關於 顯影劑種類 ，我們在網路上蒐集到這些相關的討論、資訊與評價

⭕️ CRT與ICD於心衰竭的治療

Part 4
HF ESC guidelines 2021

Key words:
ICD: Implantable Cardiac Defibrillator 心臟整流去顫器
CRT: Cardiac resynchronization Therapy心臟再同步化治療
CRT-P: CRT Pacemaker心臟再同步起搏器
CRT-D: CRT defibrillator心臟再同步去顫器

前言：

在開始敘述ESC HF指引的CRT及ICD治療之前，先簡單介紹這兩種心臟裝置，讓各位有個初步瞭解。除了心臟科醫師外，大家對CR及ICDT仍然是比較陌生的。就從簡單講起，然後再進入治療指引。

可以置入心臟內的裝置(Devices): CRT and ICD
CRT: 心臟再同步化治療(Cardiac Resynchronization Therapy)

⭕️ 心臟再同步化節律器

是一組類似一般心律調整器的機器，但比只放置兩條電線的傳統心律調整器，多放了一條電線到左心室，因而可以有效同時刺激左右心室，使其恢復同步而有效率的收縮，藉以達到改善心臟功能的目的，所以其適應症是左右心室不同步收縮的重度心臟衰竭。利用節律器將心臟左、右心室做同步化的跳動收縮，以增加心臟收縮能力，提升病人活動功能性。這就是心臟再同步化治療(CRT)。

這是綜合運用電生理、心導管、血管攝影及心臟節律器的技術，在病患是清醒的狀態下，經局部麻醉，在病患前胸皮下切開一個小傷口，經由Ｘ光透視將導線置放到心臟的左、右心室，使心臟能夠同步性的收縮。最後將再同步化節律器植入皮下，縫合傷口，完成手術。

心臨床上建議心臟衰竭合併左側支束傳導完全阻滯的治療仍以藥物為優先，經適當藥物治療仍無法改善其心臟衰竭時，才考慮進行心臟再同步化的節律器治療(CRT)。

對心衰竭病患的臨床好處：

包括症狀改善以及心臟功能的進步。心臟功能的進步方面，包括左心室的搏出分 率可以上升（大約上升 7%~10%），可以使得心臟的二尖瓣回流減少，亦可以使得左心的大小縮小，對於病患的血壓可以上升，而且在 NT-proBNP 的血清檢查可以發現有下降的跡象。再者，心臟電氣的變化，會使得在心電圖顯示QRS 波的寬度會較為縮短。

⭕️ ICD: 心臟整流去顫器(Implantable Cardiac Defibrillator)

「心臟性猝死」的定義是指：在沒有其它潛在疾病所導致死亡的病因下，由於心臟血管系統問題所導致的突然及非預期性死亡。在此所謂的「猝死」指的是在症狀發作之後一小時之內之個體死亡。雖然過去的四、五十年間，由於醫學治療及抗心律不整藥物的進步，因為心臟疾患而直接造成的死亡率呈現下降的趨勢，但是心臟性猝死仍然高居其中一半的原因，而其中絕大部份是來自心室頻脈及衍生心室的顫動。

心衰竭的死亡率很高。經過良好的治療可以改善其預後及生活品質，但是仍有一部份心衰竭的病人會因突發的心室頻脈、心室顫動而有猝死的風險。

心臟整流去顫器(ICD)是一種類似心律調節器的體內去顫器，植入病人體內後，它可以隨時主動偵測病人突發的心室頻脈、心室顫動，並在最短時間內放出適當的電流刺激及電擊治療，使心臟回到應有的心律跳動。心臟整流去顫器(ICD)雖不能改善心臟無力的症狀，但確實可降低因為心室頻脈或心室顫動而猝死的機會。

⭕️ 心衰竭的心律不整的治療方式

HF 患者的死亡比例很高，尤其是那些症狀較輕的患者較易突然發生。其中許多可能是由於心臟電生理異常，包括心室心律不整、心律過慢和心搏停止。改善或延緩心血管疾病進展的治療可以降低猝死的年發生率。植入式去顫器(ICD, intracardiac defibrillator)可有效治療潛在致命的室性心律不整，經由靜脈系統置入的情況下，還可預防心搏過緩。一些抗心律不整藥物可能會降低快速性心律不整和猝死的發生率，但不會降低總體死亡率，並且可能會增加。

