3月才剛成立的宏智生醫科技,在本周Computex大展上展示一套自行打造的AI腦波輔助診斷系統,要利用微弱腦波用於檢測憂鬱症的高風險群,雖然還在開發階段,但已能提供8成的憂鬱症診斷準確率,可輔助醫師做初步判讀。

圖片來源: 

攝影;洪政偉

現在大家在談的醫療AI,不再只是單純用在影像判讀疾病,甚至還想用它來解決更複雜的醫療診斷難題,其中一項就是針對一些難以分析、診斷的個人心理、生理上病症,如憂鬱症、阿茲海默症等,試圖透過AI找出這些病症的數據關鍵,也成為當前新的醫療AI研究領域。這正是宏智生醫科技專攻的醫療AI領域,他們在今年Computex大展上公開展示一套自行打造的AI腦波輔助診斷系統,利用百萬分之一的腦波細微電位變化,評估檢測憂鬱症的風險,雖然還在開發階段,但已能提供8成的診斷準確率,可輔助醫師判讀。

由仁寶投資、今年3月成立的宏智生醫科技,創立成員都是前北科大研究團隊,從2年前就開始投入這方面的研究,試圖要透過AI協助判讀微弱腦波變化,早一步提供憂鬱症風險評估診斷,來輔助醫生判讀,甚至更早一步提供醫療協助。

雖然以憂鬱症來說,因為掌管記憶的海馬迴的病變,所以造成病人的腦波和正常人的腦波有所差異,但是想用AI學習能正確分辨正常人和憂鬱症潛在患者的腦波差異,並不是件容易的事,甚至比辨識醫學影像的病灶更難。

原本也是北科大團隊一員的現任技術長翁昌新解釋,因為腦波測量,主要是用來蒐集、記錄頭部上,各兩點之間的電位差隨時間的變化情形,通常是以微伏特(microvolt,百萬分之一伏特)為單位,因為訊號非常微弱,難以單用肉眼分辨的出來,還很容易受到外在環境的干擾,甚至只要一點點電器雜訊,如電源雜訊,可能就會造成嚴重干擾,使得測得的資料都沒辦法用。也增加模型訓練的困難度。

這也是為什麼,該團隊花了2年時間,才讓其診斷模型的準確率來到8成。不過,他表示,目前還在開發當中,將持續完善、優化模型,目標是希望能破9成。

在機器學習訓練上,他們目前使用了55位受試者的腦波資料,來訓練、建立腦波診斷模型,不過他也坦言,這些腦波資料取得不易,這些資料都是跟大型醫院合作,取得醫療認證,即使拿到資料後也會加以去識別化才能拿來使用,從每個人蒐集的腦波資料量,大約會有1~2GB,55人就有100GB的腦波數據,經過特徵抽取(如時間域、頻率域等)的前期處理,再餵給ML模型做學習訓練。之後,再將量測的受測者腦波丟進用訓練好的模型,給出診斷結果,看是否和原始診斷的結果吻合,再持續調整優化模型。

實際測試時,使用者只須戴上黑色電極帽,並坐在椅子上,正視前方螢幕畫面上的黑色十字點,約莫1分半,就能測得對腦波的評估結果,並在螢幕畫面上顯示腦波壓力指數,落在數據分布範圍的哪一層位置,代表其所在的壓力指數,並以綠色的點來呈現,每一層代表顏色皆不同,例如顏色越淺就是低壓力,越深代表壓力越高。

(圖片來源;北科大)

測試時,使用者只須戴上一頂黑色電極頭帽,並坐在椅子上,正視前方螢幕畫面上的黑色十字點,大約1分半,就能測得對腦波的評估結果,通過在雲端做ML模型判斷,然後將結果回傳,並在螢幕畫面上顯示腦波壓力指數,落在數據分布範圍的哪一層位置,代表其所在的壓力指數,並以綠色的點來呈現,每一層代表顏色皆不同,例如顏色越淺就是低壓力,越深代表壓力越高,同時還會結合傳統綜合評估量表來綜合判斷。

他表示,不像傳統憂鬱症臨床檢測方式,大多是使用憂鬱症評量表,讓患者來勾選,比如,食慾不振、輕生念頭等,得到是主觀的測試結果,但透過AI腦波來判讀它是落在哪一個壓力區間的作法,則是提供醫師在憂鬱症判斷上,能有一個更客觀的參考依據。

除了憂鬱症以外,宏智生醫下一步也計畫,利用AI腦波診斷,來輔助醫生判讀注意力不足過動症(ADHD)與阿茲海默症(MCI))前期病症。未來甚至也考慮採用類神經深度學習模型,來替他們解決更複雜的腦波診斷問題。

熱門新聞

Advertisement