[AI]20200609會議紀錄

20200609會議紀錄

議題：AI任務釐清及分配

目的：釐清大家手上會的AI技術跟任務，及未來任務之分配

1.    短版AI分析目前排除恭宏後，沒有人可以獨立運作

 解決：目前多為概念上、方向上的釐清，可用遠端討論。

2.    AI動作上的分析（成人、小兒）的任務交接

l   分類：

²  成人以大動作為主

²  小兒動作較複雜

l   恭宏分類動作分析的標的

l   士捷彙整目前小兒的部分

l   方向：小兒跟成人分開寫，並寫後續可以擴展的領域

l   後續：一周後再討論（6/16 09:30）

3.    AI小兒分析收案的後續：

l   這梯小兒收案後做第一次的分析

l   分析技術目前只有恭宏會，應考慮技術轉移

4.    AI成人分析收案的後續：

l   CAT-FES及動作評估，目前累積案量5、6位，暫時無法進行分析

l   目前由恭宏學長推動，收案由姿敏負責

l   老師將考慮後續任務由誰接任

5.    獲得SIS的大資料：（以AI優先，之後可考慮因素分析題材，避免二題材互相攻擊）

l   任務：

²  短版的AI技術套用

²  CFA驗證他的因素分析

ü   士捷調查跟思考SIS各版本組成之架構，以及驗證各版本SIS之架構

²  驗證因素效度（原始版、AI短版）

ü   病人填寫版

ü   代理人填寫版

[討論紀錄]20200227中風個案AIMAE收案後討論

議題：

l  人偶呈現的連續動作令個案難以記憶

l  有些動作需要治療師示範個案才能理解動作如何進行

結論：

l  使用真人拍攝之影片當作示範影片

l  編寫影片之新劇本

l  拍攝角度包含多個角度（正面、側面）

l  加入明確之指導語及各步驟之口令

l  確認指導語之用詞是否淺顯易懂

l  開始正式施測時給予一個明確的開始指令

[討論紀錄]20200116中風個案AIMAE收案後討論

20200116中風個案AIMAE收案後討論

1.   議題：攝影機放置處、治療師位置。
原本：攝影機置於健側，治療師位於患側以確保個案安全，但拍攝時置於患側，且可清楚拍攝到患側。
結論：攝影機置於個案患側邊，治療師位於個案患側後方

2.   議題：開始拍攝時是否需簡介。
原本：邀請時、說明同意書時有說明儀器設備，但沒說明攝影器材位置
結論：開始動作測驗的拍攝時（帶到拍攝評估地點時），需先向個案簡介鏡頭配置及螢幕配置

3.   議題：

l  較多動作連續時，個案無法記清動作

l  個案受到影片中人偶動作制約，想要與人偶動作一樣

l  個案做單一動作所花費的時間過久，或不知道動作什麼時候結束

原本：PPT中練習的那張PPT有放GIF圖片

結論：

l  刪除練習的那張PPT所放GIF圖片，改為各動作步驟之單字（方便記憶）。

l  個案健側練習時給予口語提示。

4.   議題：個案動作做錯時，是否可以重做。

原本：健側、患側動作各1次，平衡動作做2次。未設定是否可重做。

結論：

l  健側動作不限次數，但須確保個案了解動作。

l  患側動作做2次。平衡動作做2次。

l  患側動作及平衡動作沒做成功時，該次不算。

5.   議題：評估結束後可否給回饋

原本：未設定

結論：

l  評估中可給回饋。

l  結束後可給CAT-FAS成績回饋（百分等級）及整體回饋（由評估者依據個案狀況給予回饋）

[學習]2019.10.07學習進度

上周討論

1.        寫作原則

l  人工智慧簡介應先概括介紹[大結構]，之後針對各個名詞做解釋[各分項]，段落與段落之間應銜接（top-down）。

l  說明方法應將電機相關知識與生物科學連結，確保說明的面向可同時包含生物科學與電機之觀點。

2.        寫作課參與者可獲得之學習目的：製作寫作原則checklist，確認自己的checklist之通用性。

本周欲討論之議題

1.        人工智慧、機器學習、深度學習之概念釐清：

l  撰寫之內容是否與老師所認知的概念相似？

2.        寫作之checklist：

[整體通用]

l  主題句、主旨是否明確，主題句與結論句是否前後呼應。

l  前一段落之結論句是否與下一段落之主題句/主旨呼應。

l  各段落不超過8行

※[前言]、[方法]、[結果]、[結論]待補充

[學習]2019.09.03本周任務及進度回報

本周任務

一、  製作9/6衛福部研討會之PPT（COWMEM）及海報（iSAT）

(1)   COWMEM之PPT完成PPT及預報

(2)   iSAT之海報完成且已送印

二、  選課：選上生物統計學二

三、  亞大論文獎勵之申請：已登錄完成，尚未印出申請單。

四、  本周無VISTA資料庫整理之進度

遇到之困難

一、  WM多系統模式概念釐清：釐清多系統模式中，四個系統差異為訊息收集來源的不同（聽覺及視覺），除了從環境中的刺激而來之外，也包含從長期記憶中提取及放回。

後續預計進行之任務

(1)   9/6衛服部研討會

(2)   建立ASTRAL model並比較與RF、Lr與DNN之表現

[學習]2019.08.27欲討論之內容

本周任務

一、   VISTA資料庫

(1)   建立training機器學習Logistic regression（Lr）及deep neural network（DNN）。

(2)   將資料分成train set/validation set/test set三組，分別訓練及驗證3種模型［Random Forest（RF）、Lr及DNN］來預測90天後之MRS之分數。

