以每一個醫院收集到的資料做出來的AI都會有缺乏普遍適用性的問題。第二,這個計畫收集的資料還是不能提供業界作為商業開發用途。第三,這個計畫採許雨露均霑的補助模式,每個機構得到的補助不多,要能把AI模型做到商品化是不可能的事情。明年度科技部即將有個新的資料庫計畫上路,叫做”健康大數據永續平台計畫”,我衷心期盼政府可以好好規劃,不過也不敢抱太大的期待。因為這個資料庫的建置其實對於新創公司來說,已經太晚了。韓國跟美國的醫療影像AI產品都已經賣到台灣來了,日本的也準備要賣過來了,這個計畫為期四年,有多少新創公司可以用得到這些資料呢? 能活到那時的公司,或許自己收資料的速度夠快了,也不太用得到這個資料庫。需要政府資料庫幫忙才能存活的新創公司,在國際競爭的壓力下,可能也活不到那時了。

    ReplyDelete
  11. [醫療AI 的機會,台灣還來得及抓住嗎?] (下)
    https://www.facebook.com/ChaoyuanYeh/posts/10223600613022751

    雲象怎麼活到現在還可以繼續長大呢?

    首先,我們選了競爭比較不激烈的數位病理的領域。講起醫療影像,大家最耳熟能詳的是放射影像。放射影像已經數位化二十年了,累積了非常多的資料。所以醫療影像AI新創公司成立時,選題多以放射影像的題目為主。相反的,病理科大多都還沒有數位化,因此也比較少新創公司專注在這個領域上。雲象同時開發數位病理工作流程系統和AI輔助診斷系統,在努力研究AI如何協助病理科醫師提高診斷效率的同時,協助病理科進行數位轉型。因此我們可以透過數位病理工作流程系統實現營收,支持公司持續成長。

    再者,在AI題目的挑選上,我們選擇先從較小較難的利基市場切入。雲象出身微薄,是在我家人的支持下創辦的,一開始在資源拮据的狀況下,不敢選擇肺癌、乳癌等這種充斥著巨型競爭者的領域。我們往另外一個極端走,選了一個較小而且困難度高上許多的題目,骨髓細胞的AI辨識。就這個題目而言,世界上並不存在既有的資料集,任何想做的人都得重新收集資料,而且骨髓細胞辨識難度很高,需要運用的AI模型也還在持續發展當中,所以這個領域裡的競爭者非常少。我們所建置的標註資料集是世界上規模最大的,我們的產品也即將在台灣進入臨床試驗。目前,全世界並沒有類似的產品,因此這個產品受到血液科醫師以及經銷商的高度關注。
    在資料收集上,我們走的是最緩慢的一條道路,也就是跟醫院一家一家的簽約。選擇競爭者比較少的題目,讓我們在時間上的壓力稍微小一些,還是可以以一定的步調往前進。

    我們很認命的靠著自己的努力要突圍,但是看到外國的廠商已經開始將醫療AI的商品賣進台灣,我認為我必須要出聲求救,說服政府相關單位以及業界做出策略上的改變,一起強化台灣醫療AI產業,千萬不能錯失抓住醫療AI趨勢最後的機會,最後淪落到只能採購國外廠商解決方案的下場。

