• 登入
  • 註冊網站會員
CIO Taiwan
  • 活動
  • 影音
  • 趨勢分析
  • CIO 雜誌
  • CSO精選
  • 電子報
  • 下載
  • 聯繫我們
沒有結果
查看所有結果
CIO Taiwan
沒有結果
查看所有結果
首頁 專欄

淺談 AIoT 驅動智慧醫療 4.0

2021-10-07
分類 : 專欄
0
A A
0
Isometric Pills Treatment Composition

口述/孫培然‧彙整/CIO編輯室


人工智慧(Artificial Intelligence, AI)的興起跟物聯網逐漸的成熟,再加上5G傳輸技術的升級,整合成「AIoT智慧化時代」的熱門議題,也顛覆了許多人類的行為,以及傳統的工作流程,更可能又是一波的工業革命的開始,恰巧工業4.0與醫療4.0所談論的重點都是圍繞在物聯網、雲端運算、Big Data 及AI等議題,可見這些議題有多麼重要。

[ 加入 CIO Taiwan 官方 LINE 與 FB ,與全球CIO同步獲取精華見解 ]

如何將科技與醫療串聯,全面升級為AI醫院,邁向智慧醫療4.0時代來臨了。這次我所要講的AIoT,泛指的是IoT、AI、或者是AI加IoT,甚至AI跟IoT整合的AIoT的現代化應用。首先,讓我們溫故知新一下什麼叫做物聯網(IoT),還有何謂AI?

物聯網的發展趨勢

IoT (Internet of Things)一般稱為物聯網,但我覺得稱為「萬物聯網」會更為恰當。因為聯網不只是裝置跟裝置、系統和系統的連結,裝置與系統或者跟人之間的聯網,就是以Internet為基礎,透過資料擷取以及通訊能力,連結實體物件與虛擬資料,進行各類控制、偵測、監控、識別及服務應用,我們都可以稱為IoT萬物聯網。

IoT主要是拉近分散式的資料,集中彙整成物與物的數位資訊,聚集形成 Big Data(大數據),以利於未來提供給AI做研究分析,在健康醫療領域具有十分廣闊的市場跟應用前景。例如在醫院有很多的醫療設備、病人、加護病房(ICU),加上呼吸器、麻醉機、葉克膜、靜脈注射幫浦(IV Pump)等與治療相關的儀器,還有手術房、麻醉室、呼吸照護、血液透析等應用場域,很多儀器都必須要能做到自動聯網,才能讓醫院能夠即時監控病人的病情變化。

[ 推薦閱讀: 所有孫培然博士專欄文章 ]

除此之外,我們也需要整合全院的各個臨床研究中心的資料,例如神經外科團隊的中風資料庫、外傷團隊建立的外傷資料庫、心內團隊的胸痛資料庫,以及腎臟團隊的腎臟資料庫,這些資料庫本來都是分散於各科,如果各科資料庫能夠加以整合,再進一步把HIS資料庫,甚至健保資料庫、國民健康署的健康資料庫以及更多的健康管理資料,一起匯總到整合資料庫,就可以成為日後做研究分析的 Big Data 資料庫。

Big Data 的萃取,有幾個關鍵的步驟。首先,我們得先將彙集存在的資料做資料清洗(Data Cleansing),清洗之後再儲存在 Big Data 或者資料倉儲(Data Warehouse)的儲存設備上面,緊接著我們要將資料訓練成相關的資料模型(Data Model),再透過資料模型去做資料分析,分析完以後再提供給臨床醫護人員做臨床決策(CDSS)參考。

AI的發展歷程

緊接著要談的是,什麼叫AI?什麼叫機器學習(Machine Learning, ML)?與現在所謂的「深度學習」(Deep Learning),各有什麼差別?在1950年代,資訊科技(IT)的發展就已經開始有AI的概念,當時有非常遠大的理想,希望電腦能像人腦一樣聰明,但因為資料不夠多,主機也不夠強,最後導致無疾而終。

