熟知HTC的朋友們，可能聽過其中最神秘的一個團隊之一 - HTC健康醫療事業部 – DeepQ。也許你是在2017從高通XPRIZE的自我檢測儀中看到，或是在近期發布的AI平台上，甚至是萬芳醫院的AI小幫手中記得這個名字。就請大家稍稍放鬆，讓我為你介紹這個深藏在HTC中神祕而強悍的團隊，以及他們日夜面對的AI世紀大命題。
（HTC健康醫療事業部總經理張智威，旗下共30名台灣頂尖AI人才，協力破解世紀大命題）
凝聚15年AI底蘊、20年產品工藝 - 高通XPRIZE一戰成名
約莫在五年前，哈佛醫學院教授彭仲康邀請HTC健康醫療事業部總經理張智威旗下團隊，一同投入由世界科技大廠贊助的技術創新榮譽競賽 - XPRIZE，希望能夠運用HTC長久以來塑造科技產品的工藝經驗，以及張智威團隊（Dynamical Biomarkers Group）的AI深厚功力，打造出一個能夠自行檢驗出15種疾病（競賽規章後下修為13種），同時不超過5磅重的輕便檢測儀器。這不但需要產品使用面的深厚硬體設計經驗，更需要有足夠精確的AI軟體功力，才能夠真正創造出富含創新價值的產品。
「我很久以前就聽過XPRIZE了，在這之前我連講都不敢講 - 不，是連想都不敢想！」一名團隊工程師這樣對張智威說到。後來在整個團隊通盤努力之下，自世界上一共300多名雄踞一方的競爭者手中，於2017年奪回了亞軍（大會同列首獎）的殊榮。這是張智威手中團隊，也就是之後的「HTC健康醫療事業部 - DeepQ」打響的第一場戰役。
拿AlphaGo的大腦當醫生！要解100週的問題，3週就能解好？！
「AlphaGo的誕生，代表人類已經懂得如何生產與運用IQ300的超強智力！」
同樣在2017年，Google AlphaGo戰勝人類多國圍棋天才之時，整個世界仿佛醒了一般，震懾於自身科技造物，竟能以如此無堅不摧又源源不絕的力量，將人類一直以來自豪的「大腦」給擊下王座。當時張智威引領的DeepQ團隊，正著手運用AlphaGo的底層model與演算法，將震驚世界的人工智慧用於人類醫療的用途之上。更仔細點說，用於辨別病患疾病的關鍵環節之上，相較於圍棋輸贏的單純來說，這是個更加艱難與限制重重的任務。
首先，為什麼要將人工智慧用於辨識疾病，引導病患導診的用途呢？根據當時XPRIZE的比賽宗旨就可以略見一二：在美國，病患需要平均24天的等待時間才能約到一個醫生的看診時間、每個醫生造訪家中平均花費超過兩個小時、每次醫生診斷平均要32塊美金的花費、造成醫生43塊美金的生產力損失、而即便如此，每20個病患中平均有一個會是誤診。即使如國內，健保如此進步的社會之中，光是萬芳醫院、馬偕醫院、三軍總醫院每天都接到上千通詢問電話，在醫生都還沒著手進行治療前，就已經耗費眾多人力與物力成本。這在人工智慧之前，幾乎是無解的。
直到HTC DeepQ與馬偕醫院、萬芳醫院，共同推出AI導診聊天機器人為止。
HTC DeepQ的AI導診機器人能夠詢問病患的身體症狀，用最少問題做出導診的精準判斷，不僅擁有高度的導診準確率，每天已為合作醫院處理20%以上的詢問電話。
其實只要我們稍作想想，雖然底層的AI大腦與AlphaGo血脈同系，但DeepQ AI所做的判斷比起AlphaGo艱困太多了。首先，AlphaGo只需追求一種結果，那就是「贏」！DeepQ作為一個醫療判定的AI機器人，所需考慮的結果有幾種？就算不把每個疾病都算進去，基本上醫院有幾個科就有幾種。再者，AlphaGo震懾人類對手的一大關鍵，在於它可以任情的「探索」，投入無數的時間於古今中外從未試過的下棋路數，追求單一「贏」的結果。DeepQ可不能這樣隨意「探索」，畢竟醫療狀況之中，是一就是一，是什麼病就是什麼病，總不能該看眼科的給他掛去骨科，醫療糾紛是一回事，人命關天才是重點。