    我給台灣的建言主要有兩點

    1. 請政府多與醫療AI軟體新創公司對話,傾聽他們的需求,協助他們成長。我在諸多政府主持的策略會議上,都看到一個現象,主政者將台灣未來智慧醫療產業發展的希望,寄託在台灣的ICT產業上。例如,行政院科技會報的生技產業策略諮詢會議 (BTC),請到了施振榮先生來講生技產業的全球戰略布局。我對於宏碁在電腦產業取得的成功萬分敬佩,但我認為生技產業的發展,不應該聽從施先生的建議。你可以想像美國政府的生計產業策略諮詢會議上面,請到戴爾電腦的創辦人Michael Dell先生來講生技產業策略佈局嗎? 在這些策略會議裡,新創公司幾乎沒有發聲的機會,只能坐在台下聆聽大老的教誨。台灣ICT產業的成功,無庸置疑,但是智慧醫療產業最大的機會是軟體的,智慧醫療產業的成功,必須要寄望於軟體新創。台灣最近流行的強強聯手的論述很有問題。這論述是說,因為ICT產業很強,醫療服務業很強,所以兩強聯手一定可以把智慧醫療做好。可是瑞凡,智慧醫療的關鍵在於軟體啊….? 抬頭看一下國際,馬上可以注意到,目前發展最成功的智慧醫療公司,都是軟體公司 。Flatiron Health, Zebra Medical, Babylon Health, Viz.ai等,都是很好的例子。這一波AI浪潮來了,是台灣發展軟體業很好的契機,請政府好好抓住吧。

    2.我要呼籲醫界跟業界,不要再有 "這個我自己也可以做一個出來啊" 的想法了,想個辦法合體打群架吧。我舉個例子,就我所知,台灣至少有五個團隊在做肺結節偵測的AI,但每個團隊手上所有的資料以及投入的資源,跟國際相比,大概少了一到兩個數量級。台灣有太多小打小鬧的醫療AI專案,常常都停在發個新聞稿而已,沒有甚麼可以拿到國際市場去競爭的。我最痛心的,莫過於,台灣連要把全國COVID-19病患的資料整合起來做一個AI這件事情都做不到。台灣因為防疫太成功了,病患數很少,要做出有用的AI模型,把全台灣的資料全都加起來做都還不夠,更甭談是一兩家醫院的資料了。我們在雲象,使盡了吃奶的力氣,才生得出兩三個在國際上有競爭優勢的項目。公司裡許多正在研發的項目,離世界水準還有很大一段距離,我們天天在反省求進步,也想盡辦法要促成醫院之間的合作,這樣才有辦法真的走出去跟世界競爭。

    我們身處在這個業界,沒有悲觀的權利,只能無比樂觀堅持往前進。但我心裡還是希望台灣的政府及產業環境可以一起進步,創造出繁榮的生態系,大家一起努力,才能成大事。時間不多了,得要用盡全力抓住這個即將逝去的機會。不然我們只能在幾年之後慨歎,台灣暨網路,大數據之後,又在AI的時代缺席了。

    ReplyDelete
  12. iPhone 正在開發偵測憂鬱症、認知衰退之功能

    華爾街日報 21 日報導,消息人士和相關文件顯示,蘋果打算使用行動力、肢體活動、睡眠模式、打字行為等數據,找出與上述病症有關的數位訊號,並運用演算法有效偵測,蘋果希望這能夠成為 iPhone 的獨特功能。

    據傳蘋果將進一步跨足健康領域,未來也許能用智慧機偵測用戶是否罹患憂鬱症和認知衰退。如果成真,將是 iPhone 的一大獨特賣點。

    據了解蘋果與美國加州大學洛杉磯分校(UCLA)研究壓力、焦慮、抑鬱的團隊合作。 UCLA 研究員將追蹤 iPhone 相機、鍵盤、聲訊感測器的數據,也會追蹤蘋果智慧錶與行動、生命徵象、睡眠有關的數據,藉此分析使用者的面部表情、說話方式、步行速度和頻率等。研究團隊也會關注用戶的打字速度、拼錯字頻率、輸入內容等,以了解用戶的情緒、集中度、精力值、心理狀態等。另外,據傳蘋果也與藥廠 Biogen 合作,用類似方法研究輕微的認知障礙症狀。

    https://www.google.com/amp/s/www.inside.com.tw/amparticle/24913-apple-wants-iphones-to-help-detect-depression-cognitive-decline

    ReplyDelete
  13. 人工智慧輔助撥開腦內迷霧,讓醫療走向精準量化
    記者 | 王捷
    https://www.charmingscitech.nat.gov.tw/post/202103007-2

    “Our intelligence is what makes us human, and AI is an extension of that quality.” -Yann LeCun Professor, New York University-

