應用 Dynalist 於考前

Danylist 是一個概念上延伸自 Workflowy 的產品。這類的產品的特色就是清單導向的單純頁面,具體請見 Esor 的文章 〈讓腦中混亂回歸條理: Dynalist 強烈邏輯組織者的筆記工具〉 。相比與 Workflowy,Dynalist 有一些我更需要的功能,例如有文件及文件夾、項目互聯;也有一些雙方本來就有的,例如 in-line tag。具體細節我就不介紹,我想講我怎樣利用 Dynalist 在幾天內迅速看完 First Choice 並通過醫師國考。

首先是利用清單功能,將已經有系統性整理的知識再根據考點濃縮成 關鍵字筆記 。因為大部分的講義為了可讀性,其知識的密度並沒有很高。但是就考試的角度來說,以下圖中的代謝遺傳疾病為例,大部分的考點都集中在這些患者會有怎樣的氣味、或者缺乏何種酵素、需補充或禁食什麼食物。當然,更好地整理方式是按照疾病的機轉、臨床表現等建立表格。不過這並不適合考前衝刺。我把這些重點整理放在 Bear,並且把 鏈接 填入成為條目的一部分(例如 Fabry disease)。

在 Dyanalist 中,相比於 Bear / Evernote,最重要的功能之一就是 in-line tag。在上圖中,我有幾個針對遺傳疾病的 tag,例如 #geneAR,代表體染色體隱形遺傳。通過為每個疾病打 tag (需要有一個內部規範,例如都在病名後面打 tag),我可以很快速撈出所有有這個屬性的疾病,例如,針對體染色體隱形遺傳,我就可以列出相關的疾病,方便迅速的複習、記憶。這是傳統的 Evernote 筆記辦不到的!

»


澳紐重症醫學會資料科學黑客松心得

這次比賽要感謝北醫管院謝邦昌老師的邀請,跟著上次 TMU-MIT 黑客松的老戰友組隊前往澳洲(其實當時是以 datathon 的方向組團,結果做了醫材)。我個人對資料科學跟醫學影像處理的興趣算蠻強烈的,也做了一段時間的實戰。自從之前覺悟到人只能做重要的事情後就沒有在亂搞些前端設計或 app 類的東西。

這次比賽的單位是澳洲紐西蘭重症醫學會 ANZICS,及他們的重症資料庫(所有的澳洲 ICU 都必須連線,否則不能收住院醫師,同時也規範了各種相關的資料收集格式及法規)。他們的資料庫讓我想到臺灣外傷醫學會的資料庫,有異曲同工之妙。不過雖然 ANZICS Core 所放出的匿名資料集乾淨的程度、資料量都比美國 MIMIC 大,我們在前幾次集訓的時候都不得其門而入哈哈,所以這次還是用 Harvard-MIT 合作產出的 MIMIC-III 做起。

這次比賽的題目是由北醫醫資所的 Shabbir 教授提出的 heart rate varibility HRV,結合其他的題材來做。本來我想做的抗生素 escalation 相關的應用,也就是何時可能要 escalation,而不需要等 blood culture 出來?又何時可以 de-escalation?不過我們後來改成利用比較死亡病患死前兩天內到一小時內的 HRV 來預測接下來的死亡率,目標是贏過 APACHE III!

比賽的感想

  • 懂得善用已經造好的輪子!其實像前篇貼文所說,MIT-LCP 裏面已經包含了非常多的工具,大部分都是通用的(不止用在 MIMIC 資料庫),而且快又好,例如捕捉心電圖中的 PQRS 就有 gqrs 這套有獲得學術認證的算法。我國考完希望來熟悉這些工具(並爲他們撰寫中文說明,推廣到年輕醫師間),將來若要做生醫訊號或資料庫整合,就不用苦苦的寫計劃、聘研究助理,刻一個不知道正確性的工具。
  • 遠端資料處理的重要性。這次最大的問題是四個成員的筆電都不是很適合處理。主要是 MIT-LCP 的工具在 Unix-like 的環境下才能發揮效力,而其他成員的電腦(Mac 沒有裝 xcode command line tool)或者是 Ubuntu 分割區太小裝不下,所以 HRV signal processing 還有部分的資料整合都是在我那裝了 Arch Linux 的一萬元的破爛文書機上跑。我想北醫如果想要大力的發展醫學資料科學,應該建制一套夠強大的伺服器,讓研究員不需要用比較慢速的機器負擔龐大的資料量跟處理、建模計算需求。
  • 即時求救以及記錄 workflow!這次跟 MIT 的工程師 Alistair 一起寫了一個下午的 shell script 就是爽,學到了不少他們愛用的工具,在 SQLite、sed & awk、Slack 等各種工具之間來去自如。這次比賽一個重要的進步就是寫我自己在處理過程中的 workflow 說明書及各種 scripting,把工具自動化串在一起,並且注意儲存的位置及檔名格式。賽中也按需求改寫了之前做 matching 的程式。
  • 找好自己團隊定位 :因爲這次比賽有 Shabbir 教授壓陣,他自己除了有 MD license 外,也有豐富的實驗設計經驗,所以這次比賽我的角色定位比較沒有發揮出來(比如說論文的 literature review、上臺 presentation 也結結巴巴的 QAQ)。這些也是賽前應該做好的項目。

