本場演講將以胸部X光腫瘤辨識應用為例，分享我們醫院如何利用 Python 相關技術開發「醫療影像標註系統」、「即時醫療影像辨識AI平台」的經驗。
演講內容將會包含：
- 醫學影像標註系統的設計考量：標註肺部腫瘤需要領域專家的參與，將分享如何設計一個流程及標註系統(Flask, Vue.js)以產生高品質的標註資料集。
- 深度學習模型封裝及佈署：以 AI Model/API/Client 的架構(PyTorch, Flaskrestful api, docker)，讓資料科學家可以方便的佈署訓練好的 AI Model，並讓 AI 平台具備橫向擴展性
- 即時胸部X光腫瘤AI平台：
+ 如何利用 micro service 架構串接 data pipeline 各個模組
+ 串接線上的X光影像PACKS系統：
* 整合 APScheduler進行事件排程及觸發
* 整合 PyDicom 進行影像檔案解析
內容會比較著重於如何將深度學習模型包裝成線上服務的經驗，而不會探討深度學習的模型及訓練細節。
備註：建議聽眾朋友有一點機器學習背景（入門課程）與略有後端開發經驗（半年+）
本演講的大綱如下：
- 醫學影像標註系統的設計考量：標註肺部腫瘤需要專業的領域知識，就胸部X光影像來說需要的是放射師及放射科醫師來標註，一張胸部X光影像是否有肺部腫瘤可能二位醫師就有會不同的看法，我們也設計了一個流程及標註系統(Flask, Vue.js)來以產生比較正確的標註資料集。
- 深度學習模型封裝及佈署：
會訓練 deep learning model 的 scientist 通常不了解如何將 AI model 包裝成線上服務，我們參考了 AI Model/API/Client 的架構，利用 Flask 將 AI model 包裝成一個 restful API，並以 docker image 的方法來佈署；資料科學家可以方便的佈署訓練好的 AI Model，也讓 AI 平台達成個別 AI model 的橫向擴展性
至於佈署的方法是以 [Ansible playbook](https://chusiang.github.io/ansible-docs-translate/playbooks_intro.html) 來實現一鍵佈署
- 即時胸部X光腫瘤AI平台：
+ 如何利用 micro service 的架構串接 data pipeline 各個模組
* 將介紹 PCAKS -> image server --> inference server --> AI model --> HIS 各個模組的串接。每個 micro service 都是以 flask 包裝 restful api, 再以 docker image 的機制作佈署
+ 串接線上的X光影像PACKS系統：
* 利用 [APScheduler](https://pypi.org/project/APScheduler/) 進行事件排程及觸發：以 Polling 機制跟 PACKS 溝通是否有新的胸部X影像，然後會往下觸發 inference server (Flask, Celery) 的排程。
* 醫院中所有的醫療影像(ex. X光, 電腦斷層, 核磁共振..) 都是以 DICOM 的格式儲存於 PACS 系統，因此要落地的AI應用一定要能介接 PACS 以及解析DICOM。
我們整合 [PyDicom package](https://pydicom.github.io/) 來進行影像檔案解析，再儲存到 AI 專用的影像資料庫
- 未來可能的改善作法：ex. 目前影像資料庫儲存機制還是採用傳統的NAS，之後有打算實驗 object storage (ex. [MinIO](https://min.io/)) 若有新的進展，也會加入分享內容。
本演講內容將會聚焦於醫療領域應用的實務需求考量，另外再簡介團隊實作的機器學習與 Backend 技術。
註： [PACS(醫學影像存檔與通信系統)及 DICOM 簡介](https://zh.wikipedia.org/wiki/醫療影像儲傳系統)