    人工智慧(Artificial intelligence, AI)近年來在各大領域嶄露頭角。由機器透過演算法於數據資料庫中,進行深度學習後模擬出高度的類人智慧,藉由辨識、推理、決策、理解、以及學習等智慧行為協助人類往更高層次邁進。近年來,AI也開始在醫療領域中大放異彩。著名實例為麻省理工學院計算機科學與人工智慧實驗室(MIT’s Computer Science and Artificial Intelligence Laboratory)Regina Barzilay教授,同時也是AI領域諾貝爾獎的松鼠AI獎(Squirrel AI Award)得主,於2014年結合自身的乳癌經驗,進而研究AI在癌症影像判讀及診療的技術應用。另一個例子則是針對長期盤旋在國人十大死因前段班心血管疾病,Google大腦團隊(Google Brain Team)攜手同屬Alphabet集團(前身為Google X實驗室中的生命科學團隊)Verily Life Sciences發表研究聲明,證實靠著深度學習演算法分析人類視網膜照片獲得之參數,結果顯示透過視網膜照片,AI可精準預測心血管疾病發生風險。

    醫療引入AI 問診流程效率大幅提升
    AI究竟是如何提供協助?陽明交大數位醫學暨智慧醫療推動中心主任楊智傑教授以自身經驗和我們細細分享。他提到,面對病患,醫師每日重複之看診流程可歸納如下:「診斷」得知疾病、「評估」疾病嚴重性、「預測」病程與用藥發展。醫師透過徵象、病人表現及測量參數來決定診斷。過去很長一段時間在醫學臨床應用與疾病診斷上,是應用統計建立起疾病診斷和預測模型,透過臨床數據及生理參數蒐集來判定個體生理狀況。拜電腦科技進步以及大量新演算法的研發所賜,電腦演算和判斷能力日益強大,和過去只能處理幾個簡單生理面向相比,現在的AI可以處理更龐大的資料,除了傳統生理徵象外,更延伸至其他面向,如透過聲音、精密度和解析度更高的影像進行判斷。同時,AI亦可進行更有深度的學習,藉由過往的資料和經驗中學習,找到其運行規則進行運算,而非僅透過特定規則進行編程。於此,新的演算法可有效地針對數據建立模型,只要建立清楚的數據資料庫,透過樣本訓練,AI可依照鍵入資訊做出相應之初步診斷,並且隨著時間透過深度學習,給出的診斷結果會更加精確。

    除了疾病診斷外,對於判斷症狀的嚴重程度同樣也可經由AI引入獲得提升。舉例來說,比如說記錄到一個代表某種程度的失智症的腦波,AI可根據這個腦波學到相關特徵,便可協助醫師進行失智症的篩檢和程度判斷。預測病程的發展更是未來的趨勢,雖然需要一些時間去建立資料紀錄,然而一旦建立出模型,AI即可協助醫師去推測和分析未來狀況的變化。AI介入輔助醫師進行診斷、評估和預測不只是現在進行式,更是未來最重要發展的趨勢。

    從搜索資料可自行歸納 AI未來潛力無窮
    AI潛力如此無窮,那麼我們是否可以期待AI自行歸納判斷鍵入的所有資訊,進行分析後再反饋給醫師,並協助醫師發現新的診斷法則和甚至是新的疾病?目前在醫學上的應用,仍傾向於告知分析步驟和所需資料及特徵的搜尋後讓AI進行學習,但上述想法也是未來一個新的方向。就如同AI元祖「IBM Watson」,應用強大的自然語音理解能力,解析訊息並搜尋大量文本數據庫來取得最可能答案,自從2011年從在美國最廣為人知的智力競賽節目《危險邊緣Jeopardy》中擊敗該節目史上最成功的2位人類選手後,IBM滿懷野心的進軍醫療產業。

