人工智慧在睡眠醫學的崛起（The Rise of AI in Sleep Medicine）

此研討會介紹了人工智慧在睡眠醫學領域的各種創新應用和研究進展。包括了如何利用AI技術提高睡眠障礙的診斷準確性，開發新的治療方法，以及對睡眠質量進行更深入的分析和評估。講者提供了豐富的臨床案例和研究結果，說明了AI如何在睡眠研究和治療中發揮重要作用，從而提高了患者的治療效果和生活質量。

人工智慧革命化醫療保健：梅約健康管理中心廖健仲院長

隨著科技的進步，人工智慧（AI）已經成為醫療保健領域的一大革命力量。從梅約健康管理中心廖健仲院長的演講中，我們可以看到AI技術如何在提高診斷準確性、疾病預測、以及提供個性化治療方案方面發揮著關鍵作用。

以病人需求為中心的AI應用

廖院長分享了其在MailClinic進修期間，深受”以病人需求為優先”這一核心價值觀的影響。這一價值觀不僅指導了他後續的醫療實踐，也成為了他運用AI技術時的基本原則。AI的引入，讓醫療專業人員能夠釋放更多時間來關注病人的實際需求，從而提升病人的治療體驗和治療效果。

遠程醫療和個性化健康管理

在遠程醫療方面，廖院長介紹了其創立的”Doctor Here Online”平台，這一平台讓醫生和患者能夠跨越地理限制進行有效的醫療溝通。此外，AI技術在健康管理方面的應用，如透過數據分析提供個性化的健康建議，也是未來醫療服務不可或缺的一部分。

人工智慧(AI)技術應用在醫療領域

透過人工智慧(AI)技術的應用，醫療領域的工作效率得到了顯著的提升，尤其在醫院住院照護領域，包括醫師和助理人力的不足、照護中的盲點以及值班壓力等問題得到了緩解。透過AI的分析能力，即使在夜間值班時缺乏直接的醫師指導，也能夠有效處理病患問題，減少必須直接呼叫主治醫師的情況。
AI技術的應用範疇包括從病歷的歷史資料標記(history tagging)、病例分析到醫囑的開立，使得醫療工作流程大幅簡化。例如，在模擬病例的情境下，透過語音辨識上傳病歷資料，AI能夠自動完成病患的主訴、現病史、過去病史、系統回顧、體格檢查等資料的整理，並提出評估與計畫，包括可能的疾病診斷和治療建議，甚至包括住院醫囑的開立。
此外，AI的運用不僅限於住院病患管理，對於門診病人的照護也同樣有效。透過對話分析，AI能夠迅速整理出病患訪談的重點並產生相應的診斷和建議報告。這種技術在神經科和精神科等需要大量歷史資料標記的領域尤其有用，能夠有效減少醫師與病人交流時花費的時間，同時提高診斷和治療建議的準確度。
健康檢查報告的生成也是AI技術應用的一個亮點。在過去，醫院可能會使用相同模板生成健檢報告，導致報告內容過於雷同。現在，借助大型語言模型的能力，每份健檢報告都能夠根據病患的具體情況生成個性化的分析和建議，不僅提高了報告的質量，也增強了病患的滿意度。
“Dr. AI”是一個先進的醫療諮詢平台，它利用AI技術為醫生和患者提供即時、精確的醫療信息和建議。這個平台能夠理解和處理多達100種語言，從而打破了語言障礙，使全球的醫生和患者都能夠輕鬆溝通。
Dr. AI通過先進的語音識別和自然語言處理技術，允許醫護人員以自然語言輸入病歷信息、病情描述等，並能夠提供相關的診斷建議、治療方案以及健康管理建議。這不僅大大提高了資料記錄和診療計劃制定的效率，也使得醫護人員能夠釋放更多時間來關注患者的實際需求，從而提升了醫療服務的質量。