大概過了30年以後,在1995年左右,試著將專業知識告訴電腦讓它學習,就是機器學習的概念,但這時候碰到的問題還是一樣,資料量不夠多以及使用方法也不正確,最終導致的結果還是一樣,第二次的AI機器學習就失敗了,從此以後AI就成為票房毒藥,學者也鮮少再去研究探討AI方面的領域。

[ 大師開講 ─ 衛生福利部資訊處處長龐一鳴:後疫情時代的智慧醫療 ]

一直到了2010年,因為AlphaGo打敗了棋王,也就是蒐集的資料數量終於足夠了,而且又有新的GPU運算能力的出現,導致大家認為AI是可行的方案,也讓AI那時開始爆紅到現在。

AI的革命性算起來可以分成三波,以第一波來講,主要就是試著將人類思考給電腦,也就是在1995年的時候,我們認為要把人類的思考完完全全的告訴電腦,讓電腦來形成AI。在第二波的時候,人類的野心就沒那麼大了,當時的想法是試著把人類的專業知識告訴電腦,所以第二波也可以稱為專家系統(Expert System),就是要把很多的專家知識變成系統。

也就是說,我們先把資料匯入電腦。再將人類的思考規則或者思考邏輯寫成程式,也就是告訴電腦規則,再由電腦透過資料跟規則產生答案,這就是第一波跟第二波做AI的思考邏輯,我們也稱這兩波的邏輯,叫做 Human Learning,也就是人類的學習。

但是我們都知道,有很多東西你就算會,但你不一定講得出來,比如說我會游泳,但是我不一定會教其他人游泳。因為有很多東西講不出來,就不能告訴電腦,電腦就不能形成知識,這也是第一波和第二波會失敗的原因。

到了第三波,開始使用跟第一、二波不同的方式,我們把資料跟答案都告訴電腦,然後讓電腦自己學習建立模型(Model),瞭解整個模型的概念以後,再得出應該要有的邏輯。

比如說先給電腦500張蘋果樣子的圖,然後再告訴電腦,這些圖片就是蘋果的樣子,讓電腦自己學習,蘋果應該要有的樣子,讓電腦建立依照什麼規則跟怎樣的特徵資料模型,就是蘋果。叫做 Machine Learning,才是真正的機器學習,也因為這樣子,才讓我們看到第三波AI的曙光。

AI第三波革命的突破

AI第三波的新突破,主要是深度學習,它是機器學習的一個分支,是一種以人工神經網路為架構,對資料進行特徵學習(Feature Learning)的演算法;把資料透過多個處理層(Layer)中的線性或非線性轉換(Linear or Non-Linear Transform),自動抽取特徵的能力,取代人類專家的特徵工程所花費的時間。帶著強大的自動特徵抽取的能力,因此,深度學習在以往機器學習一直無法突破的應用,得到非常驚人的優異表現,使以往認為電腦無法做到的事,變成了可行。

目前最較具代表性的有卷積神經網絡(Convolutional Neural Network, CNN),因為網路架構中的卷積層(Convolutional Layer)及池化層(Pooling Layer)強化了模式辨識(Pattern Recognition)及相鄰資料間的關係,使卷積神經網路應用在影像、聲音等訊號類型的資料型態能得到很好的效果,以及遞迴神經網路(Recurrent Neural Networks, RNN),可以儲存先前的狀態,所以可以處理不同長度的輸入資料,對時間序列(Time Series)、自然語言處理(Nature Language Processing)、語音辨識等應用有非常好的效果。

根據我們的統計調查,目前大概有四種機器學習的方式。第一種叫做監督式學習,第二種叫非監督式學習,第三種是半監督式學習,最後一種就是增強式學習。資料科學家會依照資料內容跟資料類型,實際應用到各個不同的學習類型。