    科學家認為Watson強大的能力可應用於理解病患的電子病例後,檢索醫療文章資料庫中獲取最新醫療期刊的知識,最終給出可能的最佳治療方案。他們首要的目標是癌症。然而,根據過去合作機構和醫師的反饋,除了應用效果不彰之外,數據庫內罕見疾病資料的缺乏以及和專家意見高度歧異,讓IBM Watson至今不但沒有任何進展,還傳出即將被出售的風聲。由IBM Watson的例子來看,儘管AI能夠在現有資料庫中快速且精準地找到答案,但不代表可從中進行推論,從搜索資料到可自行歸納,中間還有很長一段路要走。

    穩居輔佐要位 醫師綜觀全局難以取代
    有些人認為AI介入醫療後,可能會逐步影響醫師的地位,然而楊醫師認為這樣的觀點太過前衛與局限。目前沒有任何演算法可以達到像人類一般的做出全局的判斷。2017年,史丹佛大學在《arXiv》〔arXiv:1711.05225v2(2017)〕發表的文章〈CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning〉中探討利用AI進行肺部X光醫學影像判讀。科學家建立充足且完整的X光資料庫,讓模型經過完整訓練;同時另外找一群放射科醫師,進行肺部X光影像判讀。結果顯示,機器的表現比人類略勝一籌。乍看之下這個結果會帶出一個論述:機器比人厲害。然而,仔細分析會發現這個結論忽略了在現實臨床上X光中,不可能只有單一肺炎診斷。醫師會在X光上看到種種變化,譬如說:心臟是否肥大、是否有肋膜積水或是肺浸潤、甚至氣胸等狀況。然而,機器只認得單一肺炎病徵而無法做出全局的判斷。即便以上症狀都可一一辨識,但也很難從這些發現中建立連結,進而推論下一個層次的判斷,例如:心臟看起來比較大是否是因為無法順利將血液打出?是否發生衰竭?現階段的AI無法達到串聯性,亦無法進行全面性的診斷,只進行輔助的角色。

    儘管這幾年住院醫師和放射科醫師的招考人數略為下降,但楊智傑教授認為這只是暫時的現象。以臺大醫院的放射科醫師為例,一年需要檢驗約6百萬張斷層影像,AI介入後可減輕他們的負擔,讓工作變得更有效率,激起醫師有動機和心力去探索新的事物,未來AI與放射科別或許會成為更熱門的科別。 AI引入醫療領域的利弊尚無定解,需經由不斷的交流、討論以及嘗試進行調整。現今趨勢主要為AI進入減輕醫師負擔、降低人為錯誤、促進醫病溝通與關係,而在影像、病理切片和醫療的需求上,醫師還是為主導的角色;更遑論目前臺灣法規上,診斷報告仍需醫師確認及署名,短期內絕無可能被機器取代。

    ReplyDelete
  14. 人工智慧輔助撥開腦內迷霧,讓醫療走向精準量化
    記者 | 王捷
    https://www.charmingscitech.nat.gov.tw/post/202103007-2

    “Our intelligence is what makes us human, and AI is an extension of that quality.” -Yann LeCun Professor, New York University-

    (續)
    自然語言模擬 同理人類互動溫情
    從感性的層面來看,無法取代醫師的原因是,病人還是喜歡和真人醫師接觸和互動,在人類尚未習慣只和機器打交道的那一天來臨,現行醫療中機器仍傾向作為輔助或中介。在注重醫病關係的時代,醫師除了醫療知識協助,也扮演著人與人之間信賴、關懷和同理的角色。即使諸多團隊針對「AI的同理心」正積極進行研究,如Google、Amazon皆在自然語言分析和演算上努力突破,發展像是Siri、Alexa等智慧語音機器人,讓AI呈現出同理心。然而,這樣的同理心僅為一種模擬的呈現,和真正具備同理心後做出的反應並不能畫上等號。以自然語言處理人機交談介面的嘗試始於1960年代,當時的原理現在想來簡單,1964年Joseph Weizenbaum設計出一支名為Eliza的聊天程式,該程式能利用語言的邏輯去界定語句中的主詞與受詞,利用受詞代換後變成問題回拋給對方。例如,發問者鍵入「我今天心情不太好。」程式即會抓取關鍵字「今天心情不太好」加上疑問詞後,開始延伸對話「為什麼今天心情不太好?」這種方式雖然可以透過語言的邏輯建立對話,但並不表示電腦理解人類在講什麼。這樣算是同理心嗎?楊智傑教授莞爾認為,其實還是有那麼一點,同理心不見得一定需要深度理解或感同身受。舉例來說,有時候在病人表達他們的情緒或病痛時,只要醫師點個頭,有個回應代表病人的話有被接收到,這也是一種同理。AI可以呈現類似同理心的動作,這種簡單的互動是根據被設定好的條件做出反應。目前來說,AI無法表達出人類獨有那種軟性、溫情且靈活的同理。