結語

Dr. AI平台的應用展示了AI技術在醫療保健領域的強大潛力。通過提高診斷和治療的準確性，實現個性化的健康管理，以及促進醫患之間的有效溝通，AI正在幫助我們邁向一個更高效、更精準、更人性化的醫療保健新時代。我們期待未來AI在醫療保健領域能夠發揮更大的作用，為全球人類健康作出更重大的貢獻。

AI在睡眠醫學中的具體應用：臺北醫學大學劉文德醫師

睡眠醫學領域正經歷一場革命，這場革命由人工智慧（AI）和物聯網技術推動，致力於實現精準睡眠醫學的願景。臺北醫學大學的劉文德醫師，一位在AI工程領域表現出色的學者，透過其在睡眠醫學的研究與應用，為我們展示了這一變革如何深刻影響我們對睡眠障礙的理解和治療

結合AI與物聯網技術的精準睡眠醫學

劉文德醫師的研究重點在於結合人工智慧與物聯網科技，開發出能夠精準監測和診斷睡眠障礙的新技術。透過持續獲得科技部的資助，他的團隊致力於開發可以實時監控睡眠狀態，並提供個性化治療建議的系統。這些系統不僅能夠幫助醫生更準確地診斷睡眠呼吸健康問題，還能夠為患者提供更加個性化的照護計劃。

用AI輔助判定睡眠障礙

利用AI預測睡眠呼吸障礙的嚴重度：透過簡單的臨床數據如年齡、性別、BMI、頸圍和腰圍，劉醫師團隊開發的AI模型能夠預測睡眠呼吸障礙的嚴重度，達到大約75%到80%的準確率。
開發出預測純粹失眠或與其他疾病共病的失眠：通過加入血氧參數，模型能夠更精確地預測患者是否只有失眠或是失眠與其他疾病（如慢性阻塞性肺病）共病的情況，準確率近80%。
透過身體成分分析評估睡眠障礙：利用TANITA體成分分析儀器，研究團隊分析睡眠前後體內水分變化，這種變化與睡眠時上呼吸道阻塞程度相關。這項研究基於身體水分從下肢到上肢的重新分布，這種現象可以導致上呼吸道的狹窄。
提升居家睡眠檢測的效率和準確性：比較了同一個人在家和在醫院進行睡眠檢查（PSG）時的OSA嚴重度，發現家庭檢測的嚴重度與生物標誌物的相關性更為顯著。這提示在醫院進行的PSG可能受到多種因素的影響，例如貼上眾多導線可能讓病人不自覺地增加仰睡的比例，從而影響檢測結果的準確性。

用AI輔助判定睡眠是否增加其它疾病的危險性

體位性OSA（positional OSA）和非快速眼動期（non-REM）睡眠的穩定度：這兩者，特別是非REM期呼吸不穩定性較高的病患，其心血管問題的風險亦隨之增大
呼吸中止症(OSA)與阿茲海默症tau蛋白的相關性：呼吸中止症(OSA)血氧下降的嚴重度與tau蛋白的相關性不如OSA所造成的自發性覺醒的相關性高。而且OSA患者經過三個月的連續正壓呼吸器(C-PAP)治療後，患者的tau蛋白水平顯著降低。

用AI輔助判定危險駕駛

分析駕駛時的異常駕駛行為，例如不正常的加速、減速或轉彎，我們利用手機上的G-sensor來檢測這些異常行為。此外，透過配戴的手錶測量心率變異性（heart rate variability, HRV），我們發現異常駕駛行為越多，通常表示該駕駛休息得越不充分。
HRV的一個特定參數是RMSSD，這反映了相鄰兩次心跳之間的變異度，這個參數通常用來評估個體的壓力反應和調適能力。在進行需要持續調整如駕駛市區時，HRV會增加，反映出高度的心理壓力和警覺狀態。研究中有趣的發現是，在駕駛員出現異常駕駛行為的前五分鐘，他們的RMSSD會突然升高。也許這可以做成給駕駛員的一個警訊，避免入睡導致車禍

