臺大醫院與台大AI中心共同打造人工智慧急診 AI創新醫療流程改善急診壅塞問題

急診來診病患具高度不確定性及時效壓力：無法預知來診時間、病患疾病種類、特殊事件導致急診快速湧入大量病患等狀況。因此，於病患看診流程之各階段導入人工智慧輔助診斷處置，可維持一致的看診品質、減低醫護人員負擔、有效縮短病患留院時間、提高急診處理量能。本院積極推動運用人工智慧科技，打造智慧醫療場域以提高醫療品質，由急診醫學部與台灣大學人工智慧技術暨全幅健康照護聯合研究中心(以下簡稱台大AI中心)藉由執行國科會Capstone拔尖整合計畫“智慧急診：以人工智慧改善急診病人流動及解決壅塞之全面性策略”建立智慧急診創新醫療流程，並實際於臺大醫院急診完成近萬人次初步驗證，急診流程全面智慧化，在六個急診流程關鍵，成功開發13個AI模型，改善急診壅塞問題。

本計畫由台灣大學陳銘憲前副校長與廖婉君副校長，帶領台灣大學陳信希教授、傅立成教授、陳祝嵩教授、與王偉仲教授等技術團隊，以及由本院吳明賢院長，急診醫學部黃建華主任帶領近十位急診主治醫師，組成堅強跨領域團隊共同規畫進行。

建置算力與數據平台，急診流程全面智慧化

整合本院各科部室 (急診部、資訊室、醫研部、智醫中心等)、台灣大學AI中心多個研究團隊、業界夥伴 (華碩雲端、研華、商之器科技、維曙智能科技等) 投入人力、設備、軟體等，協力建置本院急診私有雲基礎算力、數據平台、以及串接院內數百項即時多模態病歷資料，開發即時AI輔助系統。目前於本院內所建置的急診私有雲平台，其中有六台專屬GPU與CPU伺服主機，區分為兩個高可用叢集 (HA Clusters)，以提供AI模型訓練與推論的算力資源，並能支應急診24小時穩定運作需求。智慧急診流程所需之各項服務、AI模型、數據管理平台均在此私有雲平台運行。此平台整合數據介接傳輸、模型部署更新、運算資源分配、數據分析圖像化顯示介面等功能；平台上也同時運行數項臨床服務系統，包括AI輔助系統、急診中控台即時看板、病床管理系統、病床與設備定位系統等。

六個急診流程關鍵，成功開發13個AI模型
在急診看診流程中，選擇六個關鍵，開發對應的AI模型用以輔助醫師進行診療。模型開發階段需先向院內申請回溯性資料，並輔以國外的開放醫療資料進行訓練，多項模型效能達到世界最佳 (SOTA，state-of-the-art)，並累積發表近30篇國際期刊與會議論文。成功開發13個適用於急診的AI模型。分別運用在急診檢傷、醫師問診、胸部X光檢查、管路誤置偵測、院內心跳停止預後建議、留觀離部評估、早期高危險偵測預警各階段，於病患留院期間，隨時根據當下狀況提供最新AI輔助建議：
一、    快速精確的電子化檢傷：用於預測檢傷等級、住院機率、留院時間，輔助醫師進行有效準確的檢傷分級分流。
二、    快速精準的病史分析：依據病人病史預測潛在癥狀與診斷的ICD code，提醒醫師可能的病因與處置。
三、    即時危險分級及辨識：對躺床病患以平躺胸部X光影像進行即時判斷，同時偵測是否感染肺結核、偵測有無氣胸癥狀與位置、及偵測是否有導管誤置情況發生。
四、    及早及適當安全的離部：預測三日再回診可能性、留觀期間死亡機率預測、住院可能性預測、停留超過 24 小時預測、相似病歷取回機制，輔助醫師評估病患離院風險。
五、    心跳停止事件的預後評估：本團隊獨創開發之技術，由腦部CT影像自動偵測與計算腦部灰白質比率，輔助醫師快速且精確評估病患後續治療規劃。
六、    病患手環早期高危示警：急診病患藉由戴上智慧型手環，隨時進行生理訊號監看，由模型偵測30~60分鐘後高危險狀況發生機率並即時提出警告，臨床醫護人員可提早介入處置。

