【AI專家實戰經驗：HTC健康醫療事業部總經理張智威】用遷移學習輔助醫療診斷辨識，小數據也能訓練出精準ML模型

「臺灣的優勢是醫療，但是最後的關鍵還是需要數據！」HTC健康醫療事業部總經理張智威直言，沒有數據，做不出AI的預測系統。

這位在人工智慧的領域已經投入多年的專家，早從2006年就加入Google研究院，甚至後來還成為了Google中國研究院院長，直到5、6年，張智威低調回來臺灣，一頭栽進了臺灣醫療領域的AI應用研發。

類神經網路早在1980年代就誕生了，10年前就有一篇MoGo的論文，預測有一天電腦下圍棋會贏過人類，果真AlphaGo在今年初打敗人類世界的圍棋冠軍，他認為，資料量的規模和運算能力的成長，是AI近來興起的關鍵。

不過，雲端計算的能力在2008年就已經商業化，大數據也在2006年就開始興起，像是Google好幾年前就擁有龐大的數據庫，成為世界第一大的搜尋引擎，但是當時Google為何沒有用AI?他的答案是：「當時並沒有用AI的急迫性！」

當時Google搜尋引擎的網頁評分系統和廣告推薦都並不需要用AI，就能提供給使用者的準確的結果，再加上，其實搜尋的結果和廣告推薦都沒有真實的數值（Ground Truth），因此，就連Google擁有豐富的數據和運算能力，也沒有採用深度學習的模型。

直到現在，AI技術更為成熟了，他秀出一張實測結果，5種不同的演算法，針對不同資料量來訓練時，數據越多，演算法的準確率就越高。他表示，如果數據夠多，就可以選擇運算成本較便宜的演算法，但若是數據不夠多，不管是多厲害的演算法，效果都不彰。「大量資料是必要的，沒有資料就沒辦法做AI！」張智威直言，AI系統的準確度，仰賴訓練的資料量。

也因此，他看上擁有龐大健保資訊的臺灣醫療產業應用。尤其，他認為，醫療診斷需要更好的典範轉移，以他自己過去心臟問題的看診經驗來說，打從他發現心臟不適後，到醫院掛號等待，終於輪到自己看診時，醫生卻只有5分鐘時間可以看診，就算是在這5分鐘的時間內，醫生也無法確診，還要安排更多檢驗，檢驗完畢後再回來看診，醫生才能確診後，開藥給病患回家吃，來來回回就耗費了好幾天，如果下次又感受到身體不適，又得重複一樣的流程，他認為，醫療診療，可以發展出更有效率的流程。

從被動應對式看診，轉為主動、預測式看診

他的目標，是將現有這種被動應對式（Reactive）的看診流程（病人先就醫，醫生才能看診），轉變成主動出擊（Proactive），甚至是預測式（Preventive）的看診模式，甚至還可以從集中式（必須到醫院看診），進一步發展成可以分散式進行的就診流程。

他解釋，應該要有一套設備，平時能用來追蹤病患的健康狀態，將這些每日身體資料儲存在雲端，一旦雲端的健康系統發現病患身體狀況可能有問題時，可以主動發送警告通知病患，建議病患到醫院檢查，而醫生也因為能事先取得足夠多的數據，更容易確診，更快治療病患的問題，病患的身體狀況也能得到更好的照顧。

而且，一旦許多病患原本只能到醫院才能收集的資訊，可以在平時就完成。他指出，未來醫院不再需要集中在城市的某些地方，而是一個分散的系統，分散在一個地區的各地，讓民眾到達醫療機構變得方便，而醫院不再需要非常完整且精密的醫療儀器，而是一個病人與醫生的互動場所。

因此，張智威率領了HTC研究與健康醫療部門，想要開發出一套醫療診斷檢測設備稱為DeepQ，這套設備希望可以做到驗血驗尿診斷、呼吸診斷、光學診斷、生命特徵診斷，以及問診。

