作者/圖片提供:MIBT
本案例為《2021 Intel DevCup x OpenVINO Toolkit》實作組入選作品,MIBT團隊團員來自花蓮慈濟大學醫學資訊系,本刊特別邀請該團隊撰文分享其開發歷程、技術架構及成果,讓更多開發者可以借鏡學習。
台灣預計將於2025年邁入超高齡社會,屆時65歲以上的老年人口將會多於五分之一。據統計,近九成的老年人患有慢性病,超過五成的老年人患有三種以上的慢性病。
疾病會影響到我們的日常生活、身心健康,是大多數人臨終時最主要的死因,而未來超高齡社會所面臨的龐大醫療支出,將會是我們台灣社會人民全體的沉重負擔。
AI疾病預測系統的開發與應用,可協助診斷,提供遠距或診間醫療衛生服務。對個人而言,可幫助人們提早發現疾病、提早治療、延緩惡化,降低疾病對生活、身心的負面影響;對社會而言,可促進群體健康,改善台灣沉重的健保負擔。
開發動機
我們以酒癮為例,開發並應用AI模型,依據疾病史來預測是否罹患酒癮。對個人而言,酒精成癮 (addiction) 涵蓋酒精濫用及酒精依賴,會造成個人身心失衡,罹患肝臟、胃腸道、神經系統、代謝與心臟相關等併發症, 對身體造成的傷害性和依賴性,比大麻 (cannabis) 和搖頭丸 (methylphenidate) 嚴重,即便是少量飲酒,罹癌的機會為不喝酒的1.3倍,過量飲酒會高達5.1倍。
對社會而言,過量飲酒本身就會引發社會問題 (如酒駕),而近年來罹患酒癮人數的不降反升,間接造成諸多併發症與癌症罹病人數的上升,提高整體社會醫療支出,更加重台灣沉苛健保的負擔;對於偏鄉地區而言,原本就存有醫療資源不足、安全防護不夠等諸多社會問題,更會因此加劇而難以改善。
酒癮預測模型的開發與應用,有益於協助診斷,提供遠距或診間醫療衛生服務,幫助個人提早發現酒癮,提早治療,並緩解偏鄉地區因酒癮而引發的社會問題。
此外,許多酒癮患者,不會主動找精神科醫師診治,而是因身體不適赴腸胃科或其他科求助,AI酒癮預測系統可在非精神科部署,提早發現潛在酒癮患者,協助其會診或轉診精神科,獲得更全面、更專業的醫療照護。
系統簡介
我們開發以酒癮為例的AI疾病預測系統,應用OpenVINO快速部署、執行推論與優化,並建立一個協助醫生遠距或診間診斷的智慧醫療方案,主要特點如下:
- 自行開發根據病史預測是否罹患酒癮的AI模型;
- 應用Open VINO快速佈署、執行並優化推論模型,效能提升45倍;
- 開發手機、平板等邊緣裝置APP,整合預測模型、診斷量表與衛教資訊,協助醫生提供遠距或診間醫療衛生服務;
- 透過APP可收集更多病史與診斷資料,定期或動態重新訓練、佈署及優化模型。
模型訓練與部署
我們從超過180萬個住院病患的電子病歷資料 (EMRs) 中,挑選全部12,107個酒癮患者,與隨機41,275個非酒癮患者,使用他們2006-2013的病史資料 (包含1,082個疾病種類),進行類神經網路學習。
這些12,107個酒癮患者都曾因表一所列的酒癮相關疾病而住院,並以其第一次因此住院前的三年病史為學習資料,而每次隨機挑選的41,275個非酒癮患者,亦是以罹病住院前的三年資料為對照組學習資料。
表一、酒癮相關疾病代碼
# | 中文名稱 | 英文名稱 | ICD-9 |
1 | 酒精性精神病 | Unspecified alcoholic psychosis | 291.9 |
2 | 酒精戒斷性譫妄 | Alcohol withdrawal delirium | 291.0 |
3 | 酒精性失憶徵候群 | Alcohol amnestic syndrome | 291.1 |
4 | 其他酒精性癡呆 | Other alcoholic dementia | 291.2 |
5 | 其他酒精戒斷性幻覺症 | Other withdrawal hallucinosis | 291.3 |
6 | 特異體質性酒精中毒 | Idiosyncratic alcohol intoxication | 291.4 |
7 | 酒精性嫉妒症 | Alcoholic jealousy | 291.5 |
8 | 其他特定之酒精性精神病 | Other specified alcoholic psychosis | 291.8 |
9 | 酒精戒斷症候群 | Alcohol withdrawal | 291.81 |
10 | 急性酒精中毒 | Acute alcoholic intoxication, unspecified | 303 |
11 | 急性酒精中毒,持續性 | Acute alcoholic intoxication, continuous | 303.01 |
12 | 急性酒精中毒,陣發性 | Acute alcoholic intoxication, episodic | 303.02 |
