大數據是什麼？
大數據（Big Data) 又被稱為巨量資料， 隨著儲存設備越來越便宜， 越來越大量的資料被儲存，不論企業或研究員都開始思考, 巨量資料對我們的幫助以及如何從中萃取知識。
目前大數據用資料特性可以定義為以下5V:
- Volume（容量/大）：資料量「大」。像是網頁資訊，在社群軟體內，每天可能會產生數億個文章以及按讚、回覆資訊，而日積月累下，將會存放非常巨量的資料。
- Velocity（速度/快）：資料產生和更新速度「快」。
- Variety（多樣性/雜）：資料來源多元、總類繁多，格式雜「亂」，儲存大量的非結構化資料(Unstructured data)。
- Veracity（真實性/疑）: 對於資料的質量與可信賴度存「疑」。
- Value（價值/珍）：資料量龐大，「珍」貴的資訊藏在其中。
簡單來說，大數據就是資料量大、產生快速、結構複雜且資料髒亂，用傳統的儲存方法以及運算軟體無法處理。
然而，這些大數據資料在現今已經如同公司的資本，隨著科技的進步，越來越多新技術以及設備能應付大數據的發展，藉此產生出許多擁有高獨特性、有價值的產品。
因此，我們可以說
「擁有數據，就等於掌握霸權」
[optin-monster-inline slug=”efwng9h4usmda0bxuwbi”]
什麼是「醫療」大數據?
在醫院，每天都會產生數以萬計的資料。
每個病人來到了醫院，會做各種不同檢查，像是量測病人的身體資訊(身高, 體重), 生命特徵(血壓, 心跳, 呼吸速度等等) 或是 放射影像 ( X-ray, CT 等等 )。
而這些檢查的結果都會被存放在醫院的資料庫內，並且隨著時間不斷的倍數增長，對於醫師和研究員來說，這些數據埋藏了許多寶藏在裡面，相對的，也埋藏了許多陷阱。
醫療數據比你想像中的還要髒亂，”大數據不等於好數據”
像是新生兒的名字，在一開始建檔的時候會寫成 “XXX之子”; 或是時態的資料，每個科別都會有自己的儲存方法 (ex: 年/月/日, 月/日/年, 年/月/日 時:分:秒) 等等，尤其是急診資料，在很多緊急情況下，醫師或是護理師時常會不小心輸入錯誤資訊。
但是當克服這些資料髒亂問題後，我認為「 AI + 醫療大數據」可以產生無限種可能。
只有在醫院的資料才能將病人的疾病歷程建立起來，包含著這個病人用過哪些藥，做過哪些手術，術後狀況如何等等資訊，當擁有這些資訊後，絕對可以針對各個病人做出精準治療。
資料科學五大 Q&A：如何成為資料科學家？資料科學產業的未來
但實際上AI醫療數據為甚麼會失敗
「AI in Healthcare」 議題其實已經有許多大企業開始投入開發，但是 Watson 和 Google都陸續宣告失敗[1]，原因是什麼呢?
我以個人觀點列出以下原因:
- 醫療體系封閉
醫療資料因為隱私的問題，基本上是完全無法攜出各醫院的，導致資料和模型在各醫院無法做交流。當資料量不夠全面時，各醫院訓練出來的模型通常都會有資料偏差(Bias)問題，使得A醫院訓練出來的模型無法在B醫院使用。
要做一個所有人都可以使用的AI模型很難
當資料集的某些元素比其他元素具有更大的權重或大小時，我們稱之為有偏見的資料集，此類的資料集通常做不出通用模型，從而導致結果偏斜，準確性水平低和分析錯誤。舉例來說: 當資料集內都只有黃種人資料而訓練出來的模型，通常用在白種人的資料集內會導致結果與預期差距甚大。
- 資料面的問題
我們從標籤(label)來談討，對於同個病徵的病人，不同醫生可能會下不同的診斷，就算是相同體系教學出來的醫師，都有可能會有不同的見解，這樣會導致在相同的特徵底下，會有不同的標籤產生，我們稱這樣的資料是擁有雜亂標籤(noise label)的資料。說直白的，AI 模型就是從大量資料中找出規則，但是如果連資料本身的標籤都沒辦法穩定的話，AI也會跟著不知所措。
醫療資料面的另一個問題為資料不平衡(Imbalanced Data)問題，通常患病的病人在所有資料中可能會占的相當少數。舉例來說: 以癌症預測為例，根據國健署最新癌症登記報告，107年男性年齡標準化癌症發生率為每10萬人口341.3人，也就是說資料標籤分布為99659:341，比例相當懸殊，在這樣的資料分布底下，只要我模型全猜病人都是健康的人，準確度就會是99%，而這樣的模型不是我們想要的。
醫療資料會有 noise label 和 imbalanced data問題需要解決
- 現行的AI演算法，高準確度的模型大多都十分複雜，尤其是深度類神經網絡，由於多個隱藏層與大量非線性神經元的轉換，幾乎難以理解輸入和結果輸出之間的關係。模型頂多跟你說現在預測這個結果的機率是多少，卻很難解釋背後的理由是什麼。然而，模型解釋性對於醫生來說十分重要，他的決定必須對看診的病人有所交代，因此決定的前因後果必須要清楚。
AI模型在醫院不應該是黑盒子，應該是要可以打開和醫生一起探討其因果關係
醫療AI需要注意的問題
- 8:2 法則 → 6:2:2 法則
在學校聽到的 8:2 法則，在資料界裡面代表，通常在一個AI專案裡，清理資料通常會花掉8成的時間，訓練模型的時間戰剩下2成。但是場景換到醫療領域，我認為應該是 6:2:2 法則，清理資料的時間佔六成，訓練模型的時間佔兩成，而剩下的2成的時間會花在臨床驗證上(包含申請IRB資格，設計驗證標準等等)。臨床驗證的成功與否是決定這個專案成功或失敗的關鍵，要考慮模型在真實場域上是否能擁有足夠的穩健性，通常驗證時間會花到三到六個月。
- 資料標註要注意的事情
通常擁有標籤的醫療資料很少，舉例來說，假設我們想用胸腔X-ray圖做癌症病癥的偵測，就必須拿影像請醫生幫我們標註出癌症的確切位置，後續才能丟入AI模型做訓練，但是在請醫師標記前一定要建立標註標準!!!
