近年來，隨著台灣目前各項科技技術的進步與發展，人工智能對研究解決不同領域挑戰的方式產生顯著的影響，尤其是在醫療領域。由於嚴重特殊傳染性肺炎的發生，讓肺炎又受到了高度的關注。據我國衛生福利部的調查，國人死因統計當中，肺炎位居前三，而肺癌更是癌症死亡率之首。導致肺部疾病的成因很多，菸害與空氣汙染更是佔了不少比例，因此早期發現與治療成為了存活的關鍵，而胸部X光檢查是肺部疾病檢查最常見的診斷方法，但X光圖像需要經過培訓的放射科醫生來解釋，目前因為疫情的爆發，平日大量的影像也使醫事放射師和放射科醫師的工作負擔大幅增加，造成我國檢驗量能不足的現象，此外，在解釋時也可能因為各種因素導致結果誤判，因此需要一個可靠的解決方案。
本研究以阿拉伯的卡達大學(Qatar University)及位於孟加拉的達卡大學(University of Dhaka)的研究團隊與巴基斯坦和馬來西亞的醫生及合作者所共同創建的醫療圖像數據庫實施研究，利用卷積神經網路對醫療影像建構分類模型，透過卷積神經網路自動提取特徵的能力，以及良好的分類性能對四種類別的圖像進行分類，除了原始的卷積神經網路外，在輸出分類影像時，將卷積神經網路的分類替換為結合支援向量機，建構兩種分類模型並以交叉驗證、混淆矩陣、ROC曲線與Kappa係數對模型進行各項驗證與評估。
研究結果顯示，透過成對樣本T檢定得知分類模型之間的準確率與ROC曲線下面積皆無顯著差異，透過交叉驗證兩模型的平均準確率皆高於87%以上，平均ROC曲線下面積也高達0.97以上，具備良好的分類性能，此外，兩模型的Kappa係數值也高於0.82，具備良好的一致性，可供醫師作為輔助診斷之工具及參考。

In recent years, with the advancement and development of various technology in Taiwan, artificial intelligence has had a significant impact on the way of research to solve challenges in different fields, especially in the medical field. Due to the COVID-19, "pneumonia" has received high attention again. According to a survey conducted by the Ministry of Health and Welfare, pneumonia ranks among the top three causes of death in Taiwan, while lung cancer is the most deadly cancer. There are many causes of lung diseases, among which smoke and air pollution account for a large proportion. Therefore, early detection and treatment have become the key to survival. Chest X-ray examination is the most common diagnostic method for lung disease examination, but X-ray images need to be interpreted by trained radiologists. The current epidemic outbreak and the large number of images on a regular basis have significantly increased the workload of the medical radiologists, resulting in a shortage of examination capacity in Taiwan. In addition, the interpretation of results may be misinterpreted due to various factors, so a reliable solution is needed.
Therefore, this study uses a medical image database created by a team of researchers from Qatar University, Doha, Qatar, and the University of Dhaka, Bangladesh along with their collaborators from Pakistan and Malaysia in collaboration with medical doctors to construct a classification model for medical images using a convolutional neural network. Convolutional neural network was used to construct a classification model for medical images, and the ability of automatic feature extraction and good classification performance of convolutional neural network were used to classify the four disease images. In addition to the original CNN, the classification of CNN was replaced by the combination of support vector machine when outputting classified images. Two classification models were constructed and verified and evaluated by cross validation, confusion matrix, ROC curve and Kappa coefficient.
The results show that there is no significant difference between the accuracy of classification models and the area under the ROC curve by t-test of paired samples. The average accuracy of the two models was above 87% and the average area under the ROC curve were above 0.97, which had good classification performance. Moreover, the kappa coefficients of the two models were also higher than 0.82, which has good consistency and can be used as an auxiliary diagnostic tool and reference by physicians.

