-
"作為 QuAI 團隊的一份子，看到我們的研究成果為國人健康帶來實質的幫助，是一大幸福。未來 AI 的發展，必須與產業密切交流，發展出更多 AI 應用。各產業也必須思考各層面導入 AI 的可能。我們該思考的也許不是 AI 將會取代掉哪些工作，我們更該積極思考的是， AI 如何能協助人類完成更多工作，創造出更細緻的人機分工。"
- QNAP QuAI 模型架構工作小組召集人 Dennis Chang
需要 NAS 進階應用功能？歡迎到這裡尋找您感興趣的授權。
"作為 QuAI 團隊的一份子，看到我們的研究成果為國人健康帶來實質的幫助，是一大幸福。未來 AI 的發展，必須與產業密切交流，發展出更多 AI 應用。各產業也必須思考各層面導入 AI 的可能。我們該思考的也許不是 AI 將會取代掉哪些工作，我們更該積極思考的是， AI 如何能協助人類完成更多工作，創造出更細緻的人機分工。"
-
QNAP QuAI 模型架構工作小組召集人 Dennis Chang
QNAP 專注於儲存產業 14 餘年，透過產品創新不斷改變 NAS（Network Attached Storage）的定義。一直以來 QNAP 都有一個清楚的信念：不論科技如何快速演進，資料永遠是價值所在，QNAP 相信，資料的價值鏈將會從資料儲存出發，發展至資訊分析，進而形成知識智能化。正是這個初心，引導 QNAP 走出自己的創新之路。2018 年 QNAP 推出 QuAI 人工智慧軟體開發平台，賦予儲存大量資料的 NAS 獲得智能能力，讓數據科學家和開發人員可以在 QNAP NAS 上快速建構、訓練和最佳化 AI 模型。
運用 AI 相關技術的各種應用及服務仍有無窮的可能性等待探索，對 AI 運算環境的各種需求亦隨著科技發展而直線上升。QuAI 的開發，正是為了使 AI 的發展更民主化，讓更多人可以享受 AI 的效益。在 NAS 開展 AI 服務，可大幅降低資料儲存與網路配置的繁瑣設定，結合 QNAP NAS 高效運算力以及強大的支援特性，讓 NAS 執行深度學習運算成為可行方案。過去昂貴的 AI 工作站，可透過數台 NAS 的組合即可取代，快速完成部署。NAS 不僅能夠作為 AI 模型的訓練伺服器（Training Server），亦能作為推論伺服器（Inference Server），使研發的進入門檻降低，創造 AI 發展普及的可能性。
光有 QuAI 及高性價比 NAS 產品，對於 AI 發展的落地仍有想像上的差距。QNAP 的數據科學家們首先需要瞭解商務應用的問題，鎖定適當的資料、方法 (可能是模型、演算法等)，透過 AI 來解決商務上的問題。QNAP 亟需一個垂直產業的實作案例。2018 年 1 月，位於 QNAP 總部五樓的 AI 推廣工作團隊正式成立，這個為數 5 人的工作小組的理想，即是透過 AI 技術解決重大的產業困境，期望科技能增進人類的福祉。這股熱情驅動著 QNAP QuAI 模型架構工作小組 (以下簡稱 QuAI 團隊) ，於是，他們將目光投向醫療科技領域。
2018 年 2 月，QuAI 團隊前往拜會台灣知名的醫學研究機構，與多位專科醫生與醫學博士討論醫療 AI 的可行性規劃。QuAI 團隊召集人 Dennis Chang 指出：「首先我們要選擇一個戰場。要完成一個深度學習（Deep Learning）專案的三個成功關鍵要素，包含資料、演算法、運算能力。其中資料的可分析性是最基礎的要素。」Dennis 所談的資料，指的正是醫療診斷團隊普遍使用的醫學影像，例如電腦斷層掃描（CT）、核磁共振（MRI）、光學同調斷層掃描術 ( OCT) 等非侵入式的影像處理技術所產生的檔案。這些醫學影像能夠顯示病灶特徵，透過醫師的經驗推斷後即可診斷病情成因。然而，醫學影像有許多特徵的顯影極為細微，解讀顯影實在不是一件容易的工作，而整個推斷的過程，也仰賴醫生個人的專業訓練與經驗。如果 QNAP 能夠透過 AI 技術，提升醫師對醫學影像判讀的效率與準確率，對於醫療品質的提升將大有助益。