結語

人工智慧在睡眠醫學的應用，正在開創一個全新的治療與管理睡眠障礙的時代。劉文德醫師及其團隊的工作，展現了科技如何幫助我們更好地理解睡眠過程中的複雜性，並提供了一種全面而精準的方法來改善睡眠質量。隨著技術的不斷進步，我們有理由相信，未來的睡眠醫學將能夠為患者帶來更多的福祉和改善。。

睡眠障礙的臨床應用：國立陽明交通大學楊智傑教授

睡眠醫學在近年來逐漸受到重視，其中，失眠和阻塞性睡眠呼吸中止症（OSA）作為兩種常見的睡眠障礙，其影響範圍廣泛，不僅影響患者的生活品質，甚至與多種慢性疾病有關。國立陽明交通大學的楊智傑教授在睡眠醫學領域的研究，尤其是針對失眠和OSA的臨床應用上，提出了多元化治療策略和創新技術的應用，旨在提供更有效、個性化的治療方案，從而改善患者的睡眠質量和整體健康狀況。

睡眠障礙診斷的重要性與挑戰

睡眠障礙的診斷是一個複雜而多面的過程，需要對患者進行全面的評估和分析。楊智傑教授指出，有效的診斷不僅需要一個完善的檢查室，更需要即時的睡眠訓練和多元化的治療策略。由於睡眠障礙的類型繁多，包括精神相關、身體相關和神經相關的睡眠障礙，這些障礙的治療方法和策略也應該因人而異。

多導睡眠圖（Polysomnogram）檢查：人工智慧在睡眠醫學中的應用前景

多導睡眠圖（Polysomnogram, PSG）是當前診斷睡眠障礙的黃金標準。在臨床上，我們慣用這種方法來「看圖說故事」，透過分析患者睡眠過程中的各種生理訊號，深入了解睡眠的不同障礙和狀況。這包括從腦波變化、睡眠姿勢、腿部動作、血氧飽和度到心率及其自律神經功能的變化，每一個訊號都或多或少與失眠和阻塞性睡眠呼吸中止症（OSA）等睡眠障礙有關。
利用這些生理訊號，尤其是腦波和心跳變化，可以幫助我們更精準地診斷睡眠中的各種問題。對於失眠症而言，腦波變化和自律神經功能尤為重要；而對於OSA或其他與呼吸有關的障礙，血氧飽和度的直接變化與自律神經功能的關聯則更為關鍵。此外，像是不寧腿症候群和腿動症候群等神經相關的睡眠障礙，也會影響多個方面，包括腿部動作的變化及其對腦波和自律神經功能的影響。
隨著越來越多的傳感裝置被開發出來，我們有機會利用人工智慧（AI）從這些不同面向的數據中提供臨床上的指引。這涉及到如何利用數據工程的方法，讓我們在睡眠的臨床照護和診斷方面能夠有更好的發展。對於人工智慧在睡眠醫學領域的應用，重要的是它們能提供可解釋性的結果，幫助臨床醫生不僅了解AI如何輔助決策，還能深入理解疾病本身，進而改善病人照護。

