主要工作內容
研究動機
慢性病是國人的健康殺手，根據調查，全民健保支出逐年成長，從健保署公佈的10大花費最高的疾病可以看出，慢性腎病高居首位，而其中洗腎人數超過9.2萬人，其次則是第二型糖尿病。而衛生福利部於民國108年國人10大死因調查中，糖尿病是死亡率第五高、高血壓性疾病以及腎炎腎病症候群及腎病變則分別是第八和第九高，高血壓、糖尿病以及慢性腎病可以說是台灣非常常見的慢性疾病。
另一方面，近年因憂鬱傾向而求助醫師的人也有增加趨勢，現全台將近200萬人有憂鬱症狀，約佔總人口的8.9%，其中重度憂鬱者約125萬人，約佔5.2%。從以上數據來看這些疾病的罹患機率都不低，困擾著不少民眾，但若是想檢驗是否患有這些疾病，通常需要在健康檢查時分別檢測，例如糖尿病檢查為測量空腹血糖值或口服葡萄糖測試，腎功能檢查依靠抽血和驗尿，但是若沒有出現症狀，比較難在早期發現問題並且進一步作檢測，可能因此錯失早期治療的機會，所以想透過使用深度學習的方法，從腦部磁振造影影像輔助判斷是否罹病。
研究方法
因為一般的檢查流程是讓醫師去檢視磁振造影的腦部影像，然後依據經驗來判斷是否有可能罹患疾病，若使用 AI 可以幫助區分影像，專題預計使用深度學習架構下的模型來建立疾病輔助診斷系統，降低醫務人員的負擔。
研究過程
第一步先採用最原始、未調整的模型，開始訓練後幾星期的成果都是不太正常的，預測結果非常不穩定，所以程式執行上老師建議可以用實驗的方式先設定較高的epoch觀察看看，看看參考指標是否穩定。在程式執行時雖有輸出資料，但因為對資料內容不熟悉，會判斷錯誤，所以花了不少時間去理解結果，也改進收集資料的方式和收集的內容，讓程式輸出的內容是可以直接作圖或比較的格式，節省整理的時間，也以此作為後續調整的依據。
原本的模型在抽出圖片做訓練時，是取亂數選擇圖片的，在老師的解說後我才了解因為資料筆數不多，程式也應該做改變，於是把程式改為每一份圖都放進模型訓練。除此之外，深度學習對於資料很敏感，所以在把輸入的檔案分為訓練資料和測試資料之前，應該先將資料種類平均分配，盡量維持各種分類的比例，也該過濾掉一些雜訊或是不必透過訓練就可分類的資料，避免訓練過程產生偏誤，保持模型架構在訓練過程不被擾亂。在這部分開始需要修改程式時，我發現自己對撰寫程式這件事遠比預期中的不擅長，容易想不到解決的辦法，所以常常土法煉鋼寫冗長程式碼試圖解決問題。在練習之後稍微進步了一點點，但距離熟練應該還是很長的路。
實際在訓練時印象最深刻的是憂鬱症是否患病的分類，在憂鬱症這份資料中分類0的數量很少，也就是患病的比例極低，比例上失衡也許會造成訓練結果不佳。所以後來先計算四種疾病的0,1標籤比例，然後先做比例較平均的那一組資料，那時老師也建議改做訓練效果較好的洗腎，比較能看出結果，不會因為本身特徵不明顯等因素，誤判為模型有問題。這部分因為掌握程度低，我的思考方式多半都會有錯，在老師講解後才明白可以這樣思考。我覺得蠻有挑戰性的，雖然只是一個小錯誤，但仔細想想自己很多部分都不熟悉，會在很多步驟都有下錯誤決定的毛病，導致需要重複進行實驗，但卻沒有太多進度。