保護病患隱私，進行臨床前瞻性試驗，導入多院區落地試用

研究團隊與業界夥伴依據本院急診使用需求，在急診私有雲平台上，以一年半時間共同開發出智慧急診AI輔助系統，介接數百個即時病歷項目欄位與醫療影像，以每15分鐘頻率更新每位急診病患狀態與AI建議，並能同時追蹤多院區至少五百名以上急診病患。藉由使用AI輔助系統，醫師能隨時掌握負責的病患狀況，如同有位AI助理隨時提醒，不僅減輕醫師負擔也達到一致的醫療品質。

為確認臨床效益，並兼顧病患隱私，整個急診創新流程撰寫嚴謹的IRB計畫書經台大醫院倫委會審核同意，所有病歷與影像資料以即時去識別化的方式進行臨床試驗，已有近萬名案例進行驗證。為使各地區均能運用創新智慧醫療工具，本院規畫於今年2月起陸續在雲林分院及新竹分院導入試用。不僅能平衡城鄉醫療資源差距，也能依據不同區域看診需求，持續收集資料並進行調整優化。

急診現場智慧化，圖像式管理急診人流、病床及設備

透過院內定位系統，準確定位總院急診場域內一百多張病床與數百項設備；嘗試調整臨床流程，使用病床管理系統以掌握病床位置與使用狀態 (如空床、使用中、待清床、維護中等)。急診醫師與護理師可使用診間電腦，或行動式平板手機，透過連接急診中控台即時看板頁面快速掌握現場病患與資源的全面狀況，以快速因應緊急狀況。

國科會補助，發展智慧急診，儲備研究動能

導入人工智慧技術，需要投入相當多的資源與人力。藉由三年來國科會支持與各方投入協助，已奠定本院智慧急診的基礎，並將繼續導入創新流程於各院區進行試用。這個智慧急診創新醫療流程可說是本院啟動智慧醫療最好的範例，為持續加速轉動這個創新循環，除了擴大應用持續營運優化之外，也將本院過去十年的急診病歷資料，清理建置為“急診特色資料庫”，交由醫學研究部管理，開放供本院未來醫學研究使用。這是臺大醫院在推動智慧醫療的里程碑，也是下一階段的起點，未來將持續在智慧醫療的領域，為守護全民的健康持續努力。

新聞稿出處

相關報導

https://www.chinatimes.com/realtimenews/20230220002229-260405?chdtv

https://health.ettoday.net/news/2444061

https://reurl.cc/LNyV0x

轉載自：https://www.cw.com.tw/article/5119119

向戲劇、行為科學取經，建構語音情緒演算模型

「在機器學習中，如何取得資料是第一個難關。為了建立台灣中文對話的情緒演算模型，團隊在五年前先透過戲劇系演員協助，演繹人們對話時的各種情境，再結合行為科學家的研究理論，輔助建立模型。」清華大學電機工程系副教授李祈均說道。

需借力戲劇系演員，是因國外雖多有情緒演算研究，但受限於個資問題，即便研究單位願意分享模型成果，在無法結合原始資料分析下，應用價值有限。而要從真實世界裡從頭累積華文世界的資料庫，又曠日廢時，因此才想到這個方法。

即便如此，李祈均教授的團隊仍耗費四年時間，在累積100多個小時的對話數據庫後，並整併行為科學理論才得以建構出有效中文情緒辨識模型。

「這個難關，直到近兩年Podcast盛行，才讓研究團隊思考能以比較短時間內，大量取得更多元的對話情境數據。」李祈均指出，以往做情緒演算模型時，往往只有一、兩萬句對話，頂多十幾個小時的資料量，但在國外最新以Podcast為數據來源的研究中，則以至少400小時為目標。