限制又多，解答更多更困難！即使是AlphaGo的腦袋，在求取高準確率上仍是困難重重，好在DeepQ AI之後有三十位絕頂聰明的AI人才，針對它每一個思路環節，結合以人類的洞察力，在最少問題之內，取得準確又有效的導診效果。張智威形容，現在的DeepQ AI之後，就像是醫院院長帶著一班醫生來為病患做診斷，隨著病患每一個回答，院長身後的醫生團隊也不斷轉換，同時也在彼此討論後，向病患詢問下一個關鍵的問題，以確保良好的診斷準確率。
「我們也正努力推動病患後續追蹤、治療過程關切（follow-up）等功能，」張智威表示：「現有的醫療制度多是銀貨兩訖，除非病患又不舒服再去重新掛號，否則持續追蹤治療效果（副作用、恢復情形）在治療過程中是有很大幫助的。」
同一時間，DeepQ也於近期發布了開放的AI平台，能夠為有運算需求的客戶大幅減少時間成本與AI入門門檻，不但在最適狀況能將耗費100週的運算專案壓至3週完成，節省97%運算時間之外，更提供多種AI模型、語言框架、全自動的參數調整，能夠自動為客戶選擇最適的運算配置、最有效率效益的model、一直到最低廉的運算力的租用，都能一次包辦。使用者不須經手任何撰寫與設計深度學習程式，即可將所擁有的已標註資料，迅速轉化成可即刻運用的AI。
DeepQ的下一步，解開困擾AI的世紀命題：將小數據變大數據
AI誕生於1980年代，何以等到2012才爆發？何以這麼多AI初期的大師人才抱鬱沉寂？張智威說：關鍵不是model，更不是GPU，關鍵是數據。
光要教會AI辨識一個物件，三十萬張圖片算是基本，否則再多的優化與修正，實務經驗告訴我們機器學習的準確率會在70%-80%卡關，這是遠遠不夠的，更別說在人命關天的醫療領域了。準確率低落就是AI誕生之初卻隨即冷卻的原因，直到2012年由新一代AI先驅證明了大量而有效的數據，能夠使AI準確率驟升至90%甚至將近100%之譜，才真正開啟了AI的「文藝復興」時代。但在文藝復興之後呢？為什麼我們沒有看見更多如科幻片的AI運用？關鍵仍在於數據。
醫療是個特別困難的領域，數據的取得極為困難，對準確率卻也極為苛求。由於個資保護、醫療規範、疾病確診數等種種因素，即使到今日各大醫院，或是AI先驅大國如美國，都難以取得足夠且有效的醫療相關數據，藉以用於AI的訓練與認知。「現在多有同業，憑藉幾千筆、幾萬筆的數據刻苦投入AI研究之中，」張智威表示，「可惜的是，那些都還是『小數據』，我們試過了。」
AI下一個真正重要的命題，仍是數據！這個命題叫做「如何把小數據變成大數據」，能夠解決這個問題的，就掌握了未來AI的半邊天。而要能真正的擴大有效數據的倍數，實質在關鍵準確率上取得突破，就需要來自人類團隊的靈感與洞察力。就像是有一次，DeepQ團隊在一次突發奇想間，我們發現AI看得懂「比喻」。
先前在為XPRIZE製作Tricorder自我檢測儀時，DeepQ也在中耳炎的辨識上遇到了這個問題。在只擁有幾千張照片的情況下，DeepQ的團隊成員竟然將AI辨識中耳炎的準確率提高到超過90%的程度（甚至高過真實專業醫師的目測準確率）！關鍵就在於一個神來一筆的想法，他們發現了AI機器人也會「聯想」，看得懂「比喻」。
在苦思如何突破準確率瓶頸時，DeepQ工程師一口氣將無數如紅酒、拿鐵咖啡、柳橙汁、鍋碗瓢盆等在顏色與形狀元素上近似於中耳炎的圖片餵給了DeepQ，再經由DeepQ深層的連結運算消化之後，竟然一口氣將準確率突破90%，甚至超過真實醫生判定的準確度！在DeepQ的思緒環節中，工程師看到AI將鍋碗瓢盆的形狀與耳朵的模樣相連結，甚至紅酒的顏色也助於發炎紅腫的判定。
就好像AI懂得了比喻一般，將諸般相似元素聯想再消化，竟然以區區幾千張中耳炎照片，轉換成了實務上超過九成的不可思議準確率！
針對多般AI上的突破與成就，張智威旗下的HTC DeepQ團隊也掌握了舉多業界重量級的專利，更持續在突破AI瓶頸上不懈努力著。
DeepQ官方網站
DeepQ FB粉絲專頁
| 
發表於 2018-8-20 16:00
收藏
LIKE
反對