這次的一個大缺憾就是太急於寫程式搞出成果,沒有去跟別組交流他們的主題。澳洲黑客松的特色就是下午五點到隔天八點之間不做?是休息時間,應該喝酒吃 pizza !希望下次還有機會可以在參加類似的比賽!

»


新一代醫師職位:資訊專科

Adapting to Artificial IntelligenceRadiologists and Pathologists as Information Specialists

這篇文章談論放射科/病理科醫師的職涯變化。在早期造影科技/免疫染色還沒有發達的時候,放射科/病理科醫師的任務比較像是從單一影像進行判讀。然而,今日大型全身造影技術/自動化切片使得放射科/病理科醫師必須面從大量影像中找出診斷所需資訊(For example, a radiologist typically views 4000 images in a CT scan of multiple body parts (“pan scan”) in patients with multiple trauma. The abundance of data has changed how radiologists interpret images; from pattern recognition, with clinical context, to searching for needles in haystacks; from inference to detection. The radiologist, once a maestro with a chest radiograph, is now often visually fatigued searching for an occult fracture in a pan scan.)

原文談論,隨着人工智慧的快速發展,放射科醫師應該重新思考職涯定位,要能接受某些任務逐步由CADx所取代。(To avoid being replaced by computers, radiologists must allow themselves to be displaced by computers. While some radiographic analyses can be automated, others cannot. Radiologists should identify cognitively simple tasks that could be addressed by artificial intelligence, such as screening for lung cancer on CT.)(文章說,美國放射科醫師浪費大量時間用 protable 爲 ICU 病患確認 endo 位置。這種事也得找放射科看喔…)

(未來的)放射科/病理科應該被整併爲一種新的專科「資訊專科」,換句話說,就是協助提升人工智慧診斷率的醫師。與此同時,將機器輸出的成果與臨牀情景結合,並機動的決定是否要加作額外的檢查。(The information specialist would not spend time inferring conditions between competing shadows on radiographs, scroll through hundreds of images looking for pulmonary embolus on CT, or examine slides for “orphan Annie”–shaped nuclei. Artificial intelligence could perform many such tasks. The information specialist would interpret the important data, advise on the added value of another diagnostic test, such as the need for additional imaging, anatomical pathology, or a laboratory test, and integrate information to guide clinicians. Radiologists and pathologists will still be the physician’s physician.)

潛在性的好處是,可以通過一個「information specialist」配上一群人工智慧機器,爲非洲一整個城鎮的居民進行篩檢。( A single information specialist, with the help of artificial intelligence, could potentially manage screening for an entire town in Africa.) (這讓我想到 Shang-Jui Tsai 大大的 #Cubix_Health_Tech)

文末提到了一些專科訓練改革的建議。我個人的看法是病理科的自動化可能會比較快到來。但是,gross pathology 涉及到在複雜的外科標本下切取病竈,尚未看到足堪負荷的任何機器。不過如果未來 automated microscopic pathology 足夠成熟,整組標本放下去切就好了 XD 還可以用雷射之類逐層切取。

該文延伸閱讀

  • 關於人工智慧取代放射科的可能性: Jha S. Will computers replace radiologists? Medscape. May 12, 2016. http://www.medscape.com/viewarticle/863127. Accessed November 15, 2016.
  • 使用 IBM Watson 診斷肺栓塞: McMillan R, Dwoskin E. IBM crafts a role for artificial intelligence in medicine. Wall Street Journal. August 11, 2015.
  • 使用人工智慧偵測肺小細胞癌病理切片: Yu KH, Zhang C, Berry GJ, et al. Predicting non-small cell lung cancer prognosis by fully automated microscopic pathology image features. Nat Commun. 2016;7(7):12474.
»