所謂的監督式學習,就是我們先針對資料做好標記(Labeling),就是前述的第三波模式,告訴電腦資料以及答案。比如說我先給電腦500張蘋果的圖,以及500張橘子的圖,再告訴電腦這500張是蘋果,另外500張是橘子,讓電腦自己去學習蘋果跟橘子應該要有的樣子。此時我再拿新的蘋果照片問電腦,這是蘋果還是橘子時,電腦會以百分比的機率告訴我們,98%是蘋果2%是橘子的概念,目前的機器學習模式,大概有 90% 以上都是屬於監督式學習。

第二種叫非監督式學習,就是不用先將資料標籤化再給電腦,而是讓電腦自己去自動分群分類,也就是讓電腦依據整個資料的分佈狀況,去找出資料的相關性。比如說,我們都知道,在台灣,在中秋節的時候,人們會有習慣烤肉的行為,此時如果讓機器去蒐集賣場的購物資料,就可能會得出買月餅的人也會買烤肉架這樣的觀點。這種「買月餅也會買烤肉架」的相關性,就是將資料分群分類,也就是說,如果你資料量過大,就不需要標記化,而是根據資料的相關特徵去做分群分類。

以前我們在研究資料採礦(Data Mining)時,有個很有名的案例,就是很多人到賣場買尿布的同時,也會買啤酒,到底是什麼原因呢?為什麼買尿布的人也會買啤酒?那是因為這些資料都是來自於美國,可能是很多家庭主婦會叫丈夫到賣場去買尿布,買好尿布以後,丈夫就想說,順便拎個啤酒回家,所以賣場的銷售資料裡面,就會看到很多人在買尿布時也會買啤酒。發現資料會有什麼好處?就是在擺設商品層架的時候,賣場就可以將尿布跟啤酒擺在附近,買尿布的消費者,可能在看到啤酒時,就會順便拿走,這就是 Big Data 分析的好處。

再來是半監督學習,就是我們有很多的資料,但是可能沒有能力去做標籤化,那怎麼辦?就可以先把一部分的資料先把它標籤化,標籤化以後,再把這些資料跟剩下的資料去做混合,讓電腦可以根據不同的資料分群分類把它分出來,可以減少標籤化的標記成本。

那什麼叫增強式學習呢?比如說,要訓練機器人投籃,機器人如果投進了,就給他十分,他如果投不進,就給他負八分,這樣機器人就會知道要怎麼調整角度及力道,才可以把球投進去,他就會慢慢自己調整,調整到正確的姿勢,以設法得到最大的利益。現在的無人駕駛,就是類似的概念,先告訴電腦這樣走是正確的,給分數高一點,這樣走會撞到東西,就倒扣的分數,這種就叫增強式學習。

以AIoT為基礎 驅動 HIS 4.0 智慧醫療

最近幾年,AI爆紅,許多醫院及科技大廠也紛紛投入研究醫療領域AI (Medical AI),試問我們平日使用的HIS系統,所收集的資料真的滿足AI所需要的資料了嗎?足夠正確性嗎?足夠多元化了嗎?是否都結構化了嗎?遇到非結構或不正確的資料怎麼辦?然而需要大大小小的醫院都去研究醫療AI嗎?許多醫院寧可投資人力及資金去研究醫療AI,卻不願意投資改造醫院老舊的HIS系統?看到這種景象真的讓人擔憂。

不管是AI或HIS的本質,就是如何透過IT的輔助,進行全面性作業流程再造。以病人安全為中心來思考,重新檢視及精實臨床作業流程,搭配IoT達到全自動化流程,提升整體效能,透過數位轉型做到全院無紙化及無片化,儀器設備全面連線,透過條碼全自動化掃碼做到「閉環管理」(Closed Loop Management),讓病人醫療照護更安全,提升效率,減少錯誤率,在醫療過程中,可以適時地提供AI來支援醫師做臨床決策支援(CDSS),並且善用行動裝置、事件驅動、條碼化、IoT、AI及AIoT,再加上5G傳輸技術,做到全面性的智慧流程整合最佳化。

