乳癌腫塊特徵的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和懶人包總整理

AI 醫療 DEEP MEDICINE

為了解決乳癌腫塊特徵的問題，作者EricTopol 這樣論述：

　　AI 醫療不是未來式，而是現在進行式！讓世界級名醫帶你進入 AI 醫療現場。 　　 　　本書深入發掘 AI 醫療應用亮點： 　　【 AI 觀察掃描影像的威力】   　　★ AI 能觀察出醫療掃描影像中潛藏的細微資訊，看到許多人眼無法觀察到的紋理特徵，例如預測出在某些腦癌中的染色體 1p/19q 聯合缺失之基因組異常，或是找出病患是否有與大腸癌密切關聯的 KRAS 基因突變，做到真正個別化的監測！一年甚至能夠判讀數十億張醫療掃描影像，數量驚人！   　　★ 東京大學研究團隊開發了一套 6 層卷積神經網路，對來自 460 名病患的肝臟腫塊電腦斷層進行分類，所得結

果與真實值相比，整體準確性高達 84%！   　　★ 荷蘭拉德堡德大學 (Radboud University) 發現深度神經網路在經過 1,400 多張乳房 X 光影像的訓練後，能夠判讀出與 23 位放射科醫師相同的結果！   　　★ 使用 AI 就能從視網膜圖像準確診斷出各種眼疾：在分析及診斷青光眼、糖尿病視網膜病變、老年黃斑部病變等 50 多種眼科疾病、進行緊急轉診方面，深度學習演算法協助自動化光學同調斷層掃描判讀的準確率，已達到專業視網膜專科醫師的判斷水平。從視網膜影像還能預測病患的年齡、性別、血壓、吸菸狀況、糖尿病控制及重大心血管疾病的風險。也可協助診斷「早產兒視網膜

病變」與「先天性白內 障」，改善兒童視力！   　　【 AI 辨識病理切片的潛力】   　　★ 史丹佛大學的研究小組利用全切片影像開發了一款機器學習演算法來預測肺癌病患的存活率 (survival rate)，準確率優於目前病理學實務上所使用的腫瘤分級 (grade) 與分期 (stage)。   　　★ 紐約大學研究人員對病理學切片進行的研究則顯示，演算法在診斷肺癌亞型 (subtype) 時，可得到非常優異的準確率 (AUC = 0.97)，這項研究證明了機器演算法有能力看出人類不易辨別的模式。   　　【企業界爭相切入 AI 醫療應用】   　　★

許多公司也都已著手發展醫學影像的深度學習，包括Arterys 專攻心臟 MRI 影像分析、Viz.ai 利用頭部電腦斷層深度學習診斷中風症狀，還會即時發訊息通知臨床醫師、Imagen 以機器分析骨骼影像的技術等。Enlitic 的自動檢測處理則不僅能夠精確診斷骨折，當骨折的範圍只佔了 X 光影像中的 0.01% 時，還能夠明確點出微骨折的位置！   　　★ Arterys 公司有一套已獲美國FDA批准的演算法稱為 Deep Ventricle，可快速分析心臟血流，將原本需花費一個小時抽血並手動測量的工作，縮短成一次只需要花費15秒的掃描。   　　【 AI 提升醫院急診室、手

術室及加護病房的運作效率】   　　★ 利用近16萬名病患的電子健康紀錄訓練完18層的深度神經網路之後，能針對4萬份病歷預測出死亡時間，而且準確率相當高。此外，深度神經網路還能預測：住院日數、緊急臨時再入院（unexpected hospital readmission）以及最終的出院診斷。   　　★ 史丹佛大學利用深度學習和機器視覺量化醫師的手部衛生狀況以杜絕院內感染，準確率超過95％。   　　★ 加護病房也能倚靠機器視覺幫助使用機械式呼吸輔助（mechanical ventilation）的病患脫離呼吸器：透過病患的監控影像，便能協助確定目前移除病患的呼吸器是否

有風險，也能掌握其他生命徵象未列入的參數，藉此減輕護理師檢測的負擔。   　　★ 在美國許多醫院已有機器人護理師助手 Tug 幫忙分送食物和藥物，減輕護理師的工作負擔，空出護理師的時間與雙手真正去照護病人、關心病人。   　　【 AI 打破迷思、顛覆傳統】   　　★ 許多資訊都隱藏在所謂的正常範圍裡：以一名在過去 5 年內血紅素從 15.9 g/dl 穩定下降到 13.2 g/dl 的男性病患為例，其血紅素數量變化的起點和終點都落在正常範圍裡，因此這個變化絕對不會被檢驗報告標記出來，但是血紅素減少情形有可能是病患身上某種疾病的早期徵兆，比如隱性出血或癌症。在資料解讀上