「構想追追追」讀書會細談

我在《關於波社未來發展的構想》裏面有提到一個東西叫「構想追追追」,英文我取名 idea traceback,顧名思義,就是用來追出某個想法的具體發源爲何?演變過程爲何?不過在我那篇筆記中,也只有記錄了一小段:「適合當作某課程的小組報告又或者適合 iGEM 團隊推導構想?」

現在,一個真實的計劃經由亂度空間被提出咯!底下是推動人的計劃草稿(不是我寫的)。

讀書目的與動機:

  • 可以透過 reference tree,追溯到最原始的那篇論文,然後大家一起讀這一脈絡上的幾篇論文,可以選擇一篇當代的,譬如近五年內的,然後追回數十年前的論文,了解這一路科學演進的結果為何重要。Reference tree 可以從 Web of Science 獲得。
  • 與一般實驗室討論相關論文不同,這個計劃的目的較像是培養實驗設計思維和人生觀;主題亦不限於科學領域,公衛政策制定與黑天鵝效應分析,也都是我們的題材。若想要真正達到「最大亂度」,應多讓不同領域的想法碰撞、互動。
  • 了解科學史或某些與我們主觀認知相悖的事物,從各種事蹟中明白前人和今人的想法,試著去回答:在面對類似問題時我們可以怎麼做?

閱讀主題與書單

  • 討論分子生物學的演進以及當代科學家如何思考生命問題:閱讀 Horace Freeland Judson 所著的《創世第八天:二十世紀分子生物學》三部曲,並搭配可取得的科學論文,追索前人的實驗設計和發想,旨在培養思維和科學人的價值觀。如果有機會,希望可以更深入討論大學分生不會教的 bioinformatics 因爲在計算機介入後,分子生物的發展遠超前人所能想象。
  • 思考公共衛生的推廣與不同時代的流行病學如何殲滅某些疾病:閱讀天下文化出版的《瘟疫與人:傳染病對人類歷史的衝擊》《肝炎聖戰:台灣公共衛生史上的大勝利》,搭配其他科普書籍和科學論文閱讀,了解公衛政策的制定,以及對生物統計的初步認知。我們的醫學史總是強調「犧牲奉獻的偉人」,而公衛課程過於「理論化」而無趣。希望通過故事,來讓大家知道第一醫學的思考模式及這套體系爲何重要。
  • 了解「黑天鵝效應」的概念如何被建立,以及該用何種態度去面對極端世界:閱讀 Nassim Nicholas Taleb 的著作:《隨機騙局》《黑天鵝效應》《反脆弱》。不論是求學或做決定,都應避開火雞式的思考,避免隨機性愚弄,從而了解「黑天鵝效應」不只擾動金融市場,也充斥著生活中的每一處。

進行方式、預定時程及地點規劃:

  • 以上書籍圖書館都有一本以上,召集人本身也擁有以上所有書籍,閱讀部分不會是問題。可以讓五、六個人閱讀不同的一、兩本書,但仍是圍繞同一個主題,讓大家彼此在閱讀後,可以互相交流、分享在書中得到的體悟。此部分預計會用散彈討論法方式來進行,一次只讓一個人用報告方式,告訴諸參與者對於該主題的了解程度,報告後再讓參與者們,對該主題提出其他想法、促進交流。
  • 時間安排預計從下學期開始,時間不固定;若小組成員們方便,將維持兩週一次,一次九十分鐘的讀書討論會,一學期預計進行七次到八次。
  • 地點會選在新醫館的小組討論教室,場地部分會提早向系辦方申請。

我的補充說明

說到讀書會,其實網路上也有不少人有揪團,發讀書心得的社團也不少。但是我這邊想得是打造學術基礎。因此,我會希望參加者都要發言閱讀原始學術文獻。在分生及公衛這兩個題目中,所謂的閱讀原始文獻就是評讀影響力最大或最有關的那篇論文,簡介這篇論文引用的老論文,及引用該論文的後續論文。我想這不是一個簡單的任務,也不是參加一些網路上讀書會那樣把書大概看過,說說感想就好。我希望把這個活動作爲參加者的學術生涯的起點。(醫學系的專題研究不是分生相關的 wetlab 就是公衛嘛 XD 醫工甚至純工程的還蠻少見的)。我覺得這樣的架構不錯,也希望不要只侷限於陽明醫學系,可以嘗試推廣到其他學校的醫學系或者是任一非醫學相關的科系。

