• 研究生: 梁仔弘
• 畢業學年度: 112
• 相關連結

生物實驗在醫藥技術的發展中發揮至關重要的作用。一般來說，生物實驗優先於人體實驗之前進行，可以減低潛在的致命後果，並為研究人員提供寶貴的實驗數據。本論文提出一種機器學習工具，用於降低生物實驗中個體差異造成的負面影響。先前的研究成果表明，在先前訓練好的模型中引入額外的實驗對象會導致此項機器學習的準確度大幅降低。

無監督領域適應（UDA）是一種利用來自單一或多個來源領域已標記資料的機器學習技術，其目標是將來源領域知識轉移到目標領域。由於不需要目標領域中的標籤，因此可以提高人工智慧模型的實用性。

基於自我訓練的無監督領域適應是一種利用在來源域上預先訓練的模型，為未見過的目標域資料集分配偽標籤的技術，藉由目標域資料集的偽標籤對模型進行再訓練。一般情況下，先前研究中基於自我訓練的方法會利用預訓練模型產生的機率作為信心值來消除不可靠的偽標籤。然而，近年來的多項研究認為這種衡量可信度的傳統方法並不可靠，因此找到了更有效的替代方法。

本論文中引入了一種自訓練無監督領域適應演算法，該演算法利用貝氏不確定性來判斷可靠的偽標籤。本論文所提出的方法於每次迭代中都能產生更具信賴度的的偽標籤，透過手寫分類任務的實驗驗證，所提出的演算法效能接近於最好，而當模型用於測試具有個體差異的未知樣本時，本演算法得以進一步提昇效能。此外，本論文也利用特徵置換演算法計算各部位特徵在無監督領域適應過程中的重要性得分。最後，本論文所提出的演算法進一步應用於止痛藥/載體注射效果實驗，並提出了一個簡單有效用於單支小鼠影片的疼痛分數計算方式。其結果符合了生物學上的疼痛趨勢，尤其是注射止痛藥/載體後一個小時，疼痛分數根據注射劑的不同，而呈現高或低的疼痛分數。

• 研究生: 顏浩恩
• 畢業學年度: 111
• 相關連結

現行藥物開發的動物實驗多數以小鼠做為實驗對象，由於無法透過語言溝通來了解小鼠的感受，目前普遍用以觀察小鼠狀態的方法是透過臉部表情和行為模式。近年來由於機器學習的蓬勃發展，相關的辨識技術與應用獲得大幅度的進展，其中也包含了小鼠臉部及行為判別。然而，監督式的機器學習演算法在分析小鼠表情及動作判別的應用上會遇到兩個主要的挑戰：第一個是需要大量的資料集來減少小鼠間的個體差異對機器學習效能的影響；第二個是由於小鼠的狀態都必須透過第三方觀察得知，因此如何驗證資料標記的可靠性是一大問題，然而準確可靠的資料標記對於機器學習模型的訓練是非常基本的要求。特別是在小鼠的痠、痛分析的問題上，人類無法與小鼠透過言語溝通判斷正確的資料標記。
本論文將著重於訓練樣本與特徵於不同分類架構的效應分析，用以克服上述的兩個挑戰。比較的架構包含產生訓練樣本的方法、小鼠的行為特徵萃取、影像上的時間特徵以及不同類別的機器學習模型，透過實驗分析這些不同架構於相同資料集所產生出來的結果、驗證是否符合預期。產生出來的結果主要是透過觀察準確率、誤報率，和檢測率去觀察不同系統於少量資料與未曾包含於訓練過程的新個體表現。本篇論文並提出了一個非監督式的方法與其他架構作結合，嘗試減少過擬合的現象還有資料標記不夠精確的影響。

• 研究生: 郭廷愷
• 畢業學年度: 110
• 相關連結

現行藥物開發的動物實驗多數以老鼠做為實驗對象，動物實驗會透過藥物或手術誘發老鼠的疼痛行為，之後再施打止痛藥物，藉由觀察老鼠的行為推論疼痛是否有所改善，用以評估止痛藥物的藥效。疼痛會造成生理及行為的改變，目前多以觀察員透過主觀評估的方式對老鼠表情或行為評估其疼痛的程度，然而這種方式的缺點是需要耗費大量的人力與時間，以及不同人的主觀評估也將造成結果的分歧。
近年來，姿態分析經常運用在神經性疾病上，多數姿態需要藉由神經系統錯縱複雜的交互作用，所以當某神經系統出現異常時，行為也容易顯現相對的異常現象。根據[1]，老鼠處於疼痛時，常會有身體扭曲和四肢蜷縮等行為。本論文建立於姿態分析的理論基礎，提出一套自動化架構分析老鼠的姿態，藉此來偵測老鼠於疼痛時的姿態特徵。本論文提出的架構透過深度學習網路於深度影像中自動標註老鼠的關節點，再利用關節點與周邊鄰近像素的深度差異作為特徵，讓機器學習疼痛的姿態特徵，達成自動判別老鼠疼痛的目的。
本論文所提出的架構分為兩部分，第一部分透過深度學習演算法自動標註影像中老鼠的關節點，藉此取代人工標記。第二部分自動學習與辨識老鼠於疼痛時的姿態特徵，實驗設計分別蒐集彩色及深度影像，前者將關節點之間的角度及距離當作姿態特徵，後者則藉由深度影像計算各關節點與鄰近像素的差異作為特徵，再藉由機器學習演算法學習與辨識小鼠於疼痛時的姿態特徵。本論文的實驗將比較彩色與深度影像分別應用於偵測疼痛姿態的效能，並且驗證本論文提出架構的信效度。