摘要 ...i
Abstract ...iii
誌謝 ...v
目錄 ...vi
表目錄 ...viii
圖目錄 ...ix
第一章 緒論 ...1
1.1 研究背景 ...1
1.2 研究動機 ...3
1.3 研究目的 ...3
1.4 研究流程 ...4
第二章 文獻探討 ...5
2.1 胸部X光 ...5
2.2 嚴重特殊傳染性肺炎 ...5
2.2.1 嚴重特殊傳染性肺炎的定義與臨床表現 ...5
2.2.2 嚴重特殊傳染性肺炎的預防 ...11
2.2.3 嚴重特殊傳染性肺炎的檢測 ...15
2.2.4 嚴重特殊傳染性肺炎的治療 ...16
2.3 病毒性肺炎 ...18
2.3.1 病毒性肺炎的病源體與臨床表現 ...18
2.3.2 病毒性肺炎的檢測 ...22
2.3.3 病毒性肺炎的治療 ...24
2.3.4 病毒性肺炎與細菌性肺炎的差異 ...24
2.4 肺部渾濁 ...25
2.4.1 肺炎相關的混濁 ...26
2.4.2 非肺炎性混濁 ...27
2.5 深度學習介紹 ...30
2.5.1 深度學習在醫學影像辨識的應用 ...32
2.5.2 卷積神經網路 ...34
2.5.3 卷積神經網路架構 ...35
2.5.4 激活函數 ...39
2.5.5 支援向量機 ...42
2.5.6 多分類SVM ...44
2.5.7 卷積神經網路結合支援向量機 ...44
第三章 研究方法 ...46
3.1 圖像資料採集 ...46
3.2 建構模型與系統 ...47
3.2.1 圖像與標籤預處理 ...47
3.2.2 訓練、驗證與測試資料 ...48
3.3 模型架構設計 ...49
3.4 模型驗證與評估 ...50
3.4.1 K疊交叉驗證法(K-Fold) ...50
3.4.2 混淆矩陣(Confusion Matrices) ...51
3.4.3 ROC曲線(Receiver Operating Characteristic curve, ROC curve) ...54
3.4.4 Kappa係數 ...55
3.5 差異性檢定 ...56
第四章 研究結果 ...57
4.1 模型分析 ...57
4.2 優化器比較 ...58
4.3 模型性能指標比較 ...59
第五章 結論與未來研究方向 ...64
5.1 結論 ...64
5.2 未來研究方向 ...65
參考文獻 ...66
Extended Abstract ...71

1.蔡易霖 (2021)。 [機器學習] 交叉驗證 K-fold Cross-Validation。2022年3月9日，取自：https://andy6804tw.github.io//2021/07/09/k-fold-validation/
2.陳潔、柯皓翔 (2021)。 COVID-19解藥，在哪裡？一次看懂全球藥物開發與進展。報導者。2022年1月8日，取自：https://www.twreporter.org/a/covid-19-drugs
3.古清仁、李俊宏 (2009)。 類神經網路與資料探勘技術在醫療診斷之應用研究。國立高雄應用科技大學電機工程系碩士論文，高雄市。取自： https://hdl.handle.net/11296/dnhe9w
4.何淑媛 (2020)。 超前部屬~淺談新型冠狀肺炎檢測方法。台大醫網，176期，頁25–26。
5.何宗翰 (2018)。 類別變數之統計檢定與無母數檢定。2022年2月5日，取自：
http://sub.chimei.org.tw/57300/index.php/research/research02/research02-2/research02-2
6.洪瑞蓮 (2008年12月31日) 。淺談病毒性肺炎。 防癆雜誌，冬季號，頁28-29。
7.黃雅玲、黃瓊瑰、曹國倩 (2006年4月1日)。 病毒感染的實驗室診斷。感染控制雜誌， 16(2)，頁109–116。
8.林宏軒、李肇棠、江滄明 (2018年8月3日)。 深度學習的訓練資料準備與平台之演進發展。 電腦與通訊，174，頁5–21。
9.美國疾病預防控制中心 (2022, 一月 4)。 了解mRNA COVID-19疫苗。 2022年1月7日， 取自： https://chinese.cdc.gov/coronavirus/2019-ncov/vaccines/different-vaccines/mrna.html
10.彭成立 (2021年4月13日)。 新冠病毒檢驗為何經常陰陽難辨—快速準確與全方位新冠病毒檢測技術之介紹。2022年2月25日，取自： https://wwwv.tsgh.ndmctsgh.edu.tw/news/191/102327/25633/6283
11.施木青 (2003年3月6日)。 抗SARS戰役中獨領風騷的分生檢驗技術。 台灣醫檢雜誌，18(2)，頁20-23。
12.施玉純 (2021年6月30日)。新型冠狀肺炎病毒與疫苗。防癆雜誌，夏季號，頁3-10。
13.王保山、柯獻欽、鄭高珍 (2020)。 新冠肺炎之流行病學、臨床表現及診斷。 內科學誌，31(4)，頁234–238。
14.王文心 (2002)。 研究方法專題：淺談信度。學術調查研究資料庫通訊，3，頁45-56。
15.王薏絜 (2021年10月6日)。 每年近萬人因肺癌死亡　醫：比新冠肺炎嚴重│台灣新國病-肺癌之祕。 TVBS新聞網。 2021年11月29日，取自： https://news.tvbs.com.tw/life/1598644?from=Copy_content
16.網路來源 (2019, 六月 3)。 Kappa系数簡介。 知乎專欄。 2022年6月24日，取自： https://zhuanlan.zhihu.com/p/67844308
17.衛生福利部國民健康署戒菸專線服務中心 (無日期)。 孕婦戒菸停看聽-二手菸傷害更大。 2022年2月4日，取自： https://www.tsh.org.tw
18.衛生福利部疾病管制署 (2020年4月27日)。 嚴重特殊傳染性肺炎-疾病介紹。2021年12月14日，取自：
https://www.cdc.gov.tw/Category/Page/vleOMKqwuEbIMgqaTeXG8A
19.衛生福利部疾病管制署 (2021年7月13日)。 新型冠狀病毒(SARS-CoV-2)感染臨床處置暫行指引第十三版。2022年2月25日，取自：