除了整合各種檢驗技術，提供如驗血驗尿診斷、呼吸診斷、生命特徵診斷（心律不整、高血壓等）。張智威還希望，可以在這套設備中提供光學診斷能力，利用電腦視覺技術，讓電腦也能偵測中耳炎和黑色素瘤等。

還有一個DeepQ希望提供的功能是實現醫生的問診機制。張智威指出，醫生問診的目的是，縮減病患需要做的檢查，以及發現潛在症狀的可能性，透過最少的問題，來定義出最準確的診斷猜測，現在已經有些網站提供病患自行搜尋症狀，系統經過分析後再給予使用者可能疾病結果，但是，他表示，這樣的使用者體驗不夠友善。

張智威想將AlphaGo成功運用AI技術的經驗，運用到這套醫療診斷系統上。他的構想是，透過增強學習，讓代理人（Agent）詢問病患病症，根據病患回覆的病症給予病患預測的狀態，並用報酬的機制，答對給予獎勵，判斷錯誤或是問太問題就扣分，不斷的訓練。

因此，他比較了圍棋與醫療診斷，這兩種AI應用情境的差異。首先圍棋的棋譜可能性是有限的集合，但人類身體的狀況則是有無限種可能。再者，圍棋的輸出是二元結果，只有輸或贏兩種，但是，張智威估算，人體疾病目前約有800種。最後一項差異，圍棋AI程式可以出其不意，任意地探索新的下棋法，但是醫療診斷必須遵循用藥指示，不能輕易嘗試新方法來治療。

有鑒於醫療診斷和圍棋的差異，張智威將人體用階層式分層，將身體的分成不同部分，主代理人選擇一個身體部分的代理人問診，需要考慮的包含病患醫療資料、身體的部位和疾病的好發時間，最後，達成大約7.24個問題，就可以完成問診。

另一個想要運用AI輔助醫療診斷的題目是光學診斷。張智威以中耳炎判讀應用為例，用CNN 和DNN演算法辨識，但是，不同於AlphaGo可以找到大量棋譜來訓練。張智威團隊只取得了1,000多個圖像樣本，因為訓練樣本不足導致他們開發的中耳炎判讀演算法，準確率大約只有75％。

醫療真實影像不足，靠遷移學習找解方

後來，HTC團隊開始想辦法解決訓練樣本不足的問題，後來想到一個點子，就是上網尋找類似的圖片，來作為訓練樣本。他們上網上找了各式各樣的影像，不只局限於耳道的影像，再透過CNN模型，將原本的上千張耳道病變圖片，上網搜尋的圖片比對，找出特徵相似的對應關係。例如有一張耳道病變圖片，看起來就像是切片柳丁，或是另一張可能看起來像是拉花的咖啡俯視圖。

透過這個方法，就可以將大量相似圖片但往往中耳炎無關的影像，拿來作為用來訓練中耳炎判讀演算法的素材。他表示，這就是一種遷移學習的作法，將某個領域的知識轉移到另一個不同的領域上應用，最後，他們得到的辨識模型，準確率高達90%以上。這也解決了他們在光學診斷上，耳道病變圖片不足的問題。

張智威表示，中耳炎辨識不是特例，像心電圖也是一種不見得有那麼大量資料（Not-So-Big Data）的判斷分析，也可以嘗試透過遷移學習的方法，來彌補小數據的不足。

張智威將這套作法，稱為小數據學習（Small Data Learning），透過降低維度，例如將真實耳道照片，抽象為局部特徵圖片，就可以取得更多類似的無關但相似的圖片來輔助訓練，再搭配多種生成對抗網路（GAN）模型，可以建立遷移學習的訓練方式，來解決真實醫療影像不足的問題，也能做出高準確率的辨識模型。不過，他也認為，目前AI都還只是擅長辨識物件，AI只學習到了人腦的額葉（Frontal Lobe）運作，離真正的AI還很遠。