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：
- 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
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。
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。
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。
- 【OpenVINO開發案例】AI疾病預測系統以酒癮為例 - 2022/05/04
