『高中營隊』北醫 AI醫學營隊心得分享

最後更新時間： 2021-04-23

1

8949

前言：參加AI醫學營的動機？

我們在高中時常會聽到「二類營隊」、「三類營隊」等等的稱呼，這是因為大部分營隊都只以一個主題作為營隊的核心。

舉例來說，電機營隊只會教二類電機相關的學術知識；醫學營隊則是教三類醫療的學術知識。幾乎沒有營隊會同時教授兩個主題，甚至是把兩者做結合，同時間一起探討。

據我所知，目前台灣有開設「結合性營隊」好像只有臺北醫學大學，就是這次我要介紹的「AI醫學營隊」。

「AI醫學營隊」的課程以AI作為基底，在課程中延伸出如何使AI與現代醫學做配合，並且舉出實際例子分享給學員。這樣敘述也許不容易理解，那麼我會在下文好好把每一個課程做介紹，看完一定就可以理解這個營隊到底是在教什麼嘍～

另外，因為這次營隊不包括住宿，所以我自己在校園附近租了短期的Airbnb，如果有興趣的話，我會把在Airbnb的經驗分享給大家，如果大家以後有遇到不提供住宿的營隊，又或是對這部分有興趣的，我會把文章寫在最後方，可以去看看喔～

[sc name=”google-ads” ]

課程1：癌症醫學介紹及AI的應用

講師：陳俊佑醫師

這堂課主要分為兩大主題，癌症醫學的介紹與AI的介紹。首先，教授先教授學員何謂「人工智慧」，以及人工智慧的發展歷史。

在AI介紹的部分，分享了「人工智慧 Artificial Intelligence」、「機器學習 Machine Learning」、「深度學習 Deep Learning」之間的關係。也從過去人工智慧的比賽歷史，來分享人工智慧的歷史，是從什麼時候流行，中間又經歷了怎樣的低潮，最後又再次興起的過程。

接著在介紹完AI過去的歷史，老師也講解了機器學習的概念，讓我們知道機器學習大概是如合運作的，並介紹了「真理函數」、「模仿函數」的基礎，讓我們對AI的運算有更深的理解。

在介紹完AI後，醫師也分享了癌症的應用元素。在有著AI的技術之下，究竟有哪方面同時應用「癌症醫學」與「AI技術」呢？

範例一：腫瘤檢查

根據過去案例分析，有部分癌症不容易被發現，通常被發現時都已經屬於晚期，完全醫治的方法十分傷身體，有時甚至連救都救不回來。

不過ＡＩ就可以幫助解決這個問題。首先，我們要了解為什麼會發生沒在癌症初期就檢查出來？部分原因是因為「腫瘤大小過小」，醫生無法每一張都正確分析，所以有時候漏檢查到。

這時候，AI的優勢就派上場了，AI能夠詳細的辨識出每一張照片內容，不會因為疲勞導致精準度受影響，也不會因為螢幕反光等等的其他原因，便可以幫助醫生判斷，確定醫師是否把該檢查的地方都檢查過了。

範例二：癌症分析表

人類在醫療癌症上，已經有過去許多的經驗以及資料記載，我們便可以利用AI製作出一張「癌症分析表（DCB Prediction Nomogram）」，不但可以幫助醫生判斷病人的目前病情狀況，也可以直擊拿給病人看，讓醫生與病人可以同時得知目前病況，並擬訂出治療的策略。

範例三：醫學分析機器人

上述的都是屬於人類自己撰寫程式去使AI運作，這次的「醫學分析機器人」，能夠自己在醫學方面的學術論文上，自己搜集資料，日夜不停地學習，不斷更新最新的資訊，那到底這樣有什麼用呢？

「醫學分析機器人」只需要由醫生輸入特定的病人情況，舉例來說「年齡」、「BMI」、「病情狀況」、「嚴重程度」等等的資料。AI便會從資料庫中找出類似的文獻，提供給醫生參考，並分析出如果使用某種藥物，會發生的結果，並且註明參考文獻的來源，醫生更可以親自去讀機器參考的資料來源。（上述俗稱「實證醫學」）

除此之外，機器人更會產出許多圖表，分析目前病人的狀況，並提供許多投藥的選擇，讓病人與醫師可以共同討論出該如何對症下藥，也就是近期非常流行的「醫病共享決策 Sharing Decision Making」。

[sc name=”google-ads” ]