除了獲得大量醫學影像可供分析外，QuAI 團隊 也需要汲取醫師的專業知識，協助進行醫療資料的標記及定義分類，逐步建立起資料判讀的模型，並透過深度神經網路（Deep Neural Network）演算法各種實驗分析，不斷地循環這個過程，持續改善及最佳化模型架構和演算法，完成醫療影像的診斷模型程式。有了台灣權威的醫師群協助標記醫學影像，QuAI 團隊對於完成這個醫療 AI 專案更具信心。經過雙方的密切討論，終於選定了主題：老年性黃斑部病變（Age-related Macular Degeneration）智慧醫療輔助診斷系統。
老年性黃斑部病變是一種隨年齡增長而產生的網膜中央部位的退化，黃斑部是位於視網膜中心的一小塊區域，負責視覺的中心視力，一但發生黃斑部病變，視覺的中心將會模糊不清，視覺的周圍則較不受影響，主要影響閱讀視覺及近距離工作。黃斑部病變好發於 55 歲以上的長者，平均有 15% 的老年人口正受到老年性黃斑部病變的危害，且病變通常是兩側發作，是不可逆的視覺傷害，平均第一眼喪失視力的年齡是 65 歲，部分病患會在 70 歲時雙眼喪失視力。
近年來黃斑部病變患者出現年輕化趨勢，智慧型手機重度使用者更是高危險群。棘手的是，黃斑部病變發生初期並無明顯徵狀，多數病患發現需就醫時已經進入中晚期病程了。如果病患能夠早期發現，透過目前的診療方法即可顯著地減緩視力喪失的病程。偵測黃斑部病變的有效方式是透過光學同調斷層掃描術（Optical Coherence Tomography; OCT），透過 「OCT 視網膜光學斷層掃描儀」取得病患的視網膜影像後再進行判讀，即可得知病患的病變種類屬於糖尿病黃斑部水腫（Diabetic Macular Edema）、原發性黃斑部裂孔（Macular Hole）或是老年性黃斑部病變，再施以不同療程對策。一般而言，黃斑部病變可分為濕式及乾式兩種，乾式目前無法診療，只能請病人定期追蹤，並佩戴太陽眼鏡、服用葉黃素等。濕性為新生血管之增生而造成出血、滲出物及積水而使視力惡化，透過療程即可改善病情。
OCT 影像的解析度相當高，可達 2～5 個微米，能夠提供高解析度的橫切或縱切剖面之 3D 影像。若以 OCT 檢查黃斑部，只要用 OCT 掃描 3 秒後，就可以得到十分精確的黃斑部影像，不必散瞳，也不必打顯影劑做螢光眼底攝影，即可清楚呈現病部構造。然而，醫學影像的判讀則是另一個問題。醫療團隊指出：「透過醫學影像判定黃斑部病變種類，是一件費時又費工的工作，眼科醫師不僅需要專業的訓練，還需要反覆檢視與討論。對偏鄉或醫療資源不足的地區而言，當地只有檢驗師作為第一線人員，並不一定有足夠的診斷能力或信心判別，病患往往需要等待數週的時間，才能得知判讀的結果，將可能錯失寶貴的診療時間。」Dennis 認為，如果能夠透過 AI 科技的輔助，或許可以大幅提升 OCT 影像的判讀時間，輔助醫師做出正確的判斷，讓病患提前接受治療，讓老年人免受失明之苦。
此專案首要的面對的問題，是如何為大量 OCT 影像找到一個合乎規範的儲存空間。數位醫療資訊 (即 ePHI) 有高私密性特性。根據醫療產業的要求，醫療資訊及檔案必須長時間存留（法定期限為七年），需要完整備份，且符合 HIPAA (聯邦健康保險法案，又稱健康保險可攜性和責任法案) 的規範。QNAP NAS 的高安全性不僅能符合 HIPAA 規範，QNAP 更於 2018 年 1 月宣布擴大整合 Orthanc 軟體套件。Orthanc 專為醫療照護產業所設計，是一款輕量化的專業醫療影像服務軟體，能將 QNAP NAS 變為強大的輕量級醫療影像擷取與傳輸系統 (Picture Archiving and Communication System, PACS)，可大幅提升醫學影像處理的工作流程。只要將所有的醫療數位影像 (Digital Imaging and Communications, DICOM) 輕鬆地集中儲存在 NAS 中，並運用先進的網頁版 DICOM 檢視器，便可大幅簡化醫學影像分析流程。
由於 QNAP NAS 支援 HIPAA，使得醫學中心各單位得以透過數台 NAS 將大量的資料以合乎規範的方式集中傳輸至一台 TS-1685 之中，借助於 QNAP NAS 的 10GbE 高速網路的力量，QuAI 團隊很快就完成醫學影像樣本的集中。同時 Dennis 也透過 QNAP 的備份軟體 Hybrid Backup Sync 設定完成備份工作，再輔以資料快照（Snapshot）的保護，可快速還原遭到誤刪的檔案。在確保資料萬無一失之後，即可產生出 DICOM 檔，並分析 DICOM 標籤，寫進資料庫後進行儲存。Orthanc 的網頁介面可讓醫師透過拖曳的方式，將 DICOM 影像傳送到 NAS，並透過標籤來查詢患者的影像。此外，每個案例都可使用 DICOM 影像檢視器快速檢視並分析 DICOM 影像。
