王廷瑋｜數位醫療 WFU

2024年4月7日 星期日

閱讀筆記

職涯探索

 

《高績效心智》：通往卓越的七把鑰匙

作者：王廷瑋





前言：從象牙塔走進現實世界


《高績效心智》是加州大學管理學教授莫頓·韓森的一部力作。作為一名在史丹佛商學院取得博士學位的學者，韓森教授並沒有滿足於象牙塔內的研究，而是決定走進現實世界，用科學的方法來探究什麼樣的心智模式能夠幫助人們在工作中取得高績效。


研究方法：科學與故事的完美結合


為了找到答案，韓森教授首先對 300 人進行了先導研究，提出了 7 個假設，然後又收集了來自 5000 人的大量數據進行統計分析。他的主要研究目的是分析這 7 種心智模式與工作績效之間的關聯，同時也探討了它們與工作生活平衡、工作倦怠以及工作滿意度之間的聯繫。儘管這項研究難免存在一些局限性，例如難以對受訪者進行深入調查、可能存在共同方法偏差、因果關係難以確定等，但它仍然提供了一些寶貴的見解和啟示。


七種高績效心智模式


通過研究，韓森教授發現，這 7 種高績效心智大致可以分為兩類：一類與個人因素相關，另一類則與團隊合作相關。

在個人因素方面，排在首位的是「雙重專注」。這個概念與近年來在人工智慧領域備受關注的注意力機制有些相似。所謂雙重專注，就是在廣泛探索的同時，又能夠聚焦於最重要的事情。韓森教授提出了一些具體策略來實現這種專注，例如運用奧卡姆剃刀原則，將注意力集中在最關鍵的因素上; 把自己「綁」在任務上，避免分心; 學會對上司說「不」不要被不必要的事務所干擾等。

第二個重要的心智模式是「重新設計工作」。在機器學習中，只有選擇了與目標一致的損失函數，才能更有效地優化模型，達成預期目標。同樣地，在工作中，我們也需要審視自己的工作方式，看看是否與目標相一致。韓森教授提出了一個衡量工作價值的公式：工作價值 = 為他人帶來的助益 × 工作品質 × 效率。當然，不同領域的衡量指標可能有所不同，但這個公式給了我們一個很好的思路。

第三個心智模式是「學習迴圈」。這個概念與機器學習中的迭代優化過程非常相似。具體來說，它包括將任務拆分成若干微行為、進行檢討、獲取反饋、接受困難的磨練等步驟。通過這種不斷迭代的學習過程，我們可以持續提升自己的能力和績效，就像機器學習模型通過訓練不斷優化一樣。

第四個心智模式是「結合熱情與使命感」。這是一個不斷升華的過程,從創造價值到發現個人意義，再到追求強烈的社會使命感。當我們的工作不僅僅是一份工作，而是與內心的熱情和更高的使命感相連時，我們往往能夠獲得更大的驅動力和成就感。

除了上述四個與個人因素相關的心智模式,韓森教授還提出了三個與團隊合作相關的心智模式。這三個心智模式較為主觀，難以量化，需要根據具體情境採取不同的策略。

其中，「說服需用巧毅力」強調在說服他人時要善用情感因素、用行動喚起行動、用使命感打動人心。這需要我們在表達自己觀點的同時，也要站在對方的角度去思考，找到共鳴點。

「能爭辯也能團結」看似有些矛盾，但實際上，一個高績效的團隊既需要勇於表達不同意見，激發思維的碰撞，又需要在關鍵時刻形成統一戰線，朝著共同目標努力。這種看似矛盾的特質需要團隊成員之間建立起高度的信任和默契。

「掌握協作要領」則提醒我們要避免無意義的合作。在團隊協作中，我們往往需要投入大量的時間和精力進行溝通和協調,但並非所有的合作都是必要的。有時候，簡單明了的分工反而能夠帶來更高的效率。


啟示與反思：高績效心智的培養之道


《高績效心智》的一大特點是，它以扎實的統計模型為基礎，但在呈現研究結果時並沒有過多使用晦澀的學術語言,而是引入了許多生動的案例來佐證觀點。韓森教授深諳「故事是數據的載體」這一道理，他巧妙地將枯燥的研究過程轉化為引人入勝的故事，讓讀者在閱讀的過程中獲得啟發和共鳴。這種深入淺出的表達方式使《高績效心智》成為了一本難得的暢銷書。

當然，我們也要認識到，每個人的工作環境和個人特質都有所不同，不存在放之四海而皆準的心智模式。《高績效心智》提供的更多是一種思考框架和方法論，讀者需要根據自己的實際情況進行取捨和調整。