課程2：智慧型創新思維

講師：邱士峰教授

在這堂課當中，教授分享了「創意」與「創新」的概念，為何要創新？該如何創新？現代因為科技的進步，大家逐漸有了「發明」的想法，但為何有些發明能夠造福大眾，有些卻會面臨虧本倒閉的風險呢？這些問題在「智慧型創新思維」中都能得到解答！

「創意 Creativity」與「創新 Innovation」差異在哪呢？有沒有實質的定義呢？這兩個詞沒有準確的定義，根據你看事情的角度，這兩個詞的定義將不斷變化。

對我來說「創意 Creativity」是偏向概念型態，屬於一種創意的誕生，如果用單詞來形容的話，便會是「Ideas、Imagination、Problem solving、brainstorming、concept」這幾個詞彙。

那麼「創新 Innovation」又是什麼呢？我的觀點下「創新 Innovation」是偏向實體概念型態，屬於一種實作出的產品，並且可以產生價值（Value）的商品。

許多創業的人為什麼會失敗？有一部分的人便是不理解何謂「創新」，創新是一種有價值的實作。「價值」這個詞其實很廣泛，也可以說成市場需求，是否可以實質性幫助人類，是否滿足人類需求？許多創新不過是滿足「創造者自己的需求」而非「大眾的需求」。

在這堂課程中，我學到了當我想要創新時，應該思考的方面。不再是做出自己妄想的作品，而是能做出大眾有需求的產品！

課程3：人性化的醫療物聯網

講師：許權廣主任

課堂當中，由萬芳醫院的醫師兼資訊主任，為我們介紹「物聯網與醫療」的實際結合。在簡報當中提到了許多有創意並且實用的實際案例，舉例來說：「睡眠與光源的搭配」、「護理師保護系統」、「萬小芳AI Bot」等等。

其中，「智能光板」便是結合醫學與物聯網的產物。為什麼會有這項產品的產生呢？根據飛利浦公司的研究指出：每天照射兩個小時的太陽，等於喝下四杯咖啡的精力！也因為在病房內很少有時間曬到太陽，導致病人的生理時鐘錯亂，使康復速度大打折扣。

所以有了上面的開發理由，就有了「智慧光板系統」的出現。在結合「睡眠」與「物聯網」的情況下，他能夠根據你手上戴的手環，偵測到的脈搏，去判斷出病人目前的生理狀況。

當偵測到「準備入睡（脈搏降低）」時，智能光板便會使室內光源逐暗下來；當偵測到「準備起床（脈搏升高）」時，便會使智能光板亮度獨漸增強，讓病人的生理時鐘更正常。

智慧光板也會依據當下的時間，調整光板亮度。像是在正中午時把光板亮度增強，在接近傍晚時把亮度減弱等等。這些設備可以幫助病人的生理時鐘運作正常，更可以幫助病人讓恢復速度大幅提升。這項「智能光板」的產出，無疑造福了許多病人！

[sc name=”google-ads” ]

課程4：智慧病房-萬芳醫院參觀

在「人性化的醫療物聯網」課程結束後，下一站就是實際參觀。來到了樂齡病房當中，裡面有著許多結合「AI」、「物聯網」、「醫學」的系統。舉例來說：「跌倒警報系統」，還有前面提及的「智慧光板系統」，另外還有電子畫牆！下面我來大略介紹一下功能～

「跌倒警報系統」：在每一間的病房內都有著監視器，監視器不只是單單錄影而已，更能夠隨時監測、判斷病人的動作，利用AI去進行演算，假如AI預測接下來病人有可能要跌倒了，就會馬上在護理師的那端響起警報，告訴護理師要過去注意情況！

「電子畫牆」：有人說電視螢幕只能拿來看電視嗎？這裡的病房大廳走廊有著許多台「裝飾成畫的電視」！電視每天會播放不同的世界名畫，又或是動態的森林、大海等等，不但可以幫助病人陶冶心靈，更可以讓病人在醫院也可以與世界做接觸！

課程5：人工智慧發展與大數據趨勢

講師：張詠淳教授 Yung-Chun Chang

在這堂課程中，教授分享了如何把「大數據」與「人工智慧」做結合。提出了許多實際例子，也分享了該如何實際應用大數據在日常生活中，如何看懂大數據要告訴我們的內容。

這次教授分享的內容都很有趣也很吸引人，舉其中一個例子來說：根據「藝人在發生醜聞之後的民意度影響」大數據來看。

首先我們可以從資料得知：

1.王世堅在發生外遇後，民意好感度並沒有很大的反彈；但阿基師在發生外遇後，民意好感度卻快速下滑，差距甚遠。

2.八卦僅僅流傳了約20天，就消聲匿跡了，討論人數驟降。

在有了大數據的分析後，我們得到了這些結論，接著我們要做的就是「看懂大數據」。何謂看懂呢？「王世堅與阿基師的差異」＝「形象背離越大，民意反彈越大」；「外遇八卦大約熱20天而已」。