https://www.cdc.gov.tw/Category/Page/xCSwc5oznwcqunujPc-qmQ
20.衛生福利部疾病管制署 (2021年2月26日)。 各廠牌COVID-19疫苗之比較一覽表。2022年1月6日，取自：
https://www.cdc.gov.tw/Category/Page/V_XD8H6OSUpaTIMWgopkNg
21.楊明翰 (2017年12月20日)。 多分類問題的模型評估指標。 2022年3月9日，取自：
https://1fly2sky.wordpress.com/2017/12/21/%e5%a4%9a%e5%88%86%e9%a1%9e%e5%95%8f%e9%a1%8c%e7%9a%84%e6%a8%a1%e5%9e%8b%e8%a9%95%e4%bc%b0%e6%8c%87%e6%a8%99/
22.以斯帖統計顧問公司 (2014年1月14日)。 ROC曲線 (Receiver Operating Characteristic Curve)。2022年3月9日，取自：
http://estat.pixnet.net/blog/post/61795603
23.鄭鈞文 (2022, 二月 1)。 新冠疫苗效果如何？安全嗎？。長庚醫訊， 42(2)， 頁24–26。
24.Abdelrahman, A., & Viriri, S.. (2022). Kidney Tumor Semantic Segmentation Using Deep Learning: A Survey of State-of-the-Art. Journal of Imaging, 8(3), p.55.
25.Anwar, S. M., Majid, M., Qayyum, A., Awais, M., Alnowami, M., & Khan, M. K.. (2018). Medical image analysis using convolutional neural networks: A review. Journal of medical systems, 42(11), pp.1–13. Springer.
26.Attallah, O., & Sharkas, M.. (2021). GASTRO-CADx: A three stages framework for diagnosing gastrointestinal diseases. PeerJ Computer Science, 7(423).
27.Cho, H., Hadjiiski, L., Sahiner, B., Chan, H.-P., Helvie, M., Paramagul, C., & Nees, A. V.. (2011). Similarity evaluation in a content-based image retrieval (CBIR) CADx system for characterization of breast masses on ultrasound images. Medical Physics, 38(4), pp.1820–1831.
28.Chom . (2017年七月8日)。 TensorFlow中CNN的兩種padding方式“SAME”和“VALID”。2022年3月9日，取自：
https://blog.csdn.net/wuzqChom/article/details/74785643
29.Clay (2019年10月22日)。 [Machine Learning] Tanh 函式介紹與程式實作。2022年3月9日，取自： https://clay-atlas.com/blog/2019/10/22/machine-learning-notes-tanh-function/
30.Wild CP, Weiderpass E, Stewart BW, editors (2020). World Cancer Report: Cancer Research for Cancer Prevention. Lyon, France: International Agency for Research on Cancer. Available from: http://publications.iarc.fr/586. Licence: CC BY-NC-ND 3.0 IGO.
31.Firmino, M., Angelo, G., Morais, H., Dantas, M. R., & Valentim, R.. (2016). Computer-aided detection (CADe) and diagnosis (CADx) system for lung cancer with likelihood of malignancy. BioMedical Engineering OnLine, 15(1), p.2.
32.Galván, J. M., Rajas, O., & Aspa, J.. (2015). Review of Non-bacterial Infections in Respiratory Medicine: Viral Pneumonia. Archivos De Bronconeumologia, 51(11), pp.590–597.
33.Gigio. (2022, January 25). In Wikipedia, Receiver operating characteristic. Retrieved March 9, 2022, from
https://en.wikipedia.org/w/index.php?title=Receiver_operating_characteristic&oldid=1067917334
34.Gong, W., Chen, H., Zhang, Z., Zhang, M., Wang, R., Guan, C., et al. (2019). A Novel Deep Learning Method for Intelligent Fault Diagnosis of Rotating Machinery Based on Improved CNN-SVM and Multichannel Data Fusion. Sensors, 19(7), p.1693. Multidisciplinary Digital Publishing Institute.