結語：在不確定中實現自我超越


總的來說，《高績效心智》是一本兼具學術深度和實踐價值的好書。它不僅為我們提供了一套科學的方法來審視自己的工作方式，同時也啟發我們反思什麼是真正有意義的工作。在這個快速變化的時代，培養高績效心智或許是我們應對不確定性、實現自我超越的一把鑰匙。無論你是一名職場新人還是資深管理者，相信這本書都能給你帶來一些新的思考和啟發。


相關連結



2024年3月30日 星期六

AI for Medicine

作者：王廷瑋




由 DeepLearning.AI 在 Coursera 上提供的專項證書，包含有三個部分



AI for Medical Diagnosis


第一部分X光分類與腦瘤切割過去有做過相關研究
  1. Chiu HY, Peng RH, Lin YC, Wang TW, Yang YX, Chen YY, Wu MH, Shiao TH, Chao HS, Chen YM, Wu YT. Artificial Intelligence for Early Detection of Chest Nodules in X-ray Images. Biomedicines. 2022 Nov 7;10(11):2839. (SCI, 2022 IF=4.7 Q1)
  2. Wang TW, Hsu MS, Lee WK, Pan HC, Yang HC, Lee CC, Wu YT. Brain metastasis tumor segmentation and detection using deep learning algorithms: A systematic review and meta-analysis. Radiotherapy Oncol. 2023 Nov 13;190:110007.(SCI, 2022 IF=5.7, Q1)
  3. Wang TW, Shiao, Y., Hong, J., Lee, W., Hsu, M., Cheng, H., Yang, H., Lee, C., Pan, H., You, W. C., Lirng, J., Guo, W., & Wu, Y. (2024). Artificial Intelligence Detection and Segmentation Models: A Systematic Review and Meta-Analysis of Brain Tumors in Magnetic Resonance Imaging. Mayo Clinic Proceedings: Digital Health, 2(1), 75-91. (New journal)


AI for Medical Prognosis


第二部分預後的存活分析則是博士論文的主要內容！
  1. Wang TW, Chao HS, Chiu HY, Lu CF, Liao CY, Lee Y, Chen JR, Shiao TH, Chen YM, Wu YT. Radiomics of metastatic brain tumor as a predictive image biomarker of progression-free survival in patients with non-small-cell lung cancer with brain metastasis receiving tyrosine kinase inhibitors. Translational Oncol. 2024 Jan;39:101826. (SCI, 2022 IF=5.0, Q2)
  2. Wang TW, Chao HS, Chiu HY, Lin YH, Chen HC, Lu CF, Liao CY, Lee Y, Shiao TH, Chen YM, Huang JW, Wu YT. Evaluating the Potential of Delta Radiomics for Assessing Tyrosine Kinase Inhibitor Treatment Response in Non-Small Cell Lung Cancer Patients. Cancers (Basel). 2023 Oct 24;15(21):5125. (SCI, 2022 IF=5.2 Q2)
  3. Wang TW, Hsu MS, Lin YH, Chiu HY, Chao HS, Liao CY, Lu CF, Wu YT, Huang JW, Chen YM. Application of Radiomics in Prognosing Lung Cancer Treated with Epidermal Growth Factor Receptor Tyrosine Kinase Inhibitors: A Systematic Review and Meta-Analysis. Cancers (Basel). 2023 Jul 8;15(14):3542. (SCI, 2022 IF=5.2 Q2)
儘管專項證書課程的內容深度可能無法與學術論文相比，但它們廣泛覆蓋了相關領域的核心概念。


AI For Medical Treatment


關於臨床試驗的第三部分，這是一個我過去較少探索的領域。據了解，臨床試驗不僅是醫學研究的重要組成部分，也反映了一個國家科學研究的水平，美國在這方面尤為突出。

近期於 nejm ai 上發表的人工智能臨床實驗顯示，通過人工智能技術識別的高風險患者，進行額外評估後，不僅能降低醫療成本，還能改善患者的臨床預後。這些發現進一步證實了人工智能在醫學領域應用的巨大潛力及其在優化醫療資源配置和提高患者治療效果方面的重要作用。

深入淺出的專項課程！5星好評！



2024年3月28日 星期四

探索個人品牌的橋樑：從工作坊啟航

作者：王廷瑋





在這個瞬息萬變的網絡時代，我們每個人都像是一座孤島，急切地想要搭建起通往外界的橋樑。這座橋樑，就是我們的個人品牌。

正因為這樣的認知，即便我目前尚未確立自己的專業方向或產品概念，我還是決定報名參加了“網路時代之個人品牌工作坊”。我的動機很簡單：一方面，因為我對資訊領域和網路相關的知識頗有興趣，希望能從中汲取先行者的經驗和智慧；另一方面，我也希望提前熟悉相關工具和技術，以便在未來的職業生涯中，能夠順利把握每一次寶貴的機會。


