關於 影像比對演算法 ，我們在網路上蒐集到這些相關的討論、資訊與評價

試管補助上路，
政府為求避免多胞胎風險，
申請補助有植入顆數的限制，
35歲以下只能植入1顆；
36~44歲只能植入2顆，
如何在有限的顆數中提升中獎率🤔❓

讓電腦幫您挑選優質胚胎❗️
我們首推四代試管❣️
讓懷孕率倍增80％⬆️📈
就是在三代試管PGT-A(PGS)的基礎上，
加上造價千萬的「胚胎影像即時監控系統（Time-lapse）」✨
及累積35年不孕治療臨床經驗而成的「最新演算法」，
導入胚胎影像的AI大數據學習模組，
讓胚胎選擇更有科學依據，
依照人工智慧系統所紀錄的胚胎分裂時間及狀態，
比對上萬筆大資料，
幫每顆胚胎打分數，
做為胚胎植入時的參考💖

電腦選胚不僅加快了效率，
更大大提升了懷孕成功率🥰

👉認識試管技術：https://www.ivftaiwan.com/news-detail/198/
👉AI選胚：https://www.ivftaiwan.com/share-detail/304/
👉關於PGT-A(PGS)：https://reurl.cc/83VQ6b
👉關於time-lapse：https://reurl.cc/R0l6Dz

#電腦挑的嬰兒
#試管補助 #四代試管 #AI選胚 #提升懷孕率 #試管嬰兒 #ivf #台中 #茂盛醫院 #李俊逸醫師 #茂盛小王子 #timelapse #胚胎縮時攝影

AI 也會抄捷徑，醫學研究發現深度學習演算法缺陷

作者 Alan Chen | 發布日期 2021 年 07 月 27 日 19:37 |

人工智慧在現今癌症治療上，具有相當大的幫助，透過深度學習，系統可以快速分析腫瘤切片影像，提供醫生有關癌症類型和治療建議等重要資訊，但美國芝加哥大學研究團隊發現，如果深度學習演算法沒有適當調整，AI 會做出偏頗的病理分析。

芝加哥大學（University of Chicago）研究團隊，在本月的《自然－通訊》（Nature Communication）期刊中發表研究指出，透過醫療影像學習的過程中，若沒有對演算法進行特別校正，AI 就會以資料上傳的地區、醫學機構等資訊自行歸類，並使用歸類資料進行比對分析，產生病理資訊和治療建議，但以這種方式而不是透過比較嚴謹的生理和病史資訊進行分析， AI 容易產生偏頗或不正確的分析和治療建議。

研究團隊在實驗中，讓 AI 系統透過美國國家癌症研究所（National Cancer Institute, NCI）與國家人類基因組研究所（National Human Genome Research Institute, NHGRI），共同合作的「癌症基因組圖譜（The Cancer Genome Atlas, TCGA）」資料庫內，大量的癌症組織切片影像進行深度學習，發現了 AI 這種透過演算法習性，產生偏頗判斷的問題。

「我們在這項研究中發現了 AI 的盲點，由於需要快速分析，因此演算法會合理的認為使用機構和區域分類，可以更有效歸類檔案，提高學習分析的效率。」芝加哥大學醫學系 Alexander Pearson 博士指出，但 AI 用這種歸類方式學習大量影像後，卻會開始忽略病患個人的生理數據和病史資料，改以上傳機構和地區之間的影像互相比對。

如此一來，醫療軟硬體條件較好，或比較富裕區域內的病患切片樣本，由於通常有比較多治療選項，治癒機率也較高，因此 AI 容易對這些區域的樣本提出比較樂觀的病理分析和治療方式，但是對於條件較差的機構或區域，產生的分析與建議就會比較差，等於將社會醫療資源的不平等反射出來。

研究團隊也表示，要避免出現這種盲點，系統開發者在訓練 AI 學習時，必須確保各種類型的腫瘤切片影像，是平均來自各個地區與機構上傳的資料，或是在學習過程出現判斷偏頗時，將影像樣本鎖定在一個特定條件，避免 AI 自行產生歸類和比對分析的習慣，才能產生比較準確的分析結果。

要如何避免 AI 出現「偷吃步」的情形，對於現代醫學越來越仰賴 AI 進行分析的狀況下，顯得格外重要，若是因為 AI 產生不準確的病理分析，導致醫生判斷失準，原本用來幫助人類健康的科技反而會成為病患生命的一大威脅。

附圖：▲主導研究團隊的芝加哥大學醫學系 Alexander Pearson 博士。（Source：University of Chicago）
▲AI 在面對大量資料時也會嘗試簡化歸類程序，產生盲點。（Source：BDAN）

資料來源：https://technews.tw/2021/07/27/university-of-chicago-team-found-out-machine-learning-flaw-that-will-produce-biased-medical-analysis/