，AI 能掌握更多豐富、細緻且連續的資料及解讀方式。這就是深度學習的重要性！   　　★ 健康飲食金字塔的唯一標準其實並不符合每個人，AI 將能根據你的腸胃道菌種量身打造專屬個人的飲食建議！   　　★ 癌症資訊最近還擴展到了活癌細胞分析，用微流控技術 (microfluidics) 從乳癌或攝護腺癌病患身上分離出活的癌細胞，接著用 AI 機器視覺進行評估，以預測術後風險，不同於以往的癌症檢驗依賴固定在福馬林中的死亡組織塊。   　　【 AI 結合無負擔的穿戴式裝置】   　　★ 戴上智慧手錶，免抽血就能偵測血鉀濃度的變化，避免因心律不整而猝死！   　

　★ AI 能偵測出人類所感覺不到的細微變化，只要貼上類似 OK 繃的裝置，就可以偵測出「無症狀」心房震顫的病人，預防可能引發的中風！   　　美國著名心臟科權威醫師 Eric Topol 以自身就醫的經歷揭開序幕，帶我們一窺原來「即使身為醫師也未必能得到最佳的醫療診治！」直擊醫療現場的真實缺口，揭露出為何醫療場域迫切需要導入 AI？ AI 醫療並非未來式，而是現在進行式！ AI 更不是冷冰冰的機器，而是重塑醫病關係的新契機！   本書特色   　　★ 為什麼你/妳需要讀這本書？   　　【如果你是醫師、醫療從業人員……】 　　為什麼醫療領域需要發展 AI？

　　AI 真的有那麼神嗎？醫療領域發展 AI 又會遇到哪些瓶頸？ 　　AI 醫療的最終願景將會帶給醫師及醫療相關從業人員哪些好處？ 　　這些 AI 醫療變革都將影響整體醫療系統、醫療資源的支配運用，身為第一線從業人員的你/妳不可不知！   　　【如果你是「 AI 工程師」或「研發人員」……】 　　醫療資料暗藏什麼結構性問題？有哪些陷阱？ 　　何時該篩選數據，何時又不該篩選？！ 　　如果 AI 工程師能早一步知道，就能少走很多冤枉路！   　　【如果你是「醫療」或「資訊科技」相關科系教授與學生……】 　　最新的一門跨領域整合性學科「AI 醫療資訊專業」

融合了 AI 科技與醫療知識， 　　隨著 AI 在醫療領域的崛起，「優秀醫生」的定義也將翻轉，醫學界訓練醫生的方式將發生哪些轉變？ 　　醫學生若想掌握 AI 工具，首先應從哪些學科切入？ 　　資訊科系學生若想進軍醫療工程領域，更該明白醫學資料獨有的特性！提早佈局自己的競爭力藍圖！   　　此外，本書旁徵博引近 700 篇參考文獻，歸納整理出 AI 醫療的相關研究內容重點。包含 AI 在全球各地醫療領域的實務應用，以及理論與實務究竟差距有多大，都將在書中具體呈現。   名人推薦   　　AI 先驅 - 李開復、李飛飛 強力推薦！   　　“人工智慧與人類

醫師結合的最佳展現將是一場醫師與病人互利的雙贏局面。Eric Topol 是一位對醫療保健和 AI 都有深刻瞭解的醫學權威。我強烈推薦這本書，並希望它能串聯起醫療從業者和 AI 研究員，幫助他們明白唯有同心協力、共同努力，我們才能實現健康長壽的共同夢想。”──李開復   　　“人工智慧應奠定在深厚的人性化基礎之上，而它的影響在工業和日常生活中只會不斷增加，不會減少。 這是一本有見地的讀物，用「以人為本」的嶄新視角出發，使人深刻地瞭解人工智慧結合醫學的驚人潛力。──李飛飛，ImageNet 創辦人，史丹佛大學電腦科學系教授， 曾任職史丹佛大學人工智慧實驗室、Google Cloud 首席

科學家   　　“以敏銳洞察的眼光看待科技在醫學中所扮演的角色以及能發揮的作用……提出有力的論點說明醫學將在科技技術的輔助下走向更人性化與更關懷人的醫學，而非被科技凌駕之上。”──美國 Kirkus 書評

火柴棒醫生手記最新完整版：神奇的穴位養生療法

為了解決乳癌腫塊特徵的問題，作者周爾晉 這樣論述：

★來自中國安慶的平民醫者，教你如何自救救人！ 　　教你自病自病自醫不求人，性命掌握在自己手中！ 　　經過無數臨床專業驗證，已造福千萬病患！ 　　作者從《內經》「上病下治，左病右治」的觀念中領悟，獨創「人體×形平衡法」，啟發黃帝內經使用手冊、活到天年、人體自有大藥作者武國忠等中醫名家重要醫病觀念的大師！ 　　自學成醫，以獨創穴位療法成功治癒罹患大小病症的患者，造福無數群醫束手無策的病人！