    進入精神科領域 腦影像分析輔助精確診斷
    AI在醫學上有諸多局限,作為輔助角色的重要性卻是與日漸增;不僅在影像放射科等領域中備受矚目,於極具特殊性的精神科上也逐步鋒芒漸露。AI於精神疾病領域的應用和協助診斷,目前僅有美國FDA於2013年通過「以腦波輔助診斷注意力不集中(ADHD)」一例,這是當時第一個通過以AI輔助之精神疾病診斷。 然而,這幾年陸續有新的進展。例如以腦影像診斷思覺失調症和躁鬱症,或是以功能性群集結構(functional community structure)分析來判斷躁症、鬱症或是躁鬱症。這些精神疾病雖無明顯肉眼可見的大範圍病灶,但它的病變的確存在於一些細微的結構變化上,這些細微結構的變化便可以腦影像分析,以AI的方式將之量化;另外,國立臺北科技大學教授劉益宏團隊亦開發出可在90秒內以AI檢測憂鬱症傾向的腦波輔助診斷系統,相關退化性疾病和阿茲海默症,亦有國內外團隊正進行研發和成果驗證。

    以失智症為例,目前診斷方式還是依據行為和症狀變化,因此如何在早期產生輕度認知功能障礙的時候進行辨識,是臨床一個具有挑戰的階段;家屬帶患者到門診求助時,不僅只出現行為的改變諸如變得比較退縮、情緒憂鬱或是產生迷路的狀況,細問之下,才發現記憶力早已明顯退化,且在一、兩年前即有退化的跡象產生。雖然有些患者也會察覺自身認知功能減退而前來就診,然在醫學定義上較為模糊的疾病早期,界定為輕度認知功能障礙、阿茲海默症或是失智症,在醫學診斷上還是相對棘手的一環。不只是疾病的認定,病程發展如偵測該症狀是否有可能衍伸成為真正的疾病,也是需要長期觀察與行為記錄。失智症患者在輕度到中度失智時會出現一些認知行為症狀,包括情緒變化、睡眠和食慾的改變、思考想法變化、甚至進一步產生妄想,這些症狀除了量表外,近來也發展出利用AI偵測腦波來預測精神疾病症狀的嚴重程度,以此作為判斷用藥的依據。

    另一個例子是藉由AI協助診斷「思覺失調症」,2020年楊智傑教授與研究團隊一同研發出一套可解釋深度神經網路(Explainable deep neural network, EDNN),並結合以AI為基礎之網路診斷系統(AI-based web diagnostic system),用以分析和思覺失調相關的腦構造變化。這套系統包含一個伺服器以及神經影像診斷數據資料庫(Neuroimaging diagnostic database),該診斷系統的判斷結果不僅達到高度的精準度和特異性,模型經過再次訓練後還可提升準確度。此外,系統還可將腦部萎縮之構造3D視覺化,將思覺失調診斷過程加以優化。 由上述案例可知,在精神疾病的領域裡,透過AI的協助,可更針對疾病做更明確且清楚的判斷,並作為醫師診斷及用藥的有力輔助角色。