如果這個活動有成果,我下一批閱讀計劃可能會包含《複雜》及《混沌》等介紹混沌理論等物理之美的書,以及一些創業相關的傳記(例如《給你10分鐘,證明世界都買單!最厲害的新創事業學校Y孵化器如何訓練天才變老闆?》)還有心理、精神醫學方面的書。

»


跨年級與跨領域的新嘗試

最近在推動一系列我自己的想法,包括 Medical H4 及新的構想。今天剛好跟北醫系學會會長大大聊到爲什麼我想要推動這個,就記錄一下供參考。

跨年級

首先,是我希望在各醫學系內建立一個跨年級的同興趣愛好者交流圈。會有這樣想得原因在於,大部分的系內跨年級交流一般都是大型活動:醫學營、宿營(迎新)、醫學之夜、服務隊等。這些活動其實都是很「活動導向」,也就是,不管個人的興趣,大家都是做某一個活動的細節部分。另外一個常見的跨年紀鏈接就是系的球隊,如系籃、系排等。

我希望能夠讓每一屆的少數人(包括但不限於:專題研究、程式設計)能夠找到也有類似興趣的學長姐,交流未來出路考量、挫折及臨牀課業的適應等。

進醫院以後,大部份醫師的學術鏈接多是同一個學會的其他醫院成員,做的研究也都是上面分派下來的子題目。如果讓醫學生們在就學期間就能認識將來不同興趣(想走不同科的同學與學長姐、學弟妹)並且足夠熟悉,或許有機會打破大型醫學中心這種上(主任)對下(年輕住院醫師)的支配情況。

目前是計畫在陽明與北醫醫學系推動一個小型的座談會計畫,邀請一些具有下列特質的學長姐們回來講述他們當初怎麼過日子給後來的學弟妹們聽。

  • 白天是住院、實習醫師,晚上泡在實驗室
  • 出國讀博士:不管是 MD-PhD 或者是住院醫師自己申請出國進修
  • 有在學校實驗室做專題、選修碩博班課程且有發表過 poster

那這演講還有一些特殊的限制:

  • 同系的(之前跟中國醫的學弟們提過,不過他們卻想要找台大的主治做成研討會;這不是我的目的):主要是系上資源才有辦法傳承。例如陽明能夠去 UCSD 讀博士班,也有老師熟悉這條申請的管道與對方實驗室的主持人,中國醫或其他學校沒有,這資源就沒辦法從學長姊傳承下來
  • 來參與的學弟妹是真的有在做實驗的。之所以辦在十二月,就是希望只篩選那些有做專題的學弟妹們進來。先證明自己的熱情再來伸手抓資源吧!

其他類型的也是考慮中,不過目前我希望能夠在短時間內建構出當年 台灣醫學生研究通訊 後來沒有達成的理想:聯結有在做實驗的醫學生們進行不僅僅是學術上,也包含社交上的來往。所以暫時先以這種同系跨年及聚會優先。

陽明的進度是:已經與系學會聯繫上、三位講者也都溝通完畢,剩下就是逐步敲定內容。北醫部分還在由會長大大繼續幫我物色適合對象!

tMuExperience D

附帶一提北醫系學會會長大大的計畫,目標是通過文字訪談各醫學系(不限北醫)有在做實驗的同學來分享(似乎特別瞄準高年級專題生、醫師科學家學程選修者?),並把心得張貼於北醫醫學系系粉專。也歡迎有興趣的人訂閱追蹤唷。

我個人之所以聚焦在年輕一代,是我覺得我們這一代有不少難關是現在的大老們、新思維的青年醫學研究這些已經主任、主治、fellow 的前輩們無法同理的,包括那些我們需要花很多時間才能學會原理的:生物基因分析技術(bioinformatics)、人工智慧與自動化實驗器材,最重要的是日益狹窄的研究領域等。要能夠真的開始做出一點突破性的成果往往需要比起前輩更大量的閱讀與學習(例如免疫學)。所以,找最接近的人來分享,就算不是成功的案例,我們也能從中了解到不一樣的方向、不同的考量等。

跨領域

在經過一系列聚會與討論,加之行醫生涯的挫折,我認爲,正確的跨領域不是擁有跨領域的知識,而是能夠與不同領域的人合作。換句話說,你不必跟工程師一樣強(懂化工、懂高等有機、懂程式設計)但是要有能力做基本的溝通,例如工程師的語彙(例如什麼是 continuous integration,有哪些常見的服務),這種能力不是自己苦讀書來的,而是聆聽工程師們的生活與交談,就能夠知道的!

»