融合紋理資訊之深度學習模型判斷乳房X光攝影腫塊良惡性

為了解決乳癌腫塊特徵的問題，作者陳柏瑋 這樣論述：

乳癌為造成全世界女性死亡的主要癌症之一，透過國內衛生福利部資料顯示:國內女性發生率最高的癌症也同為乳癌，有鑒於乳癌的盛行率，政府利用乳房X光攝影作為乳癌篩檢的初步診斷工具。乳房X光攝影提供了乳房的鈣化點以及腫塊資訊，使無病症的零期乳癌得以被發現，大幅提高患者的存活率。 透過醫學實證，乳癌篩檢確實降低了乳癌的致死率，但龐大的乳房X光攝影影像同時加重了放射科醫師的負擔。且因為乳房組織的複雜性，以及乳房腫塊之間的變異性，促使放射科醫師之間依據經驗的不同，對於乳房腫塊惡性程度的主觀判定存在著觀察者間的差異性(Inter-observer variability)。為了減輕放射科醫師的負擔以及降低觀

察者之間的差異性，發展電腦輔助診斷(Computer-aid diagnosis, CAD)，提供醫師客觀乳房腫塊良惡性分類結果就顯得相當重要。 自從Alex Krizhevsky利用卷積神經網路的深度學習模型(Convolutional Neuron Network, CNN)，在數量高達120萬的影像辨識競賽(ILSVRC)中以15.3%錯誤率取得冠軍後，促使近年來針對影像辨識的課題，大多朝向深度學習的方向進行開發。而在乳房攝影腫塊良惡性分類的議題上，以深度學習為導向的CAD開發上，也取得良好的成效。雖然深度學習達到良好的影像辨識能力，但訓練模型所花費的成本相當可觀，其中樣本數量的多寡更

是直接影響模型影像辨識的準確性。而在乳房X光攝影中，由於乳房腫塊的多樣性，訓練樣本不足的問題更是惡化了分類的準確性。為克服樣本不足的問題，本研究開發一學習紋理資訊為導向的深度學習模型。盼望在有限的影像數量下，利用其他深度學習模型所學習的特徵與紋理資訊相互融合，提高乳房腫塊良惡性分類的準確率。開發學習紋理為導向模型的過程中，Gabor Filter bank具有近似於人類初級視覺皮質層(Primary visual cortex) 擷取紋理資訊的能力，因此本研究發展學習紋理資訊為導向的深度學習模型是以Gabor filter bank為基底。透過第一層卷積層濾波器為Gabor filter ba

nk的設計，可以分別在紋理影像數據集(Kylberg Texture Dataset、Kth-Tips2-b Dataset)得到0.997±0.002、0.993±0.002辨識率。且在這兩個紋理數據集的樣本數量減少至原本的25%時，相較於單一的深度學習模型，合併AlexNet與本研究開發的深度學習模型可提升紋理影像的辨(Kylberg Texture Dataset提升1.6%；Kth-Tips-2-b Dataset 提升4%)。 相較於紋理數據集的資料量，乳房X光攝影數據集的樣本數量明顯不足。因此為降低模型過擬合(Overfitting)現象的產生，在訓練樣本(Training da

ta)方面採取傳統資料擴增(Data augmentation)的方法，提高乳房腫塊樣本的數量以及多樣性。在模型的開發的研究上，則是以GAP(Global average pooling layer)取代傳統全連接層(Fully-connected layer)的設計，大幅降低訓練參數。此外，為使模型學習多樣化的紋理特徵，本研究將先前所使用的紋理影像數據集(Kylberg Texture Dataset、Kth-Tips2-b Dataset)遷徙學習(Transfer learning)至本研究所開發深度學習模型，並利用Squeeze and Excitation Net強化模型學習紋理資訊

的能力。最終透過集成式學習(Ensemble learning)的方法結合VGG16、Inception-V3以及本研究開發的深度學習模型，最終得到乳房腫塊良惡性分類的整體準確率0.80±0.03(Specificity: 0.83±0.02，Sensitivity: 0.76±0.06)。 為輔助放射科醫師診斷乳房腫塊良惡性分類的議題上，本研究開發一學習紋理資訊為導向的深度學習模型，並藉由提供紋理資訊與其他深度學習模型相互融合後，提高模型判斷乳房腫塊良惡性的準確率，克服現有乳房腫塊影像有限的瓶頸。