|

【OpenVINO開發案例】AI疾病預測系統 以酒癮為例

   

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

AI疾病預測系統可協助診斷,提供遠距或診間醫療衛生服務等等

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:

  1. 自行開發根據病史預測是否罹患酒癮的AI模型;
  2. 應用Open VINO快速佈署、執行並優化推論模型,效能提升45倍;
  3. 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;
  4. 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

資料處理、模型訓練與部署流程圖

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。

主要初階機器學習模型學習力比較

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。

酒癮及其併發症預測系統架構

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228K,轉換為FP16格式IR檔案僅有114K。(OpenVINO轉換Keras模型的參考文件連結)

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:

  1. 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);
  2. 精神科門診:已有警覺的酒癮患者自行就診;
  3. 遠距醫療照護:患者居家、醫護人員遠距提供醫療照護時。

酒癮預測AAP輸入表單

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。

 

MIBT
MIBT

Author: MIBT

本文作者為王澤毅博士及李盛安博士。 王澤毅博士長年研究族群遺傳演化模型,並應用於基因資料分析,探討人類族群遺傳與醫學相關問題,現專注於開發適合台灣人基因溯源、遺傳疾病分析與精準醫療應用的醫檢產品。他在台大取得數學碩士、資工博士,現任慈濟大學電算中心主任。 李盛安博士的專長是醫療資訊系統、生物資訊、雲端運算、大數據、人工智慧、分散式系統、行動裝置程式設計、軟體工程、行動資訊系統、數位圖像處理。現任開南大學健康產業管理學系副教授,台灣大學資訊工程研究所博士。

Share This Post On

Submit a Comment

發佈留言必須填寫的電子郵件地址不會公開。 必填欄位標示為 *