疾管家背後推手 DeepQ 以 AI 軟硬平台整合,協助醫師開發 AI 影像應用

2020.07.23 06:19PM
503
照片中提到了Deep、BUIL IN MITN、LEG FAICKS,包含了通訊、公共關係、通訊、產品、機構

這波武漢肺炎疫情,疾病管制署的聊天機器人"疾管家"扮演為民眾破除不實謠言的重要任務,而幕後的推手,是由 HTC 轉投資的健康醫療事業部 DeepQ , DeepQ 是一家全方位的 AI 醫療解決方案供,自如聊天機器人的自然語意處理 NLP ,或是 AI 影像醫學等,皆是 DeepQ 擅長的領域,DeepQ 亦針對大型醫療院所投入 AI 的需求,規劃一套軟硬整合平台,協助有志投入 AI 影像技術的醫師,能在不需學習深度 AI 技術之下,完成 AI 影像技術的開發與部屬。

DeepQ 看到當前的醫療體系難以具備兼具醫療背景與 AI 技術的跨領域人才,縱使擁有兩支不同的團隊,在溝通協作也常因專精領域不同難以達成共識,故投入針對醫療影像之 AI 模型訓練的平台開發。

DeepQ 的硬體架構,是以普遍大型醫學中心能夠負擔的 NVIDIA DGX 做為基礎,以自身所開發的 AI 框架作為輔助, 以一套簡單操作的平台,使醫師只要準備好用於訓練的材料,即可作為 AI 使用者的身分培訓 AI 模型。

雖然使用 NVIDIA DGX 平台投入 AI 醫療影像的新創公司相當多,不過 DeepQ 的秘訣則在於結合遷移式學習的概念,由於醫療影像相較民生的影像辨識素材取得不易,故在訓練 AI 醫療影像辨識模型最大的難題就是提供 AI 充裕的有效素材。

DeepQ 藉由遷移式學習概念,使 AI 影像判讀模型先以擁有大量影像資料的 ImageNet 完成基礎訓練,讓模型具備高準確的通用影像辨識能力,而後再使用醫療影像素材,使訓練好的 AI 模型能把經驗轉換到同為影像的醫療影像判讀。可說 DeepQ 的技術概念有點類似專注於醫療影像領域的 AutoML 平台,只是把領域專注在醫療影像的判讀上。

照片中提到了Assisted、Annotation、Image Annotating & Model Training,包含了電子配件、人工智能、系統、火炬、電子配件

▲ DeepQ 藉由遷移式學習的方式,使 AI 模型先完成通用影像辨識訓練後再轉移到醫學影像訓練

同時 DeepQ 提供一套自動化的訓練與實作平台,醫師可在軟體介面進行資料的上傳、標記與訓練,在單一平台完成專案規劃、建置與影像標記,醫師亦可使用一部分素材進行預訓練,做為評估此領域的 AI 醫療影像辨識是否有繼續投入開發的價值。

針對各醫療院所不同的架構想法,除了可搭配 DGX 自建系統外,亦可搭配其他採用 NVIDIA DGX 加速的平台,或式藉由具備 NVIDIA GPU 的雲平台進行訓練; DeepQ 的自動訓練系統也在實戰中有出色的成績,去年加入國網中心的台灣 AI 雲 TWCC 計畫,相較多組醫療影像辨識技術, DeepQ 的自動訓練結果甚至優於科學家手動進行訓練的平均水準。

至於在自然語言處理的部分,除了疾管家, DeepQ 也協助多家醫療院所導入專為醫療領域的聊天機器人,像是彰化基督教醫院的蘭醫師亦使用 DeepQ 的自然語言處理技術; DeepQ 將醫療常用的關鍵文字,再結合台灣在地語言進行訓練,使這些醫院的聊天機器人能夠真正理解台灣人的醫療相關詞彙,使聊天機器人能夠在第一線與患者以及患者家屬的溝通發揮價值。

資料來源

1 則回應