13 | 急性酒精中毒,緩解中 | Acute alcoholic intoxication, in remission | 303.03 |
14 | 其他酒癮 | Other and unspecified alcohol dependence, unspecified | 303.90 |
15 | 其他酒癮,持續性 | Other and unspecified alcohol dependence, continuous | 303.91 |
16 | 其他酒癮,陣發性 | Other and unspecified alcohol dependence, episodic | 303.92 |
17 | 其他酒癮,緩解中 | Other and unspecified alcohol dependence, in remission | 303.93 |
18 | 酒精濫用 | Alcohol abuse, unspecified | 305.00 |
19 | 酒精濫用,持續性 | Alcohol abuse, continuous | 305.01 |
20 | 酒精濫用,陣發性 | Alcohol abuse, episodic | 305.02 |
21 | 酒精濫用,緩解中 | Alcohol abuse, in remission | 305.03 |
此外,我們針對統計相關性最高的前三大併發症:重鬱症、代謝性酸中毒、酒精性肝硬化,一樣以首次罹病的前三年病史為學習資料集,開發AI疾病預測模型。在無測試集之下,我們先初步評估不同機器學習方法的學習力 (表二)。相較於KNN、SVM、RF、LR等初階的機器學習模型,DNN模型在正確性、精確性、召回率 (敏感度)、F1分數、MCC、特異度等評估指標皆顯示,DNN模型的學習能力明顯較佳。
進一步在DNN的模型架構下,透過不同層數、參數的組合,尋找預測效果相對較好的類神經網路設計:大約5-7層網路左右,每層節點數目的指數量級約在3-8級左右。
最後考量模型大小、記憶體空間等計算資源,我們選擇預測結果仍維持不錯,但規模屬於最小等級的32, 28, 24, 20, 24, 28之DNN模型,並進一步加以轉換為 OpenVINO IR的架構。
此模型經Tensorflow keras訓練完的.h5檔案大小約751K,轉換為 Tensorflow .pb檔案格式約235K,轉換為FP32格式IR檔案為228K,轉換為FP16格式IR檔案僅有114K。
經實際測試,我們觀察模型執行推論的時間:Tensorflow Keras H5模型推論53,300筆所需的時間,共1,462秒,平均272秒/萬筆;OpenVINO IR模型一樣推論53,300筆所需的時間,共32秒,平均6秒/萬筆。兩者推論模型的效能相差約45倍,如影片所示:
此模型經Tensorflow keras訓練完的.h5檔案大小約751K,轉換為 Tensorflow .pb檔案格式約235K,轉換為FP32格式IR檔案為228
主要應用情境
結合具有衛教功能的影片與遊戲,我們開發手機、平板等邊緣裝置APP,可由患者自行或在醫護人員協助之下,輸入如圖二所示的表單資料,進而利用Open VINO機器執行推論。主要可應用的情境如下:
- 非精神科門診:潛在酒癮患者過量飲酒,身體不適至他科就診 (如腸胃科等);
- 精神科門診:已有警覺的酒癮患者自行就診;
- 遠距醫療照護:患者居家、醫護人員遠距提供醫療照護時。
AI疾病預測的展望
隨著各式各樣計算機的效能發展與提升,人工智慧的能力與技術愈臻成熟,而在如生物銀行的機構持續累積更多完整可用的生醫資料之下,AI疾病預測系統的開發與應用環境會不斷改善。利用AI系統,預測罹病的可能性,可迅速評估潛在患者的罹病風險,進一步增加提早發現、提早治療的機會,可延緩病情的發展與惡化,降低疾病對身心的負面影響。
尤其在台灣社會高齡化趨勢的脈絡下,引進AI疾病預測系統於精準醫療健照領域,開發相關邊緣運算裝置,能減少醫療資源的錯置浪費,提高診斷治療的正確與效力,進而減輕個人、家庭與社會的醫療負擔。
MIBT 團隊簡介
MIBT成員為慈濟大學醫學資訊系學生:賴翰陞、江辰霈 、 陳盈竹,屬於陳光琦老師的系統生物學實驗室,陳光琦老師與另兩位團隊成員:開南大學健康產業管理系李盛安副教授、慈濟大學電算中心王澤毅主任長期合作,研究健保資料、疾病基因、蛋白質交互作用等系統生物學相關議題。
此專案還與陳紹基(台東馬偕)、陳紹祖(花蓮慈濟)兩位精神科醫師合作,並將實際應用於花蓮慈濟精神科相關門診及偏鄉遠距照護系統。
- 【OpenVINO開發案例】AI疾病預測系統以酒癮為例 - 2022/05/04