AI趨勢周報第148期:國泰醫院靠健保署大數據提高5大慢性病罹患預測率
<div class="field field-name-field-news-column-category field-type-taxonomy-term-reference field-label-hidden"><div class="field-items"><div class="field-item even"><a href="/tags/%E6%96%B0%E8%81%9E">新聞</a></div></div></div><div class="field field-name-body field-type-text-with-summary field-label-hidden"><div class="field-items"><div class="field-item even"> <h3><span style="vertical-align: top; color: rgb(0, 0, 255);">重點新聞(1030~1105)</span></h3> <p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);">慢性病預測 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 健保大數據 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 國泰醫院 </span></strong></span></p> <p><span style="font-size: 22px;"><strong>國泰醫院靠健保署大數據提高預測5大慢性病罹患機率,精準篩檢高風險民眾早預防</strong></span></p> <p>國泰綜合醫院早從去年就將AI應用於健康照護計畫,來篩出五大慢性病高風險民眾,包括心、腦血管疾病、慢性阻塞性肺病、腎臟病、糖尿病、慢性肝病,並即早進行健康干預措施,至今已有1千人參與。但過去訓練數據量有限,訓練出來的AI模型預測表現不佳,後來,他們採用2010年到2019年的健保署醫令數據來訓練模型,光是慢性腎臟病的資料規模就達先前的6倍,糖尿病數據更達13萬筆。</p> <p>身兼計畫主持人的國泰綜合醫院家庭醫學科暨社區醫學科主任楊逸菊指出,相較於先前已發表的模型,在運用健保署的數據後,至今其預測模型,不論是在預測民眾1年與3年內罹患5大慢性病機率的鑑別能力的AUC數值,皆達0.75以上,甚至慢性肺病與糖尿病達到近0.85的水準。她表示,國泰醫院未來也打算將這些模型落地到國泰醫院各院區,實現更好的慢性病預防與照護,減少這些慢性病的照護支出。<a href="https://國泰綜合醫院早從去年就將AI應用於健康照護計畫,來篩出五大慢性病高風險民眾,包括心、腦血管疾病、慢性阻塞性肺病、腎臟病、糖尿病、慢性肝病,並即早進行健康干預措施,至今已有1千人參與。但過去訓練數據量有限,訓練出來的AI模型預測表現不佳,後來,他們採用2010年到2019年的健保署醫令數據來訓練模型,光是慢性腎臟病的資料規模就達先前的6倍,糖尿病數據更達13萬筆。">(詳全文)</a></p> <p><img alt="" src="https://d3jcp1umdd59vg.cloudfront.net/sites/default/files/images/%E5%9C%961-%E6%85%A2%E6%80%A7%E7%97%85%E9%A0%90%E6%B8%ACAI-%E5%9C%96%E7%89%87%E4%BE%86%E6%BA%90-%E5%9C%8B%E6%B3%B0%E9%86%AB%E9%99%A2.JPG" /></p> <p><span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 健保署 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 非自然人 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 去識別化 </span></strong></span></p> <p><span style="font-size: 22px;"><strong>健保大數據開放百萬名去識別化逝者資料供企業申請</strong></span></p> <p>衛福部健保署日前揭露健保資料庫開放的最新進程,繼去年開放學研界申請健保資料庫之後,最近上線一套非自然人健保資料應用平臺,不只開放給政府機關和學研單位申請使用,申請資格更新增「個人或法人」選項,等於企業現在也可以申請運用這批已故者的健保大數據來進行AI研究。</p> <p>健保署表示,個資法僅規範自然人權益,而非自然人(已故者)不在此限。因此,健保署將已故者資料逐一歸戶和去識別化,匯入由廣達捐贈的客製AI醫療雲運算整合平臺,作為資料運用平臺,並上月初修正健保資料應用作業要點,正式開放企業或個人,在這套平臺中進行醫療AI的相關研究。<a href="https://www.ithome.com.tw/news/140787">(詳全文)</a></p> <p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 胰臟癌 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 醫療影像判讀 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Lending DocAI </span></strong></span></p> <p><span style="font-size:22px;"><strong>臺大靠DL從胰臟CT影像準確找出罹癌的細微病灶加快診斷</strong></span></p> <p>臺大研究團隊MeDA近日展示了一項AI醫療影像辨識新成果,他們與與臺大醫院合作開發出一套AI胰臟癌影像偵測系統PANCREASaver,來輔助醫師快速診斷胰臟癌,尤其是小於2公分的初期胰臟癌的病灶,在電腦斷層(CT)影像資料上有如一粒小黑點,即使是專業放射科醫師也不易察覺,使得患者存活率大大下降。</p> <p>為了早一步診斷,團隊花了2年蒐集約3千筆CT影像資料,來訓練機器學習模型和卷積網路模型,分別用來自動標記胰臟癌和腫瘤位置,並從醫療CT影像自動給出病人發生胰臟癌的機率,供醫師參考。後來,團隊也使用健保署約1,500筆CT影像資料做驗證。臺大醫院內視鏡光學診斷暨治療中心主任廖偉智表示,該系統對小於2公分的胰臟癌辨識已達98.3%正確率,甚至高於人類專家,且在健保署資料的驗證中亦可達91.1%的正確率。