😍看過來看過來😍～～

🤓109年度跨業整合生醫躍進專案計畫成果<第一篇>

為推動臺灣生技產業新世代成長動能，再創產業新契機，科管局自106至109年執行4年期跨業　
整合生醫躍進專案計畫，聚焦生醫跨領域技術研發與產品開發🐣🐣

今天先來和大家介紹109年度鈦隼生物科技股份有限公司執行一年期計畫的成果👏👏

🍀產品名稱：整合醫學影像融合技術於 NaoTrac 腦部導航系統

🍀技術介紹：主要為腦影像融合導航定位系統，結合機器手臂定位技術，建立手術導航系統。

👉技術細項包含機器手臂本身的硬體架構，影像對位演算法及優化，以及透過影像融合進行　
手術的精準度效能評估。影像系統包含術前核磁共振、斷層掃描、以及正子斷層掃描的影像，提供給手術醫師整個腦部資訊的位置，進而以電腦視覺取得腦部病灶與物理相關位置特徵進行定位，並驅動手臂與產品技術中影像計算結合，進行影像的運算與比對，提供醫生目標病灶的資訊位置，以評估病情與建立手術方案🤩。

此研發成果能強化臺灣於高階醫療器材之研發能量，帶動國內廠商落實產品國際化，並與國際醫療器材市場接軌，為臺灣創造更多的市場與機會🎯🎯。

人臉辨識，就是用科技計算的方式，來比較臉部視覺特徵，藉此鑑定身分的一種電腦技術。

其實我們可以把人臉辨識想像成是一套演算法，各種不同的廠商或公司可能會有不同的演算規則。但整體的邏輯是一樣的，通常會先偵測人臉、然後進行臉部校正與擷取特徵、再進行比對工作。

當攝影機拍到你的時候，它第一步也會先切成一張一張的影格，然後去找到你的臉，就像是我們相機在拍照的時候，它不是會在臉旁邊出現一個框框讓你比較好對焦，這就是使用了人臉偵測的技術。

也因為人臉其實有一些特徵，所系統會開始擷取一些我們臉上出具有「辨別度」的特徵，像是顴骨的形狀啦、眼窩的深度之類的，一張臉大約有80幾個識別點，但也因為拍攝時可能剛好低頭或轉頭，或是受到光線影響之類的，有些系統會在抓取特徵的時候也要進行校正，利用人中啊、眼睛啊或嘴角之類的作為錨點，將人臉校正到同一個比較基準。現在也有2D轉3Ｄ的技術，用3D模型來計算你不同角度應該是長什麼樣子。那抓出這些特徵以後呢，這個演算法會把你臉上用這些特徵畫出來的向量，轉換成編碼，於是你這個人獨特的特徵就可以用一串數字來代表，最後再送到資料庫進行比對。

雖然人臉識別這個技術早再很多年前就已經開始發展，但是到這幾年因為電腦計算速度大幅加快、雲端技術成熟，才有較大的進展。而且這樣子一套演算法，還需要透過ＡＩ深度學習，模擬我們大腦神經網絡的運作，然後從大規模未標記的資料中學習，來建立出一套演算法、不斷優化出更好的模型。才能讓辨識度越來越準確。

不過即使臉部辨識技術已經發展了一段時間，辨識準確度卻還是有待加強，美國國家標準暨技術研究院 (Nist) 的一項測試就發現，2014年到2018年期間，人臉辨識系統因為深度學習的技術，失敗率從4% 降到 0.2%。BUT！資料庫中的照片跟現實生活中可不一樣，每個人頭擺的角度、臉出現在畫面中的位置、拍攝光線、畫素、有沒有戴帽子、帶圍巾或變老，這些都會影響準確度。而且目前雙胞胎的辨識，還是一大難題。

像是英國南威爾斯警方2017在歐洲足球冠軍賽期間，測試一款全新的AI臉部識別程序，可以搜尋比對資料庫裡面的50萬筆潛在罪犯資料，結果系統在17萬名觀眾當中，配對了2470人為潛在目標，但是錯誤率高達92%。

Amazon 2016年推出影像辨識 AI 系統Rekognition，也曾經把28名國會議員辨識為罪犯，讓大家都嚇到吃手手。美國奧蘭多市政府也從 2017 年開始與 Amazon 合作進行先導計劃，在市內幾個地方架設監視器，實時進行人臉辨識，希望可以找出通緝犯等特定人士，幫助執法。不過在 15 個月的測試中，卻發現系統經常誤判，準確度常常出問題，後來在2019年終止這項合作。

人臉辨識跟很多技術一樣，就是個雙面刃。雖然這項科技已經越來越進步，而且透過電腦的深度學習，讓判讀的準確度大大提升，但它仍然不像DNA那樣，正確度高達99.9%，可以作為決定性的判定標準。
--------------------------------------

《#范琪斐ㄉ寰宇漫遊》每週四晚間十點在 #寰宇新聞台 播出，沒跟上的也沒關係，歡迎訂閱我們的 YouTube 頻道 🔔#范琪斐ㄉ寰宇漫遊 🔔https://reurl.cc/ZvKM3 1030pm準時上傳完整版！