那麼有了這兩個結論，藝人的經紀公司就能在藝人發生狀況時，有更好地應對方式，並且預測這次民眾反彈聲浪的大小。

舉例來說：當藝人發生外遇事件後，經紀公司可以讓藝人先道個歉，接著馬上安排飛機出國避風頭，等到八卦的熱點過來，再回到本國來處理事情。

因為有了大數據，我們可以根據經驗法則來判斷接下來做什麼事，風險最低，能夠處理的最完美，這就是大數據迷人的所在之處。

課程6：人工智慧醫療應用

講師：彭徐鈞教授 Syu-Jyun Peng

這堂課分成兩個部分：第一是深度學習介紹，第二在則是深度學習於醫學的應用。

在深度學習的介紹當中，又分為兩大部分，其中一個是深度學習的架構，另外一個則是圖片辨識（CNN）當中偵測（Detection）與分割(Segamentation)的差異。緊接著繼續介紹圖片辨識（CNN）（Convolution Neural Network）的大致架構是如何。

首先，深度學習的架構可以大致上分為「輸入層」、「輸出層」與「隱藏層」，如果簡單來說的話，「輸入層」就是你把圖片丟進去AI運算的圖片；「輸出層」則是AI運算完的輸出結果；「隱藏層」則是AI的計算、演算過程。

接著說到圖片辨識（Convolution Neural Network）的六大層架構，分別為：

Convolution Layer
Rectified Linear Unit Layer (ReLU)
Pooling Layer
Fully Connected Layer
Softmax Layer
Classification Layer

[sc name=”google-ads” ]

1.Convolution Layer：卷積層，用來找圖片的特徵

2.Rectified Linear Unit Layer：去蕪存菁，把不好的判別特徵刪除，留下優良的判斷特徵

3.Pooling Layer：選擇最好的特徵（Feature）留下

4.Fully connected Layer：把分類好的特徵（Feature）轉成向量

5.Softmax Layer：計算機率（Probability）數值

6.Classification Layer：把最終的結果進行分類

教授分享玩基礎ＡＩ後，開始介紹AI在醫學方面的應用。目前大部分在醫學領域的AI，都是屬於Pre-trained Model。因為在醫療方面的參考數據稀少，舉實際例子來說：在肺癌轉移性腦瘤的醫學領域，近20年來台灣僅有1200起案例，圖片的案例過少，無法自己訓練出一個完整的模型，只能採用Pre-trained Model的形式，以需要的訓練集少、準確率可高達90％為特色。

另外也介紹的自己Train Model的方式，雖然需要很多訓練集（資料），更需要持續調整參數，很吃硬體效能，不過相較Pre-trained Ｍodel來說，Trained Model更嚴謹，正確率最高能提升至99％，不像Pre-trained Model會卡在90%的瓶頸。

那麼究竟有什麼醫學領域已經與「Convolution Neural Network 圖片辨識」做結合了呢？其中一個是「腦部腫瘤偵測」。AI能夠根據照片分析、判斷這張照片是否有著腦瘤，協助醫生判斷時能夠更謹慎。

課程7：AI x IOT 物聯網實作悠遊卡實作

講師：簡文山教授

這堂課教授講解了RFID的運作原理、應用，並且帶我們實際「製作悠遊卡」。RFID全名Radio Frequency IDentification，無線射頻辨識。

先介紹這次的實作作品：悠遊卡～教授分享了如何找出市售的悠遊卡當中，放置的晶片處，接著把放有晶片處剪下來，利用丙酮把卡片融化，取出裡面的晶片。並且把晶片處理乾淨後，銲上預先準備好的銅線圈，最後再把他裝進預先準備好的容器當中（小盒子或是造型小玩偶等等）。

在等待悠遊卡融化的期間，教授也講解了RFID的基礎原理與系統組成，接著介紹無線射頻辨識的工作原理，再來分享許多「無限射頻辨識」有關的技術、設備整合。從社區的門禁卡，搭車用的悠遊卡，一直到醫療應用！用途十分的廣泛，只要有創意幾乎都能搭配到RFID。