該研究成果已發表於國際醫療專業期刊,並在今年獲得了美國消化醫學會年會傑出論文獎。<a href="https://www.thelancet.com/journals/landig/article/PIIS2589-7500(20)30078-9/fulltext">(詳全文)</a></p> <p><img alt="" src="https://d3jcp1umdd59vg.cloudfront.net/sites/default/files/images/IMG_20201027_145311.jpg" /></p> <p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> BERT子集架構 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> Amazon </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 神經搜尋架構 </span></strong></span></p> <p><span style="font-size:22px;"><strong>還在尋尋覓覓尋找小而美的BERT參數設計嗎?別擔心,Amazon新研究能用AI找出更有效的參數子架構</strong></span></p> <p>這幾年,以Transformer架構建成的BERT,一直是解決NLP任務的熱門預訓練模型。但BERT龐大又複雜的訓練過程,也傷透許多開發者的腦筋,得花時間找出較不耗費運算資源的子架構。</p> <p>現在,這個問題貌似有解了。Amazon Alexa團隊近日發表一篇研究成果,他們利用新興的神經架構搜尋演算法,以推論延遲性、參數大小和錯誤率等三個指標,從大型BERT中找出最有效率的架構參數子集Bort,大小是原本BERT有效架構(不含嵌入層)的5.5%,等於BERT淨大小的16%。經測試,相較於BERT-large需要1,153個GPU小時來完成預訓練,Bort只需要288個GPU小時;在NLP基準測試上,Bort的表現幾乎比BERT-large要好,在GLUE測試中,預測表現提升了0.3%至31%不等。目前,<a href="https://github.com/alexa/bort">Bort程式碼已於GitHub上開源</a>。<a href="https://arxiv.org/pdf/2010.10499.pdf">(詳全文)</a></p> <p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 微軟 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 機器學習訓練工具 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Lobe </span></strong></span></p> <p><span style="font-size:22px;"><strong>微軟推出簡易好用的免費版機器學習訓練工具Lobe </strong></span></p> <p>微軟釋出免費桌機版機器學習訓練工具Lobe,使用者就算不具資料科學背景,也能訓練機器學習模型。Lobe目前為預覽版,Windows和Mac用戶都可使用。</p> <p>Lobe App是微軟2018年收購的新創,主打簡單易用的機器學習模型。一般使用者只要將想訓練的圖片匯入到App,加上標籤就可建立資料集。Lobe無需設定或組態,就能自動選擇適合的機器學習架構來模型訓練。使用者可試玩產出的模型,依其視覺判斷結果即時評分,並給予回饋。微軟表示,模型訓練完即能匯出TensorFlow或CoreML,可在一般標準平臺上執行,也能用於應用程式、網站或裝置上。目前Lobe僅支援圖像分類模型,但微軟預計將擴大到其他模型或其他類型資料。<a href="https://blogs.microsoft.com/ai/lobe-machine-learning/">(詳全文)</a></p> <p><img alt="" src="https://1gew6o3qn6vx9kp3s42ge0y1-wpengine.netdna-ssl.com/wp-content/uploads/prod/sites/3/2020/10/lobe-machine-learning-toyon_1920x1080-5f96b9a566e91-1536x864.jpg" /></p> <p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">Excel </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 微軟 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> Power BI </span></strong></span></p> <p><span style="font-size:22px;"><strong>要成為萬用BI分析工具,微軟Excel可新添自有和公共資料了</strong></span></p> <p>微軟日前宣布,用戶將可在Excel中加入自有資料或上百種公開資料,比如使用者可將三方客戶追蹤系統的結構化資料,匯入至Excel。如果使用者採用Power BI,Excel可自動連接,將Power BI發布的資料自動匯入Excel,使用者也可從Excel搜尋。</p> <p>若無Power BI,使用者也可使用Excel Power Query技術,手動連結數十種資料源,作為Excel資料類型。這些資料源可以是SQL Server、MySQL、PostreSQL,或是Teradata、Facebook等。至於公共資料類型,Excel則可連結100多種資料類型的資料,包括化學式、文字記錄、郵遞區號、或基因資料等公共資料,微軟也提供了一些分析範本,方便使用者用Excel追蹤營養資訊、追蹤股價、學習化學等。<a href="https://ore-new-data-types-in-excel/">(詳全文)</a></p> <p><img alt="" src="https://www.microsoft.com/en-us/microsoft-365/blog/wp-content/uploads/sites/2/2020/10/72670_Excel-Wolfram-Screenshot-In-Device-1024x611.png" /></p> <p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">疫情模擬器 </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 武漢肺炎 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> AWS </span></strong></span></p> <p><span style="font-size:22px;"><strong>AWS釋出新一代疫情模擬器和ML工具包,來防止疫情擴散</strong></span></p> <p>AWS日前開源釋出一款新模擬器和ML工具包,要來預測並防止COVID-19疫情擴散。