綜觀,工業革命2.0時代的電力,有很多人去研究如何發電嗎?還是去思考如何利用電力來改變人類日常生活模式與工作流程。目前醫療AI要如何順利落地於臨床上也面臨到挑戰,因此,我們應該要思考如何HIS優化再造,以AIoT為基礎,驅動 HIS 4.0 智慧醫療,將AIoT內化到HIS系統,以融入醫院臨床作業流程中,並且能夠適時地回饋給AI系統;另外,在驅動 HIS 4.0 智慧醫療的過程中,應該重新檢視AI所需資料所面臨的問題,徹底改善之,例如:確保資料正確性做防呆機制、資料不夠多元化新增所需欄位、資料輸入盡量以結構化、相關檢查報告可以做到即時標記功能。最後,要做到精實醫療流程,藉由AIoT的IT輔助,循序漸進地解決臨床所遇到的問題,踏踏實實做到「強化人的能力、提升人的效率、輔助防止人為錯誤」的AI。


標籤: AIoTHIS人工智慧半監督學習增強式學習智慧醫療深度學習物聯網監督式學習資料採礦醫療非監督式學習
上一篇文章

Bigtera推出一站式AI解決方案 滿足多元應用管理介面易上手

下一篇文章

Windows 11 開放免費升級

相關文章

1200 林宏文 250122
專欄

若見到三星李在鎔,我要送給他這句話

2025-07-01
I168s07 Web
專欄

AI 影響勞動市場的綜合性指標

2025-06-27
I168d05web
專欄

以永續金融驅動低碳永續

2025-06-25
下一篇文章
1 Windows 11 開放免費升級,以全新優美介面、流暢跨螢幕整合,帶來煥然一新的使用經驗,全方位賦能使用者生產力與創造力 Copy

Windows 11 開放免費升級

發佈留言 取消回覆

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 *

追蹤我們的 Facebook

近期文章

  • 汽車運算平台標準化 Arm Zena CSS 加速 AI 應用與開發
  • AI 應用新趨勢 UiPath 推新一代代理型自動化平台
  • 人臉導購與桌面偵測 金色三麥端出 AI 餐酒新體驗
  • 從供應鏈轉型遠眺長線戰略目標
  • OPSWAT 與 SentinelOne 建立 OEM 合作關係,導入AI強化多層次惡意軟體偵測能力

📈 CIO點閱文章週排行

  • ASUS NUC 15 Pro

    那可太厲害!華碩NUC 15 Pro系列迷你電腦 釋放AI極致潛能

    0 分享
    分享 0 Tweet 0
  • Rovo AI 三利劍 引領企業轉型 Linktech 攜手 Atlassian 以 AI 賦能企業

    0 分享
    分享 0 Tweet 0
  • 若見到三星李在鎔,我要送給他這句話

    0 分享
    分享 0 Tweet 0
  • 健康台灣深耕計畫下的科技角色與挑戰

    0 分享
    分享 0 Tweet 0
  • AI 影響勞動市場的綜合性指標

    0 分享
    分享 0 Tweet 0
  • TA-DIF 打造可解釋可部署 AI OT 安全異常偵測機制

    0 分享
    分享 0 Tweet 0
  • AI 導入對大型企業是良藥還是毒藥

    0 分享
    分享 0 Tweet 0
  • AI 如何透過 FHIR 與 HIS 無縫整合

    0 分享
    分享 0 Tweet 0
  • 人工智慧驅動的預測內容行銷 ─ 滿足全球 B2B 科技產品客戶需求

    0 分享
    分享 0 Tweet 0
  • NVIDIA 黃仁勳:代理式人工智慧(Agentic AI)引領產業變革,數位員工時代來臨

    0 分享
    分享 0 Tweet 0

數位及平面

  • CIO Taiwan 網站
  • CIO 雜誌紙本
  • CIO 雜誌 HYREAD 版
  • CIO 雜誌 Zinio 版

關注社群

  • Line 加入好友
  • Facebook 粉絲頁

合作夥伴

  • CIO 協進會

關於我們

  • 公司介紹及工作機會
  • 隱私權政策

旗訊科技股份有限公司|統編:84493719|台北市 100 中正區杭州南路一段 15-1 號 19 樓|TEL: 886-2-23214335
Copyright © Flag Information Co.,Ltd. All Rights Reserved.