(3)   使用train set訓練3種模型、validation set驗證3種模型，最後用test set繪製ROC curve。結果顯示DNN的表現最好（0.77），Lr的表現次之（0.76），RF的表現最差（0.73）。結果與Heo之研究 (Heo et al., 2019) 相同。繪製之ROC curve如下：

二、   製作9/6衛福部研討會之PPT（COWMEM）及海報（iSAT）

(1)   COWMEM之PPT完成大綱（有與學長討論）及部分初稿

(2)   iSAT之海報完成大綱

三、   選課：初選未選上統計，因此多選了生物統計學二

遇到之困難

一、   VISTA資料庫

(1)   建立training機器學習model時，不清楚各個model之python code參數應該設定多少。

解決方法：先使用sklearn預設之數值，但run code時出現錯誤或結果無法完全複製Heo之研究(Heo et al., 2019)。確認該研究中是否有寫相關參數、確認code錯誤之原因並作調整。

(2)   machine learning的觀念釐清

解決方法（觀念釐清）：

a.    over fitting（過度契合）是指匯入的training data過度契合訓練出來的model，主詞及受詞為model及training data，而非testing data。所以才會造成testing data匯入model時，產生的model表現差。

b.   資料分成train set/validation set/test set三組時，應使用train set訓練及調整模型、validation set驗證及選擇模型，最後使用test set確認模型之表現。理論上驗證模型與確認模型之模型表現結果不會差太多。切勿使用testing data調整模型。

二、   製作COWMEM研討會之PPT

(1)   PPT中關於工作記憶之定義、整體呈現之rationale及資料呈現之取捨有問題時皆找恭宏學長釐清。

後續預計進行之任務

(1)   建立ASTRAL model並比較與RF、Lr與DNN之表現

(2)   8/28送印iSAT計畫之海報

(3)   8/30前找恭宏學長試報COWMEM計畫之PPT

參考資料

1.     Heo, J., Yoon, J. G., Park, H., Kim, Y. D., Nam, H. S., & Heo, J. H. (2019). Machine Learning-Based Model for Prediction of Outcomes in Acute Stroke. Stroke, 50(5), 1263-1265. doi:10.1161/strokeaha.118.024293

2.     Python code：https://www.one-tab.com/page/rFlRwizFTaiRIP8P1wa1fw

[學習]2019.08.20欲討論之內容

本周任務為

(1)  從VISTA資料庫中選出ASTRAL使用到的之變項（共10個），轉換單位不統一之變項後處理缺失值。

(2)  建立training機器學習model 1(random forest)及繪製ROC curve。結果顯示model 1的表現為0.99，繪製之ROC curve如下：

(3)  將資料分成train set/validation set/test set三組，並呈現描述性統計、各預測變項與結果變項之相關性。

[學習]2019.08.13討論整理及口語表達問題檢討

口語表達問題檢討

1.     表達原則：重點越早呈現、越清楚越好

2.     結構化格式：任務內容→任務目的→過程→結果→解決方法（包含前因後果）

3.     討論前一天前將本周要討論之議題依照上述之結構PO部落格

[VISTA]20190730

VISTA資料處理：

目的：

1.    熟悉用Python整理資料

2.    用Python使用machine learning的分析模型預測中風患者的預後的效果，並與傳統的迴歸分析的效能做比較

目前遇到的困難及處理：

1.    把missing data刪掉，第一次刪除missing data時，還是會有一些資料空白，python沒有將它刪掉。後來發現是原始資料內有空格，然後我對coding不清楚，以為空格的打法是保持空白，所以要把空白取代時，中間要有一個空格” “。

2.    處理完上述過程之後，發現有些資料沒有subdomain的資料，所以在過濾missing data後，留下來的資料剩0列可使用。

3.    篩檢需要留下的變項，目前打算把subdomain刪掉，只保留NIHSS的subdomain，目前正在進行中。

4.    20190730 VISTA資料庫連接不上

[文獻閱讀]Machine Learning-Based Model for Prediction of Outcomes in Acute Stroke.

研究目的：

比較不同分析模型預測急性中風患者long-term outcome之間的差異。本研究使用machine learning (ML)的運算模型，希望能提升急性中風患者long-term outcome的預測能力。

方法：

本研究使用了ML的三種運算法和傳統的分析方式，比較使用ML是否會比傳統的預測模型更具效能

研究者使用了2種不同的預測模型：(1) 納入所有資料的變項；(2) 僅納入包含在ASTRAL量表中的6個變項。此兩種預測模型利用ML的三種運算法：(1) deep neural network; (2)random forest; (3)regression和ASTRAL量表的預測模型做比較。

結果：

結果顯示在納入所有變項的預測模型中，deep neural network的分析法比其他兩種運算法及ASTRAL量表能更有效預測急性中風患者得預後。由ROC curve的圖形來看，ROC曲線下的面積，deep neural network比ASTRAL量表更具預測能力，並達到統計顯著[0.888 for deep neural network; 0.839 for ASTRAL scale]。然而，random forest和regression的運算法雖然比ASTRAL量表有較好的預測能力，但未達統計顯著[0.857 for random forest; 0.849 for logistic regression]。

在納入6個變項的預測模型中，3種ML運算法雖然都比ASTRAL量表有稍好的預測能力，但皆未達統計顯著[0.853 for deep neural network; 0.828 for random forest; 0.846 for logistic regression]。

討論：

本研究發現使用ML運算法相較ASTRAL量表，更能提升預測急性中風患者long-term outcome的預測能力。三種運算法中，deep neural network的預測效能在納入所有變項及6項ASTRAL的變項時，顯著比其他兩種運算法及ASTRAL更好。所以deep neural network可能是最適合來預測long-term outcome的運算法。

限制：

本研究為單一機構收案，所使用的變項是該機構所使用的評估變項。研究結果可能受到不同機構使用不同評估變項影響。