建立網站，跟打造品牌是兩回事。


參加這次工作坊的經歷，給我留下了深刻的印象，而且，可以毫不夸張地說，結果遠超我的預期。雖然過去我有學習過建構網頁的基礎知識，但這次新思維的課程與傳統的程式碼撰寫課程截然不同。

從一早開始，講師便向我們闡述了網路對於個人品牌建立的重要性，並透過各種工具和案例的分享，讓我們見識到了網路時代下，個人品牌的力量。進入午間的實作環節，我們有機會將所學應用於實際操作中，這不僅激發了我的學習熱情，也加深了我的理解和記憶。


工具只是基本，重要的是核心。


更令我興奮的是，下午的課程安排涉及到了網絡法律問題，以及一些校友成功利用個人品牌在網絡時代中翻轉人生命運的真實案例。這些內容不僅豐富了我的知識儲備，也給了我莫大的啟發——在這個信息爆炸的時代，成功建立個人品牌，並非僅僅依靠繁瑣的技術操作，更重要的是如何巧妙地利用這些工具，將自己的專業知識或產品，轉化為具有價值的輸出。

輝達的 CEO 黃仁勳曾預言：「程式語言已死。」這不禁讓我反思，在網路和 AI 的時代，對我們來說，或許真正重要的不是完全掌握那些背後複雜的技術原理（畢竟這些原理對大多數人來說都是高不可攀的），而是要熟悉這些工具的基本性質和使用方法，並學會如何將這些工具與我們自己的專業知識相結合，創造出真正的價值。這正是新思維課程所要傳達的核心精神。


洞悉個人價值的本質，與時俱進。


課程中，我們被教導要持續探索，勇於嘗試，並且學會從實踐中學習。團隊的經驗分享，讓我們了解到，技術的學習和應用並非一成不變，而是需要隨著時間、環境的變化而不斷進化。透過講師和校友的實際案例，我們看到了，無論是遇到技術難題還是市場變化，關鍵在於我們如何利用已有的工具和資源，快速適應並解決問題。

這對我來說，是一個極大的啟示——在未來的職業道路上，面對 AI 時代帶來的挑戰，只有不斷學習、靈活應變，才能抓住每一次機遇，實現自我價值的提升。





透過這次工作坊，我也意識到經營品牌遠不是一項簡單的任務，它涉及到了品牌定位、市場分析、建立內容、社群互動等多個層面。不僅要有堅實的專業知識作為基礎，更需要學會如何透過網路平台有效地傳遞我們的價值，與目標受眾建立深度的連結。

正如課程中所強調的，真正成功的個人品牌，不僅能夠展示自己的專業能力和成就，更能夠激發起人們的共鳴，創造出影響力。



2024年3月26日 星期二

精進學習

工作坊


新思惟


個案報告、技術發表與文獻回顧工作坊

杜裕康教授


Stata劑量反應統合分析工作坊

線上課程


Deeplearning.ai



Johns Hopkins University



Freecodecamp

2024年3月23日 星期六

個人履歷

Curriculum Vitae 


Personal Data


王廷瑋
Ting-Wei Wang, MD PhD
Work: Email / LinkedIn / Github
Research: OCRID / Google Scholar / RearchGate


Education


National Yang-Ming Chiao Tung University, Taipei, Taiwan,
2020-2023 PhD, Department of Biophotonics
National Yang-Ming Chiao Tung University, Taipei, Taiwan,
2015-2023 MD, College of Medicine


Research and Work Experiences


2024~ Postdoctoral Fellow, Yang-Ming Chiao Tung University, Taipei, Taiwan, Department of Biophotonics
2024~ Teaching Assistant, Network Meta-Analysis Workshop, InnovaRad, Taiwan


Member of Academic Society


Taiwan Epidemiology Association
Taiwan Evidence-Based Medicine Association


Honors, Scholarship, and Grants


2023 Gen. & Mrs. M.C. Peng Fellowship from School of Medicine, National Yang-Ming Chiao Tung University 
2021 Direct-Track Ph.D. Scholarship, National Yang-Ming Chiao Tung University 


