國立政治大學統計學系
學 術 演 講
學 術 演 講
主講人：廖柏翔醫師(臺北榮民總醫院急診部)
題 目：從像素到機率：醫學影像深度學習中的統計觀點
時 間：民國115年4月20日 (星期一) 下午1：30
地 點：國立政治大學逸仙樓050101教室
摘 要：
近年來，深度學習技術已大幅改變醫學影像分析的發展，使得電腦能夠自動從高維度影像資料（如電腦斷層與磁振造影）中進行疾病偵測、分類與分割。然而，這些方法的核心概念，實際上與統計學中的最佳化、函數估計等理論密切相關。
本演講旨在從統計觀點出發，介紹深度學習於醫學影像中的方法與挑戰。首先，將說明醫學影像與一般自然影像之間的重要差異，包括三維體積資料特性、類別不平衡、標註不確定性，以及臨床資料中的雜訊與偏誤等問題，並探討這些特性如何影響模型建構與推論。本演講將系統性介紹醫學影像分析中的三大任務：分類（classification）、物件偵測（object detection）與影像分割（segmentation）。針對不同任務，將從統計角度解析常見的損失函數（如cross entropy、focal loss、Dice loss）及其所對應的估計目標，並討論常用評估指標（如AUROC、Dice coefficient與Intersection over Union）在類別不平衡與空間相依結構下的統計性質與限制。
最後，將探討統計學在此領域中的潛在貢獻方向，包括不確定性量化、弱監督學習、因果推論，以及多模態臨床資料整合等議題。本演講亦將結合急診臨床電腦斷層影像之實際應用案例，說明深度學習模型在臨床決策中的角色與挑戰。
本演講期望促進統計學與醫學影像人工智慧之跨領域交流，並指出此領域中尚待解決的重要統計問題。
本演講旨在從統計觀點出發，介紹深度學習於醫學影像中的方法與挑戰。首先，將說明醫學影像與一般自然影像之間的重要差異，包括三維體積資料特性、類別不平衡、標註不確定性，以及臨床資料中的雜訊與偏誤等問題，並探討這些特性如何影響模型建構與推論。本演講將系統性介紹醫學影像分析中的三大任務：分類（classification）、物件偵測（object detection）與影像分割（segmentation）。針對不同任務，將從統計角度解析常見的損失函數（如cross entropy、focal loss、Dice loss）及其所對應的估計目標，並討論常用評估指標（如AUROC、Dice coefficient與Intersection over Union）在類別不平衡與空間相依結構下的統計性質與限制。
最後，將探討統計學在此領域中的潛在貢獻方向，包括不確定性量化、弱監督學習、因果推論，以及多模態臨床資料整合等議題。本演講亦將結合急診臨床電腦斷層影像之實際應用案例，說明深度學習模型在臨床決策中的角色與挑戰。
本演講期望促進統計學與醫學影像人工智慧之跨領域交流，並指出此領域中尚待解決的重要統計問題。
