運用深度學習:人工智慧如何追蹤各街區的過敏原

作者 Isha Salian

正如季節性過敏患者所說的那樣,每走一步空氣裡的過敏原濃度都會出現變化。附近一棵開花的樹,或是突然刮起一陣帶有花粉的風,都很容易讓這些過敏患者噴嚏打個不停和淚流滿面。

不過空氣中的過敏原濃度充其量就只是按城市提出報告。

一套搭載深度學習之裝置組成的網路可以改變這種狀況,讓科學家能夠追蹤各街區的花粉密度。

加州大學洛杉磯分校的研究人員開發出一種攜帶式人工智慧裝置,該研究團隊在日前發表的報告裡,表示這項裝置可以辨識花粉和真菌孢子中五種常見過敏原的濃度,準確率達 94%,較傳統的機器學習方法提高了 25%。

加州大學洛杉磯分校加州奈米系統研究中心(California NanoSystems Institute)副主任,也是這項研究的資深作者 Aydogan Ozcan 表示,在使用 NVIDIA GPU 進行推論的情況下,甚至可以即時執行深度學習模型。加州大學洛杉磯分校研究生 Yichen Wu 則是該報告的第一作者。

放棄傳統感應方法

人體每次呼吸時,都會吸入花粉、孢子和微生物這些微小的生物顆粒,但是很難說特定公園或是街角有多少這些稱為「生物氣溶膠」(bioaerosols)的微小顆粒。

通常由研究人員使用過濾器或孢子捕集器收集生物氣溶膠,接著在實驗室中進行染色並以人工方式進行檢查。這項已發明半世紀之久的方法,執行時間從幾個小時到幾天都有。

加州大學洛杉磯分校的研究人員使用易於攜帶又價格低廉的裝置,直接在現場監測過敏原濃度,以求改善這個過程,Ozcan 說:「如此一來就能省下寄送樣本、加上標籤和人工檢查所需的時間和勞力成本。」

他們的裝置採用跟傳統方法截然不同的方式,它會自動吸入空氣,使用有著雷射照耀的黏性表面來捕捉生物氣溶膠。雷射會產生出顆粒的全息圖,便能看到通常呈現透明狀態的過敏原,裝置裡的影像感光元件晶片就可以對它進行拍攝。

接著使用兩個獨立的神經網路來處理全息影像:一個用於清理和裁剪影像,以對焦在描繪生物顆粒的部分上,另一個則是用於對過敏原進行分類。

傳統的機器學習演算法在使用全息影像對生物氣溶膠進行分類時,準確度約為 70%。加上深度學習之後,研究人員便能將準確度提高到「史無前例」的 94%。

Wu 說使用 NVIDIA GPU 可以將訓練神經網路的速度加快百倍以上,還能即時進行測試或推論

即時分析開花的解決方案

報告中描述的現有裝置會將全息圖傳到遠端伺服器進行深度學習分析,Wu 說日後的裝置可能會加入嵌入式 GPU,以便在網路邊緣運行人工智慧模型。

對於科學家來說,攜帶式工具可以省下成本,以及從安裝在多個位置的感應器來收集資料,進而用更高的解析度來建立即時空氣品質圖。氣候變遷使得過敏季節變得更長、人們的過敏變得更嚴重,社會大眾可以在網路上取得這個好用的空氣品質圖。

過敏或氣喘患者可以使用這款重量一磅多一點的攜帶式裝置,隨時監測四周的空氣品質,透過智慧型手機取得數據。

也能將它裝在無人機上,透過無線操作的方式來監控危險或難以進入之場所的空氣品質。

研究人員打算擴大這具人工智慧模型,以感知更多種類的生物氣溶膠和其它顆粒,還有提升裝置規格,以便在長達幾個月的時間裡連續進行感測。