下方舉一些目前實際在用的例子說明：

門禁管制：家裡的電子鎖
貨物管理：配送貨物編號晶片
醫療應用：醫院的病歷系統
交通運輸：高速公路上的ETag
防盜應用：無人超商的防偷系統
動物監控：家裡的小狗狗植入晶片
自動控制：汽車、家電、電子業之自動組裝
聯合票證：電子發票、悠遊卡
餐飲結合：在餐盤底下配置晶片，辨識價格，快速扣款

RFID的特色就是辨識速度很快，價格便宜，用途廣泛。所以才能如此遍佈我們的生活當中～以下有一個表格是無線射頻辨識系統與手動掃描的速度比較：

登入方式：/數據量	1筆	10筆	100筆	1000筆
人工登入	10秒	100秒	1000秒	2小時47分
掃描條碼	2秒	20秒	200秒	33分
無線射頻辨識	0.1秒	1秒	10秒	1分40秒

人工登入、條碼與無線射頻辨識之處理速度比較

（表格資料來源：工研院經濟中心整理）

課程8：AI概論＆機器人實作 Matrix Mini 尋跡車

此課程非教授講解！

這堂課主要是介紹「基礎AI運作原理」與「尋跡車組裝、撰寫程式」。不過這堂課的「幾處AI運作原理」與之前的課程有點重複，所以就不再文章中特別去敘述，這次重點放在組裝與撰寫Matrix Mini尋跡車。

先來說組裝的部分，我們使用類似樂高的材料去組裝，不過材料是金屬材質，比較特別。這次使用的感應器是「紅外線感應器」能夠調整偵測數值來回傳0與1，並且使用直流馬達作為驅動。

在程式撰寫部分，老師有提供範例程式讓我們能夠快速理解，從基礎的兩輪驅動，到設定紅外線感應器的數值，最後到尋跡車的撰寫。短短的幾行程式，算是這三天下來較為簡單的課程。

課程9：當機器看懂文字後的AI應用

講師：張詠淳教授 Yung-Chun Chang

這堂課與上面章節「圖片辨識」有點相似，不過這次是關於「文字」方面的AI以及應用～教授在這次課程分享了文本辨識的基礎（NLP = Natural Language Processing）以及AI辨識文本後的應用。

先從Natural Language Processing的基礎來看，雖然大眾對AI的印象不外乎就是辨識圖像、影像，不過仔細想想，在日常生活中的互動、交流，在社交軟體上的留言、訊息傳送等等，幾乎都是透過文字進行溝通。所以只要掌握了文字的情緒、文本意義，便可以分析出許多實用的數據。

我們可以試著來看AI究竟是如何分析文本情緒的，在文本當中，如果出現特定的詞彙，有很大的機率是屬於某種情緒。舉例來說：民眾遇到「調漲」，大部分情緒都是「憤怒」，所以設計文本辨識AI設計者變會告訴AI，當遇到「調漲」這個詞彙時，通常讀者會帶有憤怒的情緒。

再從老師分享的例子來看：
當出現「婦女」、「救助」、「小孩」、「當作」、「人」、「認為」這幾個詞彙時，有很大的機率代表「危險」。

當出現「國家」、「發生」、「地震」、「劫難」這幾個詞彙時，有很大的機率代表「擔心」。

除了文本情緒辨識之外，還有一樣功能是在Natural Language Processing方面十分突出的，就是文本關鍵字分析。

[sc name=”google-ads” ]

我們可以讓AI文本辨識機器人，去網路上蒐集評價，分析出哪幾個關鍵字常出現。舉例來說：假如今天的目標是「飯店的評價」，得到一個結果「暑假」、「評價低」、「服務差」，那麼代表我們可以推測：「暑假人潮過多，導致服務人員人手不足，進而影響服務品質」，接著就可以在暑假增派人手，解決這個問題。

延續上面的例子，假如這次關鍵字改為：「寒假」、「評價高」、「購物潮」，便可以得知：寒假的顧客較喜歡購物，可以與商店、名牌合作，祭出折扣優惠，吸引客人來入住這間飯店。

除了上面兩個例子以外，還有一個蠻好玩的事情與大家分享～在有了文本辨識AI以後，大部分的廣告投放歐式根據使用者貼文、留言的關鍵字，來投放廣告。假如今天有兩位使用者都在Facebook發布貼文，A說：「I am 23 weeks pregnant.」Ｂ：「I look like I’m 6 months pregnant.」

當今天產婦商品廣告商在投放的時候，當然希望投放給孕婦，而不是「肥的像孕婦的人」～所以文本辨識在某方面的難度又提高了，我們需要不斷的精進，才萌辨識出這種特殊例子。