進一步來說,釋出的工具包括疫情發展模擬器,以及多個機器學習模型,可用來預測干預手段的成效,來輔助決策者制訂有效的防疫策略。</p> <p>AWS指出,特別的是,這套模擬器可分配每個人的疾病變化機率分布,比如,使用者可設定參數,來看個人接觸到確診者14至21天後,是否會在2至5天內出現症狀。同時,模擬器也能以人口動態變化,來預測個人感染風險,比如某人從A城到B城,感染風險是否會由容易感染轉變為完全暴露於危險中。除此之外,AWS的模型還不同模板,比如州郡,來預測採取不同政策的成效。<a href="https://aws.amazon.com/blogs/machine-learning/introducing-the-covid-19-simulator-and-machine-learning-toolkit-for-predicting-covid-19-spread/">(詳全文)</a></p> <p><img alt="" src="https://d2908q01vomqb2.cloudfront.net/f1f836cb4ea6efb2a0b1b99f41ad8b103eff4b59/2020/10/30/1-Diagram_Resized.jpg" /></p> <p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;">Landing AI </span></strong></span> <span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> 製造業 </span></strong></span> <span style="color: rgb(255, 255, 255);"><strong><span style="background-color: rgb(51, 153, 255);"> 瑕疵檢測 </span></strong></span></p> <p><span style="font-size:22px;"><strong>吳恩達開發製造業用AI視覺檢查平臺</strong></span></p> <p>Google Brain創辦人吳恩達成立的新創公司Landing AI日前推出一款製造業專用視覺檢驗平臺LandingLens,可建立、部署和擴展AI視覺檢測解決方案。</p> <p>LandingLens的功能涵蓋資料蒐集、AI系統建立和實際應用,平臺內建資料準備模組,可用來產生標籤資料。此外,平臺也提供訓練工具來加速模型開發,其中的推理和監控模組能協助將模型部署到邊緣裝置,還能持續追蹤部署狀態。LandingLens還有個特點,也就是直覺性的介面,讓非AI專家也能透過點及滑鼠,來訓練、部署模型。<a href="https://landing.ai/landing-ai-unveils-ai-visual-inspection-platform-to-improve-quality-and-reduce-costs-for-manufacturers-worldwide/">(詳全文)</a></p> <p><img alt="" src="https://landing.ai/wp-content/uploads/2020/10/landinglens1-1536x782.jpg" /></p> <p>圖片來源/臉書、DeepMind、Google、微軟</p> <p><span style="color:#FFFFFF;"><strong><span style="background-color:#3399ff;"> AI趨勢近期新聞 </span></strong></span></p> <p><strong>1. 臺灣人工智慧學校將於11月13日展開兩天年會,台積電、玉山金、中鋼等重量級人物現身說法</strong></p> <p><strong>2. Alphabet X發展監測憂鬱症腦波的AI及頭戴監測裝置</strong></p> <p><strong>3. 英特爾買下AI軟體最佳化平臺SigOpt </strong></p> <p><strong>4. AI Labs宣布成立臺灣聯合學習醫療聯盟,6大指標醫院和政府部會都加入</strong></p> <p>資料來源:iThome整理,2020年11月</p> <div id="gtx-anchor" style="position: absolute; visibility: hidden; left: 317.778px; top: 197.5px; width: 313.222px; height: 14.4444px;"> </div> <div aria-describedby="bubble-19" class="jfk-bubble gtx-bubble" role="alertdialog" style="visibility: visible; left: -205px; top: 34px; opacity: 1;"> <div class="jfk-bubble-content-id" id="bubble-19"> <div id="gtx-host" style="min-width: 200px; max-width: 400px;"> </div> </div> <div aria-label="Close" class="jfk-bubble-closebtn-id jfk-bubble-closebtn" role="button" tabindex="0"> </div> <div class="jfk-bubble-arrow-id jfk-bubble-arrow jfk-bubble-arrowdown" style="left: 454.278px;"> <div class="jfk-bubble-arrowimplbefore"> </div> <div class="jfk-bubble-arrowimplafter"> </div> </div> </div> </div></div></div>