AI幫忙判讀polysomnogram 做睡眠分析

多導睡眠圖（Polysomnograph, PSG）進行的是居家睡眠檢查，其數據與醫院進行的睡眠檢查有顯著差異。這項檢查主要針對40歲以上的受試者，聚焦於心血管疾病相關的問題。研究中利用頻譜分析方法和卷積神經網絡（CNN）來分析和識別不同階段的腦波訊號，並結合時序特徵的CNN，最終達到了相當平衡的靈敏度和特異性，準確率約為0.87。
N1、N2、N3 和 REM 是指睡眠分期中的不同階段，這些階段描述了從入睡到深睡，再到快速眼動（REM）睡眠的過程。每個階段都有其特定的腦波模式、生理反應和特徵。用這種CNN所做的分期, 在N1階段的準確率較低，因為N1階段的判讀標準較為模糊，且該階段的數據量相對較少。同樣地，N3階段的準確率也相對較差，受多種因素影響。當腦波從N2轉換到N3時，準確率可能進一步降低。不過，Wake、N2和REM階段的準確率較高，顯示出利用腦波進行自動睡眠階段判讀在一定程度上是可行的。
研究同時探討了是否可以利用心跳和呼吸訊號來推斷睡眠階段，這在開發居家睡眠檢查工具時具有臨床應用價值。儘管透過心電訊號和呼吸訊號進行的睡眠階段推斷在準確率上仍有待提高（大約70%的準確率），這表明單憑心跳訊號尚不能完全取代腦波進行睡眠階段的判斷。未來，透過更多的數據收集和演算法開發，可能進一步提高這種方法的準確率。目前，這種方法對於消費型電子產品來說可能足夠好，但作為醫療診斷工具仍有限。

疾病和患者分類分型

楊智傑教授提到一項進行於三年前的研究，該研究成功運用非監督式機器學習方法對睡眠障礙患者的數據進行分類，從而識別出在阻塞性睡眠呼吸中止症（OSA）照護中彼此間具有類似特徵的患者群組。這種分類方法的結果顯示，不同分類的患者在OSA的照護需求上可能存在差異。然而，楊教授指出，目前尚不清楚這些分類是否具有實際的臨床意義，並且在其他醫學領域，如失智症和精神科疾病的分類，使用這種方法也尚未顯示出顯著的成效。
楊教授進一步闡述了AI技術在改善病人照護中的潛力，特別是在OSA病人的持續陽壓（CPAP）治療遵從性方面。根據經驗，大約只有三分之一至一半的OSA患者能夠穩定地使用CPAP設備。楊教授引用的一項初步研究顯示，透過分析人口統計學特徵和其他客觀參數（如HI指數、基線HI、血氧飽和度和睡眠測量數據），可能預測患者對CPAP治療的遵從性。儘管這種預測的準確率大約只有70%，但這為使用AI來改進OSA患者照護提供了一個可能的方向。
這項研究強調了AI和機器學習在醫療領域潛在應用的前景，特別是在提高治療遵從性和個性化病人照護方面。透過進一步研究和開發，這些技術可能為OSA及其他疾病的管理提供創新的解決方案。

北榮的睡眠障礙研究

楊智傑教授及其研究團隊運用兩大類資料進行睡眠障礙研究，旨在提高對阻塞性睡眠呼吸中止症（OSA）的診斷精準度。這兩大類資料包括來自Sleep Health Health Study（SHHS）的居家睡眠檢查資料，以及台北榮民總醫院睡眠中心收集的臨床數據。
資料來源及其重要性

1. Sleep Health Health Study (SHHS)資料：此資料集包含了8000多筆居家睡眠檢查的資料，雖然缺少PSQI等睡眠問卷資料，但豐富的居家睡眠資料提供了一個珍貴的資源，用於開發和驗證新的睡眠障礙診斷工具和算法。
2. 台北榮民總醫院睡眠中心資料：包含了1000多筆詳細的臨床睡眠檢查數據，這些資料不僅包括睡眠品質問卷的回答，還有詳細的生理監測數據，是開發精準診斷工具的重要基礎。

