Computex 2019：本土医疗AI有新应用，宏智生医要靠AI侦测百万分之一的脑波细微电位变化，让忧郁症诊断更早一步

现在大家在谈的医疗AI，不再只是单纯用在影像判读疾病，甚至还想用它来解决更复杂的医疗诊断难题，其中一项就是针对一些难以分析、诊断的个人心理、生理上病症，如忧郁症、阿兹海默症等，试图透过AI找出这些病症的数据关键，也成为当前新的医疗AI研究领域。这正是宏智生医科技专攻的医疗AI领域，他们在今年Computex大展上公开展示一套自行打造的AI脑波辅助诊断系统，利用百万分之一的脑波细微电位变化，评估检测忧郁症的风险，虽然还在开发阶段，但已能提供8成的诊断准确率，可辅助医师判读。

由仁宝投资、今年3月成立的宏智生医科技，创立成员都是前北科大研究团队，从2年前就开始投入这方面的研究，试图要透过AI协助判读微弱脑波变化，早一步提供忧郁症风险评估诊断，来辅助医生判读，甚至更早一步提供医疗协助。

虽然以忧郁症来说，因为掌管记忆的海马回的病变，所以造成病人的脑波和正常人的脑波有所差异，但是想用AI学习能正确分辨正常人和忧郁症潜在患者的脑波差异，并不是件容易的事，甚至比辨识医学影像的病灶更难。

原本也是北科大团队一员的现任技术长翁昌新解释，因为脑波测量，主要是用来搜集、记录头部上，各两点之间的电位差随时间的变化情形，通常是以微伏特（microvolt，百万分之一伏特)为单位，因为讯号非常微弱，难以单用肉眼分辨的出来，还很容易受到外在环境的干扰，甚至只要一点点电器噪声，如电源噪声，可能就会造成严重干扰，使得测得的资料都没办法用。也增加模型训练的困难度。

这也是为什么，该团队花了2年时间，才让其诊断模型的准确率来到8成。不过，他表示，目前还在开发当中，将持续完善、优化模型，目标是希望能破9成。

在机器学习训练上，他们目前使用了55位受试者的脑波资料，来训练、建立脑波诊断模型，不过他也坦言，这些脑波资料取得不易，这些资料都是跟大型医院合作，取得医疗认证，即使拿到资料后也会加以去识别化才能拿来使用，从每个人搜集的脑波资料量，大约会有1～2GB，55人就有100GB的脑波数据，经过特征抽取(如时间域、频率域等)的前期处理，再喂给ML模型做学习训练。之后，再将量测的受测者脑波丢进用训练好的模型，给出诊断结果，看是否和原始诊断的结果吻合，再持续调整优化模型。

实际测试时，使用者只须戴上黑色电极帽，并坐在椅子上，正视前方屏幕画面上的黑色十字点，约莫1分半，就能测得对脑波的评估结果，并在屏幕画面上显示脑波压力指数，落在数据分布范围的哪一层位置，代表其所在的压力指数，并以绿色的点来呈现，每一层代表颜色皆不同，例如颜色越浅就是低压力，越深代表压力越高。

(图片来源；北科大)

测试时，使用者只须戴上一顶黑色电极头帽，并坐在椅子上，正视前方屏幕画面上的黑色十字点，大约1分半，就能测得对脑波的评估结果，通过在云端做ML模型判断，然后将结果回传，并在屏幕画面上显示脑波压力指数，落在数据分布范围的哪一层位置，代表其所在的压力指数，并以绿色的点来呈现，每一层代表颜色皆不同，例如颜色越浅就是低压力，越深代表压力越高，同时还会结合传统综合评估量表来综合判断。

他表示，不像传统忧郁症临床检测方式，大多是使用忧郁症评量表，让患者来勾选，比如，食欲不振、轻生念头等，得到是主观的测试结果，但透过AI脑波来判读它是落在哪一个压力区间的作法，则是提供医师在忧郁症判断上，能有一个更客观的参考依据。

除了忧郁症以外，宏智生医下一步也计划，利用AI脑波诊断，来辅助医生判读注意力不足过动症（ADHD）与阿兹海默症（MCI）)前期病症。未来甚至也考虑采用类神经深度学习模型，来替他们解决更复杂的脑波诊断问题。