Peer-Reviewed Journal Publications

  1. Ting-Wei Wang, Jia-Sheng Hong , Hwa-Yen Chiu , Heng-Sheng Chao , Yuh-Min Chen , Yu-Te Wu Standalone Deep Learning versus Experts for Diagnosis Lung Cancer on Chest Computer Tomography: A Bivariate Meta-Analysis European radiology (SCI, 2022 IF=5.9 Q1) (Accepted)
  2. Wang TW, Hsu MS, Lee WK, Pan HC, Yang HC, Lee CC, Wu YT. Brain metastasis tumor segmentation and detection using deep learning algorithms: A systematic review and meta-analysis. Radiotherapy Oncol. 2023 Nov 13;190:110007.(SCI, 2022 IF=5.7, Q1) (Green Journal: Rank 2 in Radiation Oncology)
  3. Wang TW, Shiao, Y., Hong, J., Lee, W., Hsu, M., Cheng, H., Yang, H., Lee, C., Pan, H., You, W. C., Lirng, J., Guo, W., & Wu, Y. (2024). Artificial Intelligence Detection and Segmentation Models: A Systematic Review and Meta-Analysis of Brain Tumors in Magnetic Resonance Imaging. Mayo Clinic Proceedings: Digital Health, 2(1), 75-91. (New journal) (Mayo Clinic: World Rank 1 Hospital)
  4. Wang TW, Chao HS, Chiu HY, Lu CF, Liao CY, Lee Y, Chen JR, Shiao TH, Chen YM, Wu YT. Radiomics of metastatic brain tumor as a predictive image biomarker of progression-free survival in patients with non-small-cell lung cancer with brain metastasis receiving tyrosine kinase inhibitors. Translational Oncol. 2024 Jan;39:101826. (SCI, 2022 IF=5.0, Q2)
  5. Wang TW, Chao HS, Chiu HY, Lin YH, Chen HC, Lu CF, Liao CY, Lee Y, Shiao TH, Chen YM, Huang JW, Wu YT. Evaluating the Potential of Delta Radiomics for Assessing Tyrosine Kinase Inhibitor Treatment Response in Non-Small Cell Lung Cancer Patients. Cancers (Basel). 2023 Oct 24;15(21):5125. (SCI, 2022 IF=5.2 Q2)
  6. Wang TW, Hsu MS, Lin YH, Chiu HY, Chao HS, Liao CY, Lu CF, Wu YT, Huang JW, Chen YM. Application of Radiomics in Prognosing Lung Cancer Treated with Epidermal Growth Factor Receptor Tyrosine Kinase Inhibitors: A Systematic Review and Meta-Analysis. Cancers (Basel). 2023 Jul 8;15(14):3542. (SCI, 2022 IF=5.2 Q2)
  7. Wang CK†, Wang TW†, Lu CF, Wu YT, & Hua MW. (2024). Deciphering the Prognostic Efficacy of MRI Radiomics in Nasopharyngeal Carcinoma: A Comprehensive Meta-Analysis. Diagnostics, 14(9), 924. (SCI, 2022 IF=3.6 Q2) (†Equal contribution)
  8. Chiu HY, Wang TW, Hsu MS, Chao HS, Liao CY, Lu CF, Wu YT, Chen YM. Progress in Serial Imaging for Prognostic Stratification of Lung Cancer Patients Receiving Immunotherapy: A Systematic Review and Meta-Analysis. Cancers (Basel). 2024 Jan 31;16(3):615.(SCI, 2022 IF=5.2 Q2) 
  9. Lu CF, Liao CY, Chao HS, Chiu HY, Wang TW, Lee Y, Chen JR, Shiao TH, Chen YM, Wu YT. et al. A radiomics-based deep learning approach to predict progression free-survival after tyrosine kinase inhibitor therapy in non-small cell lung cancer. Cancer Imaging 23, 9 (2023). (SCI, 2022 IF=4.9 Q1)
  10. Chiu HY, Peng RH, Lin YC, Wang TW, Yang YX, Chen YY, Wu MH, Shiao TH, Chao HS, Chen YM, Wu YT. Artificial Intelligence for Early Detection of Chest Nodules in X-ray Images. Biomedicines. 2022 Nov 7;10(11):2839. (SCI, 2022 IF=4.7 Q1)


International Journal/Society Service


  1. Reviewer, Cancers (SCI)
  2. Reviewer, Electronics (SCI)
  3. Reviewer, Diagnostics (SCI)


Programming language


  1. Python
  2. MATLAB
  3. R
  4. STATA
  5. Java
  6. Arm assembly


數位醫療與人工智慧：從醫學影像中探索多樣性的力量

作者：王廷瑋





想像一下，如果查爾斯·達爾文在他的經典作品《物種起源》中，不僅談論了自然選擇和生物多樣性，還預見到了這些概念未來在數位醫療領域中的重要應用。在當今科技迅速發展的時代，人工智慧（AI）在醫學診斷領域扮演著舉足輕重的角色。從美國科學界對多元文化的重視到對大型AI模型的訓練和應用[1,2]，多樣性的重要性被一次又一次地強調。那麼，我們不禁要問，數據的多樣性如何影響AI模型的準確性和可靠性呢？