研究方法與發現
- 楊教授團隊首先對這些資料進行預處理，以獲得乾淨、可分析的血氧飽和度（Saturation SpO2）信號。接著，通過分析血氧飽和度的變化特徵，如分布和基本統計值，開發出能夠檢測OSA的AI模型。
- 此外，利用問卷資料訓練另一個AI模型，透過病患的身體質量指數（BMI）、年齡、性別以及睡眠問卷中特定的問題（例如打鼾的頻率和睡眠中呼吸暫停的情況），來判定患者是否有OSA，這些模型達到了約85%的準確率，證明了其在臨床上的適用性和重要性。
獨立驗證與應用
- 透過進一步的獨立驗證，其中包括123筆平衡的資料樣本（包括無OSA、輕度和中重度OSA病例），這些模型的組合應用證實了高度的敏感性和準確性，即在OSA篩檢上達到了接近80%的精準度，並且能夠對中重度OSA進行有效的預測。
科技應用與未來展望
- 楊教授的研究不僅在學術上取得進展，同時也在技術應用上進行創新。團隊開發的睡眠管理應用程序（App），將研究成果轉化為用戶友好的工具，幫助人們更好地理解和管理自己的睡眠狀況。這些APP不僅限於睡眠管理，還包括認知功能評估、心臟健康監測等多方面的健康管理功能，展現了跨學科融合的巨大潛力。

結語

楊智傑教授在睡眠醫學領域的研究工作展示了對於失眠和OSA等睡眠障礙，如何通過創新的技術和多元化的治療策略進行有效管理和治療。從精準醫療到居家睡眠檢查的應用，楊教授的工作不僅提高了睡眠障礙治療的有效性，也為患者帶來了更多的便利和舒適。隨著人工智慧等先進技術的持續發展，相信在不久的未來，睡眠醫學將能夠提供更加個性化、精準和高效的診斷與治療方案，為廣大睡眠障礙患者帶來福音。

睡眠影像學：台北醫學大學吳昌慧教授

在當代醫學研究領域中，腦部影像學與人工智慧（AI）的結合，逐漸成為探索人類健康與疾病機制的關鍵途徑。特別是，瞭解大腦如何在睡眠期間運作，對於解開許多神經科學的謎題至關重要。台北醫學大學的吳昌慧教授，在這一領域做出了顯著的貢獻，尤其是他在睡眠影像學上的研究，開拓了新的研究視野，為我們提供了大腦活動和睡眠之間關係的新見解。

睡眠期間大腦活動的變化

在REM睡眠階段，某些大腦區域活動增加，而另一些則減少。這種活動的變化與我們在夢中的主觀感受，如鮮明的視覺和強烈的情緒反應，有直接的關聯。這顯示了大腦在夢境中發生的變化。
休息態功能性磁共振成像（resting state fMRI）是研究大腦功能連接性的一個重要工具。通過fMRI，研究者能夠觀察到不同大腦區域之間的協作和連接性，特別是前額葉皮質（MPFC）和後扣帶皮質（PCC）之間的連接性。這些連接在清醒時強烈，在深度睡眠時減弱，這表明這種連接性與自我意識的存在和消失有關。MPFC和PCC之間的高度連接性形成了所謂的“默認模式網絡”（default mode network），這一網絡在自我意識和睡眠狀態之間扮演了關鍵角色。
受試者在深夜進行MRI掃描的同時，配戴著腦電圖（EEG）以及其他診斷工具如肌電圖（EMG）、眼動圖（EOG）、心電圖（ECG），以進行綜合的睡眠階段監測（PSG）。這樣的設置旨在利用MRI的高空間解析度和腦電圖的高時間解析度的優勢，來更精確地研究睡眠過程中大腦的活動。然而，這種研究設置同時也面臨著由於MRI掃描產生的噪音干擾，對睡眠質量和腦電圖信號的影響。
深層睡眠期間，大腦某些網絡的連結性會變得孤立，顯示出睡眠深度與大腦功能網絡連結性的變化之間存在關聯。由於在MRI環境中很難進入REM睡眠，這為研究帶來了挑戰。
儘管直接使用腦電圖（EEG）或睡眠監測（PSG）數據能達到較高的準確率（約80%），fMRI資料在進行睡眠分期時的準確率較低，大約在60%到90%之間。這表明，儘管fMRI資料在睡眠研究中具有應用價值，但其準確性仍有改善空間。但可以大概得知受測者在做fMRI時是否清醒。

