親愛的同學,大家好,我是桑慧敏 接著我們講第四個單元,清光眼的案例,來讓人輕鬆地明白人工智慧中深度學習的架構與邏輯 清光眼是指眼睛結細胞的神經元退化的眼疾 清光眼不能藉著開刀或藥物的治療而恢復到比較好的狀況 也就是清光眼的疾病是不可逆的 因為這種不可逆的現象,清光眼比第一大眼疾白內障是更棘手的眼疾 這下面四個圖是指清光眼視野消失的情況 左上角是健康人的眼睛,右上角是初期的清光眼,在右邊有一點點視野模糊 左下角是中期的清光眼,右下角是重期的清光眼,視野已經消失了至少50%

這張圖最上方的紫色底區塊是資料來源 接著下方的黃色底區塊是資料的前處理 最下方的綠色底區塊是資料分類,我們用的是CNN的邏輯 以下再進一步的說明 我們從高雄長庚醫院眼科醫師那裡得到1450張的眼底影像 將50%的相片放在訓練級Train Set,20%的相片放在檢驗級Validation Set 最後30%的相片放在測試級Test Set 接著在粉色的框框裡面我們對這些相片做了前處理 從步驟0到步驟4 其中值得一提的是步驟2 使用Retinax的方法去除光源的干擾 詳細的Retinax就不在此說明

但是我們可以用一張圖說明 人的眼睛是會被光源干擾的 請看這張圖 我們會以為上下兩個部分的顏色是不一樣的 但是如果用手指或一個長方形 將上下區隔出來可以看到上下兩個顏色其實是相同的 這張圖的左邊是說明人眼會有錯覺 但是電腦是記錄像素 所以電腦記錄左邊這張相片不會有人眼的錯覺 Retinax的方法是協助電腦去除光源的干擾 因為病人到醫院拍攝眼底影像的時間不同 早上或下午的光源不同 所以電腦記錄光源不同下的眼底影像 像素值也會有所不同 所以去除光源之後的眼底影像 再來做後續的分析才會有比較準確的結果

接著講綠色底的邏輯 從步驟5到步驟8 其中步驟5主要是進行捲肌convolution 還有其他的一些轉換 暫時先不說明 步驟5做convolution 重複4次到步驟6 步驟5結束之後會得到很多的特徵矩陣 把這些特徵矩陣全部拉成一條vector 就是步驟6的flattening 在這個例子裡面這個vector 這個向量有480個值 步驟7利用ANN類神經網路 步驟8進行反向傳播 修正權重 這樣不斷的進行步驟5到步驟8 最後可以找到最佳的權重 這一頁是以人工智慧預測清光眼的全部邏輯

剛才講的部分只是中間的部分 紫色底以及以下訓練及資料的前處理 以及CAN邏輯 最上面超參數的設計 以及最下面三個部分 包括驗證級還有測試級的說明 這些部分就暫且不在此說明 但是我們要說明最後由訓練級建議出來的模型 到了測試級的資料如何驗證它的績效呢 準確度就是檢驗出來結果與事實相符的人數 佔所有人數的比例 敏感度是檢驗出陽性反應的人數 佔所有清光眼人數的比例 特異度是檢驗出陰性反應的人數 佔所有沒有清光眼人數的比例 我們希望準確度敏感度與特異度

越接近百分之百越好 這個清光眼的案例使用的人工智慧的方法 整合了CAN與AN 裡面的很多步驟整合了很多數學的邏輯 例如像量、矩陣、函數、斜率等 我相信高中數學裡面也有涉及 利用人工智慧的方法機器可以扮演醫生 事實上不是天方夜譚也不是遙不可及 剛才同學只花了十分鐘 對這個清光眼的案例已經有一個大的輪廓的理解 我並不期望同學理解每一個細節 有大輪廓的理解就是一個很大的進步了 最後我用一首歌將用人工智慧的方法預測清光眼 重要的關鍵寫在這個歌詞內 旋律是春花秋月何時了

清光眼既難恢復 往日的光明 人工智慧來助陣 捲起深情光露CNN 眼底影相當疏入 陽本大才有用 人工智慧助眼科醫生 敏感特異準確度提升 清光眼既難恢復 往日的光明 人工智慧來助陣 捲起深情光露CNN 還要做資料簽處理

Retinax有大用 就是去除光源的干擾 敏感特異準確度提升 這個利用人工智慧預測清光眼的案例就講到這裡 謝謝大家 MING PAO CANADA 字幕組