我們的研究


在我們團隊最近於《Mayo Clinic Proceedings: Digital Health》發表的研究中[3]，我們透過統合分析方法檢視了超過12,000名患者的數據，這些數據來自19項利用磁共振成像（MRI）技術檢測和分割腦瘤的研究。我們發現，來自不同MRI製造商的數據量似乎對AI模型的泛化能力有著積極的影響，意味著數據來源越多樣，模型在不同條件下的表現就越好。這提醒我們，在訓練AI模型時，不應僅僅關注數據量的增加，數據的多樣性也同等重要。


相關研究


類似的結論也出現在杜克大學去年發表於《International Journal of Radiation Oncology, Biology, Physics》的研究中[4]。該研究發現，將來自不同病例的腦轉移瘤數據合併到同一訓練集中，能顯著提高模型在不同人群中的準確度，進一步證明了多樣性對於提升AI準確性的重要性。

這些發現讓我們推斷，豐富和多樣的數據集比單一大量數據更能提升模型的準確度。如果未來我們能開發出一種衡量數據多樣性的方法，將使我們能以更高的效率和更少的資源來訓練AI。

此外，這種多樣性指標還可以用於訓練生成式模型，以創造出更多樣化的數據。今年初在《Neuro Oncology》發表的一項研究已展示[5]，增加數據多樣性可以提高深度學習模型在預測IDH基因突變方面的準確度，甚至超越神經放射科醫師，這不僅為我們提供了增強AI模型性能的新工具，也為未來開發更公正、更準確的AI系統奠定了基礎。


未來發展


透過不斷探索和重視數據多樣性，我們有機會在數位醫療領域帶來革命性的變革，使人工智能不僅更加智能，也更加包容和適應。這一切的起點，正是對多樣性深刻的理解和尊重，就如同達爾文對自然界多樣性的讚頌，我們現在也在讚頌數據多樣性在人工智能領域中的關鍵作用。


參考文獻

  1. Mikhael PG, Wohlwend J, Yala A, Karstens L, Xiang J, Takigami AK, Bourgouin PP, Chan P, Mrah S, Amayri W, Juan YH, Yang CT, Wan YL, Lin G, Sequist LV, Fintelmann FJ, Barzilay R. Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography. J Clin Oncol. 2023 Apr 20;41(12):2191-2200.
  2. Yala A, Mikhael PG, Strand F, Lin G, Satuluru S, Kim T, Banerjee I, Gichoya J, Trivedi H, Lehman CD, Hughes K, Sheedy DJ, Matthis LM, Karunakaran B, Hegarty KE, Sabino S, Silva TB, Evangelista MC, Caron RF, Souza B, Mauad EC, Patalon T, Handelman-Gotlib S, Guindy M, Barzilay R. Multi-Institutional Validation of a Mammography-Based Breast Cancer Risk Model. J Clin Oncol. 2022 Jun 1;40(16):1732-1740. doi: 10.1200/JCO.21.01337
  3. Wang, T., Shiao, Y., Hong, J., Lee, W., Hsu, M., Cheng, H., Yang, H., Lee, C., Pan, H., You, W. C., Lirng, J., Guo, W., & Wu, Y. (2024). Artificial Intelligence Detection and Segmentation Models: A Systematic Review and Meta-Analysis of Brain Tumors in Magnetic Resonance Imaging. Mayo Clinic Proceedings: Digital Health, 2(1), 75-91.
  4. Fairchild AT, Salama JK, Wiggins WF, Ackerson BG, Fecci PE, Kirkpatrick JP, Floyd SR, Godfrey DJ. A Deep Learning-Based Computer Aided Detection (CAD) System for Difficult-to-Detect Brain Metastases. Int J Radiat Oncol Biol Phys. 2023 Mar 1;115(3):779-793
  5. Moon, H. H., Jeong, J., Park, J. E., Kim, N., Choi, C., Kim, Y., Song, S. W., Hong, C., Kim, J. H., & Kim, H. S. Generative AI in glioma: Ensuring diversity in training image phenotypes to improve diagnostic performance for IDH mutation prediction. Neuro-Oncology.


Work: Email / LinkedIn / Github
Research: OCRID / Google Scholar / RearchGate