硬體建置

點擊數: 1028

奇美醫院AI基礎建設包含四大部份：原始資料來源、醫療大數據庫、AI運算管理平台以及AI-enabled醫院資訊系統。

  1. 原始資料來源

    大數據資料來源主要來自原有HIS資料(含醫療儀器物聯網拋轉資料)、外部資料(如：健保資料庫、國健署死亡資料、健康篩檢等資料)等，未來將陸續擴充納入非結構化資料(如：醫學影像、聲音、照片、圖檔、文字報告等)。HIS資料為Informix資料庫系統，建置於IBM大型主機。 

  2. 醫療大數據庫主機

    奇美大數據庫區分為病人大數據庫與科別大數據庫以利多元分析應用。大數據庫首先以轉入結構化資料格式為主(如：醫令、批價、申報、檢驗檢查、TPR、護理紀錄等)。此過程會反覆調整進行以滿足研究者之需求，資料倉儲建立完備後提供後端的AI運算管理平台以便建模使用。資料倉儲為一台Linux中型主機內建MariaDB資料庫系統。 

  3. AI建模平台

    近年來由於高效平行多工運算能力成長、大數據帶來準確度的突破、深度學習演算法研究爆炸性的進步，使得各領域皆開始發展人工智慧。此平台首先導入高階主機與高效能儲存設備以及兩套    NVIDIA圖形處理器(GPU)以建立整合的AI建模平台，我們亦導入專業模型建立與管理平台(Infuse     PrimeHub)，內含完整machine learning、deep learning與圖形化工具，有效模型建立、版本管理與服務派送。目前平台已建置許多AI開發工具，支援常用的模型演算法，並且視必要引進新演算法工具，包括：羅吉斯迴歸(Logistic Regression)、隨機森林(Random Forest)、支持向量機 (Support Vector Machines, SVM)、K-近鄰演算法(K Nearest Neighbor, KNN)、XGBoost(eXtreme Gradient Boosting)、LightGBM(Light Gradient Boosting Machine)及深度學習之多層感知機(MLP, Multilayer Perceptron)、卷積神經網路(​Convolutional Neural Networks, CNN)等。

    此外，我們採k折交叉驗證法進行試驗，每次試驗都會得出相應的正確率，再將k次結果的正確率平均值作為對演算法精度的評估。模型品質評估指標沿用傳統醫學研究指標，包含：正確率    (Accuracy)、敏感度(Sensitivity)、特異度(Specificity)與AUC(Area under the curve)。最後選取最佳模型來實作系統提供臨床使用。 

  4. AI網路服務平台

    本平台另一部份是AI雲端服務平台，所有建立之AI模型轉成服務程式皆安裝於此主機，既有的HIS (急診資訊系統)則可以連線此web service主機，獲得各種醫療AI預測服務。我們以服務導向架構(SOA, Service-oriented Architecture)的觀點，提出有效的雲端服務機制，發展三類雲端服務程式，作為現有HIS銜接AI服務之橋梁。說明如下：

    • HIS預測介面Web service(HWS)：

      此WS接受現有醫療系統(如急診出院評估系統)之呼叫，並將預測結果傳回該醫療系統。HWS包含提供互動功能讓醫師可調整特徵參數來重新預測。 

    • 醫療特徵值擷取Web service(FWS)：

      此WS接收HWS之呼叫，擷取該病人之分析特徵值(如Glasgow Coma Scale、Bedridden等)再回傳給HWS。FWS包含使用IoT技術擷取床邊生理資訊(心跳、血壓、呼吸頻率等)。

    • AI病情預測Web service(AWS)：

      此WS接收HWS之呼叫，輸入已取得之該病人之特徵值，傳回該項AI預測之結果(機率值形式)給HWS。例如，胸痛AI病情預測共發展兩種AWS：急性心肌梗塞風險預測、死亡風險預測。

       

       

列印