QNAP NAS 作為 DICOM 伺服器的好處，不僅只是節省醫院的 IT 設備費用，還能透過 NAS 連網的特性，讓外點 on-call 的醫師設定行動瀏覽器跟 Orthanc 連線，使用 Orthanc 的手機 App 即可在行動裝置上遠端觀看上傳到 NAS 之醫療影像。
QuAI 團隊選用的 TS-1685 可支援 12 顆 3.5 吋硬碟與 4 顆 2.5 吋 SSD，搭載高規 Intel® Xeon® D 處理器，並透過 Nvidia GPU Card 整合加速，確保 TS-1685 擁有足夠的運算力進行 AI 演算。QNAP NAS 的作業系統 QTS 具備獨特的 GPU passthrogh 能力，可以將 GPU 卡的運算力分配給 TS-1685 使用。如此一來 TS-1685 效能可媲美專業的 AI 工作站，更降低了總持有成本。相較於公有雲 AI 方案複雜的計費方式而言，將數 TB 的資料存放於大容量的 TS-1685 更顯得經濟實惠。
QuAI 團隊使用 QNAP 自行整合的 JupyterHub 軟體來編寫演算法。Jupyter 是一開源軟體，如今也能夠在 QNAP NAS 上運行，可利用直譯語言的特性，便於編寫演算法並可逐行執行指令，可輕鬆完成資料的視覺化、文件化，更能夠讓整個工作團隊在其中協作編寫，廣受數據科學家的普遍使用。
這個專案中，QuAI 團隊一共蒐集了數萬張 OCT 醫學影像樣本，並且與 6 位專業醫師合作，將這些樣本依照四種常見的黃斑部病變狀態進行標記，期間共耗時一個月完成樣本標記。為了讓 TS-1685 能更快速學習影像識別能力，工作團隊做了影像的預處理，包含影像的鏡像處理、剔除無效影像、重整影像大小等。獲得這些量大又質精的資料後，即可開始架構深度神經網路。
QuAI 團隊將樣本依照比例分為訓練資料集（Training Dataset）及驗證資料集（Validation Dataset），匯入安裝了 QuAI 人工智慧軟體開發平台的 TS-1685 裡，讓 TS-1685 反覆學習、反覆驗證，整個過程一共歷經了 100 多次實驗設定，不斷調整各種參數以臻完美。完成驗證流程後，TS-1685 完成了 AI 初胚模型，此時還需要將原來的資料做成測試資料集（Test Dataset）以測試模型的準確率，並設定優化器及定義學習率方針。
從 TS-1685 開始接受訓練，一直到完成測試項目，僅僅花費兩個月的時間便完成。所產生的 AI 模型能夠達到 95％ 的判別準確率，遠遠高於人工判別。TS-1685 識別 OCT 影像的過程，只需不到 100 毫秒。成型的 AI 模型可以輕易部署於多部 QNAP NAS 中，將 NAS 搖身變為推論伺服器（Inference Server），讓分屬於不同單位的醫院都能同步使用這套老年性黃斑部病變 AI 診斷系統，使不同機構的 NAS 都能獲得智能大腦，廣泛地開枝散葉，造福人群。
在短短的 5 個月內，QuAI 團隊已經取得重大的成果。這套老年性黃斑部病變 AI 診斷系統能夠輔助醫師做出更快速、更準確的判斷，幫助病患防範老年性黃斑部病變於未然。其低成本、高速導入的特性，更可以協助偏鄉或醫療資源不足的地區輕鬆部署這套系統，偏鄉地區的老年人只需完成 OCT 影像拍攝，當下即可知道病狀類型，立即安排轉診後送。Dennis 表示：「作為 QuAI 團隊的一份子，看到我們的研究成果為國人健康帶來實質的幫助，是一大幸福。未來 AI 的發展，必須與產業密切交流，發展出更多 AI 應用。各產業也必須思考各層面導入 AI 的可能。我們該思考的也許不是 AI 將會取代掉哪些工作，我們更該積極思考的是， AI 如何能協助人類完成更多工作，創造出更細緻的人機分工。」未來 QuAI 團隊將針對多種醫學項目，開展出 AI 精準醫療服務，包含 NGS 基因定序、腦瘤偵測、腫瘤分析、放射治療 AI 導入等專案。期望在民間、政府的協助下，讓台灣有實力成為全球人工智慧島。
選擇規格