李祈均分享，目前團隊也和該研究機構合作，取材中文的Podcast節目，並整合自動語音辨識、語意分析處理、多模態融合、個人化模型的演算法，同步整合個體空間行為表徵學習，透過深度網路構建情緒辨識模組。

清華大學電機工程系副教授李祈均

表徵學習技術，讓輸出增添無限可能

而除了情緒演算外，要建構中文的超級AI客服，仍有賴於表徵學習（Representation Learning）的核心技術。

「在AI客服的應用上，無論輸入的資料是文字、語音、圖像或影片，都需將數據轉換成能被機器學習的向量與實數，而表徵學習就是在機器學習使用表徵的同時，也學習如何提取特徵的技術。」清華大學資訊工程系教授吳尚鴻說道。

就因表徵學習具備「學習如何學習」的能力，除了取代過去需仰賴專業人員、耗費大量時間手動提取特徵，並「輸入」數據的時間，應用在「輸出」時，更有助於開發出原生文字、原生圖片、原生語音、原生影片，為線上消費環境提供良好的使用者體驗。

清華大學資訊工程系教授吳尚鴻

自然語言學，攻克語言巴別塔

但要建構中文世界的超級AI客服，要攻克的最大關卡，仍是語言這座巴別塔。畢竟，機器學習霸權的母語屬拼音系統，並透過程式編碼樹立高牆，中文世界的研究要後來追上，看似不易。

不過，這在研究自然語言處理（Natural Language Processing , NLP，或稱Computational Linguistics，CL）三十多年的臺大資訊工程系教授陳信希眼中，卻不是一件難事。

「不管是拼音組成的英文單字，或是象形文字的中文單字，要對電腦產生意義，都需要轉化成有意義的形式，也就是所謂的表徵。」陳信希分享，語言在電腦中的表現方式，從早期的（symbolic representation）、中期的分佈式表徵（distributional representation），演進到近年來在深度學習中廣為使用的分散式表徵（distributed representation），都需先把生活中的事物化為表徵，再透過不同方式運算。

更何況，從單字到句子，無論是中文或英文，只要能從名詞、動詞、形容詞和副詞組成的句型中，判斷出人事時地物，就能化成自然語言學所需的資料。

「尤其，深度學習的分散式表徵，使用低維度高稠密向量，以預測方式取代過去分佈式表徵的計數方式，大大提升了機器學習任務的效能，也讓自然語言學有了大幅躍進。」陳信希說道。

臺大資訊工程系特聘教授陳信希

確保資訊自主性，才能成就元宇宙沃土

在深度學習技術的推進下，也讓未來的AI客服有了全新想像。

「目前，除了線上翻譯、聊天機器人外，自然語言學也已應用在輿情分析、病歷探勘、金融科技、健康照護、法律諮詢、烹飪教學等領域，在加入深度學習後，未來潛力可期。」陳信希說道。

當研究團隊運用深度學習，在取得資料進行數據運算時，也讓學研界自省在一項技術研究初期，思考該技術發展後可能衍生的問題與爭議，並加以改善、防堵。

「當人們享受Google、Facebook帶來的便利時，伴隨大數據演算而來的大量廣告推播，也讓民眾的被監控感日益強烈，並衍生出資訊自主等議題。」吳尚鴻指出，在消費者對資訊安全日益重視後，杜絕平台收集個人資料的軟體也會應運而生，例如只要在手機裡下載某個App，就可防止平台收集你的資料。

「當資訊安全性與自主權獲得保障後，人們才可以安心沉浸在多媒體建構的虛擬世界中，藝術創作者也才能安心創作，不怕被侵權。」李祈均說道。

從以自然語言學，將人類語言轉換成電腦的語言，並透過深度學習，催生出多元的AI客服應用。未來的超級AI客服，除了是打開元宇宙的鑰匙之一，相關技術衍生的資訊安全問題，更是人們往返實體與虛擬世界中，最重要的心理安全閥。

詳細文章請見

啟動元宇宙的鑰匙：超級AI客服 https://www.cw.com.tw/article/5119119