35.van Hespen, K. M., Zwanenburg, J. J. M., Dankbaar, J. W., Geerlings, M. I., Hendrikse, J., & Kuijf, H. J.. (2021). An anomaly detection approach to identify chronic brain infarcts on MRI. Scientific Reports, 11, NO.7714.
36.Huang, S., Cai, N., Pacheco, P. P., Narrandes, S., Wang, Y., & Xu, W. . (2018). Applications of Support Vector Machine (SVM) Learning in Cancer Genomics. Cancer Genomics & Proteomics, 15(1), pp.41–51. International Institute of Anticancer Research.
37.Huang, T.。(2018年五19日)。 機器學習:如何在多類別分類問題上使用用二元分類器進行分類(Multiclass Strategy for Binary classifier)。 Medium。 2022年3月19日，取自： https://reurl.cc/anmnLl
38.Iwama, I., & Kohama, M. . (2019). Unilateral Lung Whiteout in Children. Pediatric Emergency Care, 35(1), pp.e1–e5.
39.Mansoor, A., Bagci, U., Foster, B., Xu, Z., Papadakis, G. Z., Folio, L. R., Udupa, J. K., et al.. (2015). Segmentation and Image Analysis of Abnormal Lungs at CT: Current Approaches, Challenges, and Future Trends. Radiographics, 35(4), pp.1056–1076.
40.Munir, K., Elahi, H., Ayub, A., Frezza, F., & Rizzi, A.. (2019). Cancer Diagnosis Using Deep Learning: A Bibliographic Review. Cancers, 11(9), p.1235. Multidisciplinary Digital Publishing Institute.
41.Nakao, T., Hanaoka, S., Nomura, Y., Murata, M., Takenaga, T., Miki, S., Watadani, T., et al.. (2021). Unsupervised Deep Anomaly Detection in Chest Radiographs. Journal of Digital Imaging, 34(2), pp.418–427.
42.Petar Veličković (2016, September 17). TikZ. Retrieved March 11, 2022, from: https://github.com/PetarV-/TikZ
43.Saito, T., & Rehmsmeier, M.. (2015). The Precision-Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets. PLOS ONE, 10(3), e0118432. Public Library of Science.
44.Stefanidis, K., Konstantelou, E., Yusuf, G. T., Oikonomou, A., Tavernaraki, K., Karakitsos, D., et al. (2021). Radiological, epidemiological and clinical patterns of pulmonary viral infections. European Journal of Radiology, Vol.136, NO.109548.
45.Tang, P., Zhang, D., & Li, H.. (2022). Predicting permeability from 3D rock images based on CNN with physical information. Journal of Hydrology, Vol.606 ,NO.127473.
46.The Vaccine Alliance. (2020). There are four types of COVID-19 vaccines: Here’s how they work. June 24, 2022, from:
https://www.gavi.org/vaccineswork/there-are-four-types-covid-19-vaccines-heres-how-they-work
47.Vankdothu, R., Hameed, M. A., & Fatima, H.. (2022). A Brain Tumor Identification and Classification Using Deep Learning based on CNN-LSTM Method. Computers and Electrical Engineering, Vol.101, NO.107960.
48.Vos, K., Peng, Z., Jenkins, C., Shahriar, M. R., Borghesani, P., & Wang, W.. (2022). Vibration-based anomaly detection using LSTM/SVM approaches. Mechanical Systems and Signal Processing, Vol.169, NO.108752.
49.Wei, G., Qiu, M., Zhang, K., Li, M., Wei, D., Li, Y., Liu, P., et al.. (2020). A multi-feature image retrieval scheme for pulmonary nodule diagnosis. Medicine, 99(4).
50.Wikipedia contributors. (2022, January 16). Softmax function. In Wikipedia, The Free Encyclopedia. Retrieved 08:00, March 28, 2022, from
https://en.wikipedia.org/w/index.php?title=Softmax_function&oldid=1065998663
51.World Health Organization . (2020, July 9). Transmission of SARS-CoV-2: Implications for infection prevention precautions. Retrieved February 25, 2022, from
https://www.who.int/news-room/commentaries/detail/transmission-of-sars-cov-2-implications-for-infection-prevention-precautions
52.Guy Zahavi (2018, September 15). What are lung opacities? Retrieved December 17, 2021, from
https://kaggle.com/zahaviguy/what-are-lung-opacities
53.Zhou, W., Wang, H., & Wan, Z.. (2022). Ore Image Classification Based on Improved CNN. Computers and Electrical Engineering, Vol.99, NO.107819.