    建立客觀量化法則 協助精神疾病去汙名化
    過去,傳統醫師於精神疾病的診斷是確立診斷條件後,依據病人的症狀和病程進行診斷。以憂鬱症而言,診斷條件為九大診斷條件並包含兩大核心症狀,只要病人符合兩大核心之一,即為心情不好、沒有活力,再加上出現其他七大條件中的4至5個,該症狀持續2周以上,便可診斷為憂鬱症;而思覺失調症的診斷,則是病人是出現幻覺和妄想持續6個月以上。 診斷過程中最困難的就是量化,以前述憂鬱症為例,情緒不好的量化方式目前是使用量表,然此方式經常被人詬病過於主觀。現代化的精神科學希望能類似於內、外科一般的診療方式,將精準的身體數據量化後加以分析,以輔助診斷判別。例如,以血壓計量測血壓為例,血壓數值的高低本身是客觀的數據,或是透過腦影像,得知情緒不好和腦部活動的改變有關,甚至思考和行為的改變也和腦部結構有關。精神疾病診斷的量化目的,希望能以較為客觀的腦影像或是腦訊號量測數據,評估症狀的嚴重程度。

    然而,量化的黃金標準目前仍以問卷內部較為客觀可靠的問題,計算產生的分數來和腦影像和腦波做對照,再應用AI進行更精確的判讀,來協助醫師診斷、評估和預測。人工智慧技術和科技進展需要相互搭配,再結合上醫學知識、影像學,則可讓AI有深度的學習,於精神領域中發展精確的疾病分類。 多數的精神疾病患者沒有病識感,家屬和旁人也較難理解整體狀況,若未來能清楚定義精神疾病為大腦功能或結構改變,協助一般人理解精神疾病也是身體疾病的一部分。如同高血壓是心血管系統障礙,而糖尿病是內分泌障礙,精神疾病就是大腦的障礙。整體而言,對於解決精神疾病汙名化有所幫助,特別是過去幾年發生幾件和精神疾病相關的重大社會刑案,間接導致大家對精神疾病看法較為負面,如果民眾能理解精神疾病即為大腦的疾病,能以平常心去同理患者;加上近年來相關衛教知識普及化,如能隨時多加留意周遭人的心理狀態和行為,便可以預防很多悲劇發生。

    隱私保護 科技、醫療、法規多頭並進
    AI引入對患者的影響實為一體兩面,科技的進步可以不只減輕醫師負擔,更能促進病人福祉。然而,在醫師可藉由AI得知患者更多的生理資訊,對於患者隱私的保障也是一項需關注的議題。目前各醫院針對個資取用會依據法規進行資料蒐集,對於隱私也會保護之配套措施,除了臨床端外,還仰賴法規明確定義、科技上嶄新概念與技術例如區塊鏈等,以及病人對於醫療隱私的認同,共同相輔相成,可讓民眾一方面享有科技帶來的便利,也能同時擁有資訊共享的保障。

    ReplyDelete
  15. 透過臉部、語音辨識,「AI 醫生」也能診斷憂鬱症
    https://buzzorange.com/techorange/2018/11/28/ai-doctor-for-depression/

    【為什麼我們要選這篇文章】根據數據顯示,台灣有 200 萬人曾經受到憂鬱症的困擾,其中有 125 萬人是重度憂鬱症患者,但礙於社會對於憂鬱症的成見,許多患者不敢主動去看心理醫生。
    作者:量子位/郭一璞

    在全世界範圍內,有超過 3 億人有憂鬱症,其中 60% 的人都沒有接受任何治療。我們時有聽到名人罹患憂鬱症甚至嚴重到自殺的消息,卻不知周圍一些普通人身在病中不知病。

    面對這一病癥,AI 能做些什麼?

