兩階段誘導式深度學習應用於多種類包裝藥品之圖像分類

醫療疏失經統計為美國前三大死因，而用藥錯誤佔醫療疏失中相當大的比例，然而，用藥錯誤造成的原因大多屬於可避免之因素，這促使了世界衛生組織 (WHO) 發起"無傷害用藥運動" (Medication Without Harm Campaign) 以減少用藥錯誤對病患帶來的重大風險，目前用藥錯誤常見的防範措施包括高人字體 (Tall-man lettering)、自動配藥機和條碼管理系統，然而，這些傳統的防範措施各有其限制及缺陷。隨著人工智慧的蓬勃發展，近年來許多研究運用了先進的人工智慧技術，對於各種藥品進行自動化分類，研究結果顯示，運用人工智慧技術於藥品的自動化分類，無論是在分類準確率或推理速度，皆獲得了極大的進展。儘管人工智慧方法被證明可有效的運用於藥品自動化分類，但過往研究主要仍集中在對於無包裝之顆粒藥品、或者是單一包裝藥品進行自動化分類，然而，在實務上，醫療機構內存有上千種具不同包裝類型的相似藥品，在調劑過程中將大幅的增加配藥錯誤的風險。有鑑於此，本研究提出了一種新穎的兩階段誘導式深度學習 (TSIDL) 方法，以針對多種類不同包裝的相似藥品圖像進行自動化分類。實驗結果顯示，本研究所提出的兩階段誘導式深度學習方法，在108類不同包裝藥品圖像的分類任務之中，達到了99.39%的傑出分類準確率，除此之外，每張藥品圖像所需要的推理時間僅需3.12毫秒。以上實驗結果顯示了本研究所提出之兩階段誘導式深度學習方法，在未來的自動化配藥系統中具有實際應用的淺力，進而可有效降低用藥錯誤對病患帶來的重大風險。