深度學習, 轉移學習, 生成對抗網路,
Auto-encoder, Siamese network, Cycle-GAN
醫學領域罕見病狀資料稀少且標籤昂貴。
開發轉移特徵學習技術以提升準確率。
以Unsupervised learning抽取慢性特徵。
以Auto-encoder以及特殊Cycle-GAN架構抽取慢性及急性特徵。
深度學習, 存活分析
DeepSurv, Cox, Time-dependent Cox
以梯度下降法求解Cox Proportional Hazards參數。
以多層MLP提升Cox Model求解非線性數據能力,提升C-index ~10%。
深度學習版存活分析能夠以圖像或文字作為模型輸入。
深度學習, 物件識別
YOLO, SSD, FPN
此模型實際用於納智捷車輛。
Shrinking Model for Edge Device。
修改損失函數For BBox,改善訓練過程。
最終警示率提升至88% 提升至98.8%。
深度學習, 圖像分類
ResNet, DenseNet, SENet, ShuffleNet
此系統供三軍總醫院住院急診使用。
使用特殊Decoding方式預測血鉀數值。
以Attention機制設計12 ECG Lead模型。
模型低血鉀辨別度能力於臨床醫師10%。
深度學習, 自然語言處理, 文本分類
Word2Vec, Text-CNN
此系統供三軍總醫院疾病分類師使用。
設計文字輸入/多類別編碼網絡架構,修改損失函數。
建構PubMed醫學期刊文檔、出院病歷文本訓練資料庫。
增加Embedding輸入來源,提升準確度1~2%。
解析網絡輸出結果Highlight關鍵文字並撰寫Web service。
我在自駕車相關公司中主要負責的專案為前車離去,以 Python, C++( Caffe ) 完成訓練任務,在四個月內提升警示率10%,至98.8%,除此之外還負責標註系統Python ( Django ), JavaScript ( jQuery )建立,提升訓練資料品質,加速標註速度。完成大型專案自動泊車任務,系統化模組以及整合車輛偵測與路徑控制之結果。
大量電子病歷普及產生了”大數據”資料庫,但有近八成的資訊為非結構化形式,而目前醫院幾乎採用費時且費力的人工辨別方式,從電子資料中得到想要的有用資訊,例如醫院須聘請許多專業人員進行病歷摘要分類的工作。我們的研究結合了卷積神經網絡與詞映射技術,與傳統分類文章分類技術相比,成功了提升了30%的分類效能,而出院病歷摘要總分類項目有九萬餘多項分類,且大多分類屬於罕見樣本,我們嘗試了許多訓練上之方式,如超樣本、數據擴增以及自訂損失函數,成功完成第三層編碼樣本不均之分類任務,結果已發表於國際期刊 (JMIR. Date Accepted: Jun 17, 2019.),此模組已上傳至醫院,實際供疾病分類師使用。
心電圖辨別在臨床上用來診斷許多攸關生死的疾病,例如低血鉀和心肌梗塞,然而就算是專業的一線臨床醫師也無法單只從心電圖上準確的獲取所有重要資訊,自2012年AlexNet在人工智慧上有突破性的成功,以及發展了各式各樣複雜的人工智慧模組,我們利用此深度學習技術,以其在影像辨別上自動萃取特徵的能力,建構了ECG12Net,作為辨別ECG診斷任務的模組,並且成功地辨別了病人低血鉀的狀況,在平均敏感度以及特異度上比心臟內科醫師多了10%分類能力,在後續的實驗中,為了提升效能,我們嘗試各種不同的技術,如 ResNet, DenseNet, SE Net, Mobile Net V2等架構測試,Attention機制整合不同導極輸入,自訂評估效能指標,以及其他訓練方式如 Auto-encoding亦正在進行中。先前表現最優秀的模組ECG12Net,亦上傳至醫院,實際供臨床醫師使用。