    AI 福祉無邊界:李飛飛團隊用表情和語音,辨識憂鬱症患者
    曾經說過「AI 沒有國界,AI 的福祉亦無邊界」的李飛飛老師這次要為那些懷疑自己得憂鬱症的人創造福祉了,她和團隊瞄準了 AI 診斷憂鬱症這個方向:

    結合語音識別、電腦視覺和自然語言處理技術,通過表情和語言診斷一個人是否患了憂鬱症。

    目前,這項研究初見成效,診斷憂鬱症的機器學習模型目前 precision (精密度)達到 83.3%,recall 達到 82.6%。並且,這個模型可以部署到手機上,讓更多人能方便的診斷憂鬱症,不再受困於「沒錢」、「沒時間」、「別人知道我去看憂鬱症會怎麼議論我」的阻撓之中。另外,這項研究成果還入選了 NeurIPS 2018 醫療健康機器學習(ML4H)Workshop。

    下面,為大家詳細介紹李飛飛這篇新作品的具體內容。

    AI 如何診斷病徵?靠 3D 臉部辨識、患者語音和訪談文字檔
    為什麼用表情和語音能診斷憂鬱症?因為醫生就是這麼做的。

    在目前的憂鬱症診斷過程中,醫生需要和患者面對面聊天,來判斷對方是否患病。需要醫生來觀察的要素包括:對方是否語調單一,完全不抑揚頓挫;說話音量是否比較低;講話時手勢是不是比正常人少;是不是總愛低頭向下看;……

    另外,還需要通過患者健康問卷(PHQ, Patient Health Questionnaire)來調查來瞭解更詳細的信息。

    用 AI 來診斷憂鬱症,就相當於用機器學習模型來代替那個和患者對話的醫生,把患者在醫生面前的表現變成數據,輸入機器學習模型中。

    因此,李飛飛團隊採用的方案是先在模型中輸入 3D 臉部關鍵點影片、患者說話的音頻和轉成文字的訪談錄音三種數據,分別對應下圖中的 abc 三行。

    之後,輸出 PHQ 評分或憂鬱症分類標簽,就能得出此人是否患了抑鬱症。

    訓練模型:透過語音句子嵌入、因果卷積神經網路,找出蛛絲馬跡
    訓練這個模型用到的是 DAIC-WOZ 數據集,包括 142 名患者的 PHQ 評分和 189 次臨床訪談、總共 50 小時的數據。整個模型由兩個部分組成。

    第一個部分叫句子級嵌入(Sentence-Level Embeddings)。以往的嵌入方式都是嵌入一個音節或單詞,只能捕捉幾百毫秒的時間。李飛飛團隊用的是整個句子多模態嵌入,可以實現捕捉更長時間的聲音、視覺和語言元素。下圖就是多模態句子級嵌入的示例:

    第二個部分叫因果卷積神經網路(C-CNN, Causal Convolutional Networks)。之所以用因果卷積神經網路,是因為憂鬱症患者說話慢。相比普通人,憂鬱症患者說話的時候會在不同的字詞之間停頓更長時間,因此整個句子的音視頻也就比較長。處理這種長句子的時候,因果卷積神經網路要比 RNN(遞歸神經網絡)強。

    一起來看看實驗成效如何!
    我們來看一下實驗結果。

    其中,A 是指輸入數據為音頻,V 是指輸入數據為視頻,L 是指輸入數據為文本。

    對比前人的實驗結果,李飛飛的這項新研究數據上相對較高。不過,與前人不同的是,這項新研究並不依賴一些預先做好的訪談記錄,所以來的背景資料更少。並且,這項新研究無需特徵工程,可以直接用輸入原始數據。

    這張實驗結果表格對比了使用不同嵌入方式的結果。其中,前兩行是手工嵌入,第 3~6 行是預訓練嵌入,最後兩行是我們用到的句子級嵌入,輸入的是 log-mel 光譜圖、3D 臉部關鍵點影片和 Word2Vecs 的序列。

    完整論文:
    Measuring Depression Symptom Severity from Spoken Language and 3D Facial Expressions
    Albert Haque, Michelle Guo, Adam S Miner, Li Fei-Fei
    https://arxiv.org/abs/1811.08592

    ReplyDelete