下圖為範例，左邊是一張需要被標註的資料，而中間那張和右邊那張都算是標出病徵的區域，但是對於模型來說這兩張標籤是完全不同的，因此，在請醫師標註前最好先定好標準，像是標記的精確度、標記的工具等等。
任何不精確的標註都可能使AI做出物意義的輸出
- 影像標註軟體推薦
- https://github.com/wkentaro/labelme
- 文本標註軟體推薦
- https://github.com/doccano/doccano
- 要考慮到資料特徵的成本
在醫療資料裡面，其實特徵是擁有成本的。像是病人的身高、體重因為很好取得，所以獲取的成本會比較低，而需要抽血或是需要拍攝X光才能獲得的特徵，獲取成本相對地就會十分的高。當一個病患到醫院看診時，通常不能馬上取到抽血的資訊，如果模型在訓練的時候有使用到抽血的資訊的話，這時候產生出來的預測結果一定會失真。成本的取得需和醫師討論才能更符合真實情境，最終產生的AI模型一定要是成本最低，準確度最高的模型，這樣對於真正的應用情境才會是最有幫助。
解決方法
以下我會針對上面提到的困難，介紹一些現有處理的方法
- 當出現資料偏差(Data Bias)該怎麼做?:
在醫療資料內，會有很多原因造成資料偏差，包含病人的生理差異(男生/女生)、種族差異(黃種人/白種人)、甚至社會文化差異(閩南人/原住民)。訓練偏差的資料會產生偏差的模型，而導致錯誤的分類結果。而為了解決此問題，可以嘗試使用 Google 在2017年提出的新想法 — 聯邦式學習 (Federated learning) $^2$。在近幾年，AI LAB致力於推動台灣的聯邦學習醫療聯盟[2]，期望能共同打造善用台灣醫療大數據的智慧醫療產品。
資料偏差議題可以參考的影片 :
推薦的聯邦學習Python Package: https://www.tensorflow.org/federated
聯邦式學習的主要概念是去中心化，在不交換資料樣本的情況下，統合多個分散的邊緣裝置或伺服器上演算法訓練的結果，更新模型權重，使得模型能擁有更高的穩健性
- 當出現雜亂標籤(Noise Label)該怎麼做?
在很多的AI專案裡面，其實會遇到很多標籤錯誤的資料，如何辨識標籤錯誤，是一件重要的任務，尤其在資料量十分巨大時，這項任務會變得更加艱鉅。在醫療資料內，因為不同醫師對於同份資料的見解時常會有出入，所以去除Noise label是個必要處理的步驟，關於 Noise label 議題，在學界其實有許多論文已經有在探討了，我們可以透過一些演算法的篩檢，在訓練時先去除掉不確定性高的資料，藉此提升模型的效果。
推薦的Python Package : https://github.com/cgnorthcutt/cleanlab
- 當出現資料不平衡(Imbalanced data)該怎麼做?
(陰性樣本為沒患病的人，陽性樣本為有患病的人)
- 抽樣方法:
- Oversampling: 隨機複製多個陽性樣本，使得陽性樣本和陰性樣本比例達到 1: 1
- Downsampling: 隨機丟掉多個陰性樣本，使得陽性樣本和陰性樣本比例達到 1: 1
- 產生合成樣本: 透過合成的方法增加正樣本
常見演算法: SMOTE/ AdaSyn/ Bayesian Network/ GAN
- 集成學習 (ensemble learning): 結合多個弱分類器產生強分類器
常見方法: Bagging/ Boosting
- 調整損失函數(loss function): 在訓練的時候，當陽性樣本預測錯時，給予此次學習較大的懲罰值
推薦的Python Package : https://imbalanced-learn.org/stable/
- 模型解釋性
通常解釋力高的模型，由於結構簡單（例如：線性回歸，決策數等等）難以處理比較複雜的問題( 例如：文本生成，影像辨識等等 )。反之，複雜的模型可以得到較高的準確度，但由於模型結構複雜，人類難以理解特徵與結果的關係。通常有兩種方法來解決:
a. 發展新的可解釋演算法
- LIME : https://github.com/marcotcr/lime
- SHAP: https://github.com/slundberg/shap
- NBDT: https://pypi.org/project/nbdt/
b. 找出事後可解釋的方法 (事後歸因)
通常會使用視覺化的方法來解釋，透過繪製顯著圖（saliency map）是最廣為使用的方法，它可以讓我們了解一張圖片中，哪些特定部位對模型結果預測的影響較大，如下圖，醫生可以從這樣的表示方法來知道我們的AI模型主要是看圖片的哪個區塊來做預測的。
結論
如果把AI比喻成一艘行駛在水上的大船，而水就是我們的大數據。水亦能載舟，也能覆舟。在航行的時候，會遇到各種不同類型的水，要怎麼航行到達目的地，就要靠各個掌舵人大顯身手了。
「如果你懂海，海就會幫你」— 海龍王彼得