人工智慧（AI）技術處理和分析睡眠數據的潛力

用人工智慧（AI）技術來處理和分析睡眠數據有很大的潛力，尤其是在腦電圖（EEG）數據的雜訊移除和睡眠階段的自動評分方面。AI技術，如在GitHub上分享的Python代碼，能夠快速處理大量數據，提高研究效率。這些技術不僅能夠匹配臨床睡眠技師的評分，而且在準確性上也達到了相當高的水平，尤其是對於睡眠階段N1的判讀，儘管準確率仍有提升空間。
針對fMRI的四維資料，首先進行特徵選擇，將資料轉化為相關性矩陣，以比較不同睡眠階段（如清醒、N2、N3階段）間的腦區連接性差異。透過標記出有顯著差異的連接性，進一步使用多類別的支持向量法（SVM）進行分析，旨在實現基於fMRI資料的睡眠分期。

用fMRI建立相關性矩陣並進行睡眠階段的分析

為了分析大腦的功能連結性，研究者將大腦分成不同的區域（如100、200或400個區域），這種分區模板的選擇會影響最終分析的準確性。不同的研究目的可能需要不同的模板，並且沒有一種AI工具能適用於所有情況，因此選擇合適的工具並進行驗證是很重要的。
使用AI深度學習和神經網絡在模擬大腦處理過程的技術，透過多層次的分析，AI技術能夠揭示大腦在不同睡眠階段，如清醒、N2、N3階段的功能連結性變化。隨著睡眠深度的增加，大腦各網絡的連結性逐漸減弱，表明睡眠深度與大腦功能連結性的強度密切相關。特別是在N2階段，某些網絡的功能連結性變化性會突然增加，這可能反映了大腦在這一階段進行信息重新分配和區域性處理的生理機制。
在淺沉睡眠階段（M1、M2階段），我們的大腦可能會進行特徵選擇（Feature Selection），去除一些非關鍵訊息，同時保留一些重要的信息。隨後，大腦開始進行訓練（Training），利用某些突觸假說（如SHY假說）作為指導，從而生成新的神經網路。特別是在快速眼動（REM）階段或夢境階段，大腦會重新激活與日常生活相關的思緒和連結。這一過程在整個夜晚的睡眠中不僅發生一次，因為在多次出現REM階段的情況下，大腦會持續進行訓練和測試（Testing）。
這一歷程的一個關鍵點在於，它需要在無意識中進行。這引出了一個更抽象的概念問題：如果在這樣的進程中，AI模型能夠獲得深奧的回應，那麼AI是否也能像我們的大腦一樣發展出自我意識？這是一個廣泛討論的主題，也是新聞中經常提到的一個議題。

「Dream Reader」讀取夢境可能嗎

2008年，一位日本科學家提出了一個名為「Dream Reader」的概念，旨在透過MRI掃描技術重建人們所看到的圖像。這項技術利用多變量模式分析（MVPA），一種早期的機器學習技術，來分析受試者在觀看特定圖片時大腦視覺區的活動，並嘗試重建受試者所見的影像。雖然這個概念在2008年就被提出並發表在《Neuron》期刊上，但當時的技術尚未能精確達到完全重現夢境的程度。
隨著科技的進步，人們不滿足於僅重現靜態圖片，開始探索如何重現動態的夢境。到了2013年，研究者們開始使用更進階的分類技術，從大腦的視覺區活動中重現當下所看到的影像，進一步增加了重建影像的種類和精確度。
近年來，隨著深度學習技術的發展，研究者開始將注意力轉向更高階的視覺網絡，使用深度學習分析技術來重建更為精細的圖像。這些進步不僅讓我們對夢境重建的可能性有了更深的理解，也開啟了利用AI進行大腦活動解析的新領域。

結語

儘管實現如《刀劍神域》中描述的完全虛擬實境技術仍然遙遠，這些研究顯示我們正在朝著將AI和腦科學結合來探索人類意識和夢境的方向邁進。透過持續的創新和技術推進，我們可以期待未來在這一領域取得更多有趣和突破性的成果。