CIO Taiwan 歡迎你回來!

可用 使用者名稱 或 Email 登入

忘記密碼 註冊

歡迎註冊 CIO Taiwan 網站會員

請設定 Email 及 使用者名稱(使用者名稱不接受中文、將來無法更改)

欄位皆為必填 登入

找回密碼

請輸入 使用者名稱 或 Email 以重設密碼

登入
  • 登入
  • 註冊
沒有結果
查看所有結果
  • 活動
  • 影音
  • 最新文章
  • 產業速報
  • 新聞速寫
  • 風雲人物
  • CXO分享
  • 產業瞭望
  • 專欄
  • 精選文章
  • 原生現場
  • 供應商視野
  • 線上調查
  • CIO 雜誌
  • 電子報
  • 下載
  • 聯繫我們

© 2020 CIO Taiwan 版權所有

7/28 活動延期通知

因高雄市政府於7/28早上宣布全日停班停課,因此「智慧醫療研討會高雄場」活動延期舉辦。主辦單位將另行公告研討會相關訊息,歡迎報名參加!

您已閒置超過 3 分鐘了,為您推薦其他文章!點擊空白處、ESC 鍵或關閉回到網頁

◤ Juniper Networks 台灣區資深技術總監游源濱。

Juniper 以 AI 優化網路,奠定智造轉型基礎

第十一屆製造業 CIO 論壇 台北場 會後報導 隨著工業物聯網、自動化、機器人、

◤ BMC Software 大中華區執行首席架構師何定謙。

BMC 提供營運管理工具助企業實踐 ServiceOps

第十屆製造業CIO論壇台北場 ServiceOps 可打破服務和營運團隊之間的隔

SAP

SAP 永續金融解決方案發揮正面影響力

第十三屆金融業CIO高峰會春季場 會後報導 相較其他產業,金融業承受的 ESG

Businessman Helping Another. Business Concept Cartoon Illustration.

資料治理的三大陷阱

第14屆CIO價值學院第三堂課 會後報導 東吳大學巨量資料管理學院副教授胡筱薇說

1200 2022 08 28 智慧醫療委員會 國際智慧醫療高峰會 161

台中榮總 2023 年全球智慧醫院評比傳佳績

台中榮總在院長陳適安帶領下,積極參與全球智慧醫院評比,憑其落實之智慧醫療規劃,成

1200 202208190157

佳世達集團助機械業推動淨零轉型

製造業 CIO 論壇台南場 ESG 已成主流趨勢,迄今已有逾 140 國宣佈淨零

Ciotaiwan Logo 600 White

文章分類

  • 產業速報
  • 專欄
  • 影音
  • 風雲人物
  • CXO分享
  • 產業瞭望
  • 原生現場
  • 精選文章
  • 趨勢分析
  • 供應商視野
  • 新聞速寫
  • 下載
  • Sponsors

熱門標籤

  • 最新文章
  • 雲端運算
  • 人工智慧
  • 數位轉型
  • 製造業
  • 物聯網
  • 資料與分析
  • 資安
  • 區塊鏈
  • 5G
  • 儲存
  • 基礎架構

活動

  • CIO價值學院 四堂課
  • 智慧醫療研討會 台北/高雄場
  • 金融科技高峰會 春季/秋季場
  • 製造業CIO論壇 台北/台中/高雄場
  • 商業服務科技論壇
  • 亞太CIO論壇
  • CISO資安學院 金融/醫療/新竹場
  • CIO Insight 調查

影音

  • 影音