⭕️心因性猝死的二級預防

與Amiodarone治療相比，ICD 可降低心臟驟停倖存者和經歷過持續症狀心室心律不整患者的死亡率。如果目的是提高生存率時，建議在此類患者中使用 ICD；植入的決定應考慮患者的觀點和他們的生活品質、LVEF（當 LVEF > 35% 時，存活利弊不確定）以及在接下來的一年內沒有其他可能導致死亡的疾病。

⭕️ 心因性猝死的一級預防

在對來自12項關鍵HF研究的40, 000多名患者的分析中，心因性猝死率在20 年間（從1990年代中期到2015年）下降了44%。這應歸功於HF治療的進步，因為許多關鍵的指南推薦療法，包括乙型阻斷劑、MRA、sacubitril/valsartan和CRT-P，可降低猝死風險。雖然上述HF療法已被證明可以降低 HFrEF 患者的死亡率，但Amiodarone卻沒有。但是，如果要使用Amiodarone，應謹慎小心，注意其顯著的副作用。相反，Dronedarone和Class I類抗心律不整藥：disopyramide, encainide, 及 flecainide，由於臨床研究顯示會增加死亡率，不應用於預防心律不整。

DANISH研究中，非缺血性心肌病 (NICM, non-ischemic cardiomyopathy) 患者的猝死率較低；追蹤5 年以上的 1116例患者中僅有 70例猝死。雖然電擊器的設備降低了猝死率，但這並沒有顯著改善整體之死亡風險。但亞組分析顯示，對於≤ 70歲的患者有好處。在最近對 ICD 對 NICM 影響的研究進行的綜合分析中，仍然看到了存活好處。

平均而言，IHD(Ischemic Heart Disease) 患者的猝死風險高於 NICM 患者，因此，儘管相對好處相似，但IHD患者的絕對獲益更大。兩項隨機對照研究顯示，心肌梗塞後40天內植入 ICD 的患者沒有實質好處。雖然心律不整之猝死減少了，但非心律不整死亡的增加，抵消了這一點。因此，在此期間禁止使用 ICD 進行一級預防。此外，至少3個月的優化的藥物治療(OMT) 未能將 LVEF 增加至 >35% 時，才推薦植入 ICD。優化的藥物治療理想地包括使用I類推薦的 HFrEF 藥物。然而，我們引用的 ICD 研究早於 ARNI 和 SGLT2 抑製劑的使用。植入ICD 是否能降低 LVEF > 35% 的死亡率尚不清楚。在心臟核磁共震掃描上存在疤痕的此類患者中，正在進行 ICD 治療研究。

⭕️ 植入式心律復原除顫器(cardioverter-defibrillator)治療的患者選擇

1. HFrEF和QRS寬度≥130 ms 的患者可以考慮使用除顫器 (CRT-D) 而不是 ICD 進行 CRT。

2. 在中度或重度心衰患者中，猝死的減少可能被心衰惡化導致的死亡增加部分或全部抵消。因此，不推薦ICD治療NYHA Fc IV、嚴重症狀對藥物治療無效、不適合心室輔助裝置 (VAD) 或心臟移植的患者。這些患者的預期壽命非常有限，很可能死於泵故障。同樣，患有嚴重合併症且生活品質不太可能存活超過1年的患者不太可能從ICD中獲得實質益處。

3. 儘管 DANISH 研究並未顯示 ICD 治療對 NICM 患者有顯著益處，但應記住，NICM 是一種異質性疾病，某些亞組（如椎板病、結節病）猝死的風險較高，因此值得仔細考慮ICD 植入術。在這方面，幫助風險分層的工具（例如磁共振成像的疤痕負擔）可能會有所幫助。

✅ 應告知患者 ICD 的目的並參與決策過程。
✅ 他們還應了解與植入相關的潛在並發症、對駕駛的任何其他影響以及不當電擊的風險。
✅ 應告知患者除顫器（或 CRT-D 的除顫器組件）可能停用（例如晚期疾病）或移植（例如感染或 LV 功能恢復）的情況。
✅ 應與患者和護理人員及時就停用除顫器進行對話。
✅ 當 ICD 已達到使用壽命或需要外植時，不應自動更換。相反，應該進行共同決策。(參考圖1)
✅ 患者應由經驗豐富的心臟專家仔細評估，因為自植入以來治療目標可能發生了變化（致命性心律不整的風險可能較低，或非心律不整死亡的風險可能較高）。
✅ LVEF 顯著改善且在ICD的生命週期內不需要裝置治療的患者是否應該植入另一個裝置，這是一個存在爭議的問題。

⭕️ 植入式心律復原除顫器編程(programming)

植入ICD或CRT-D後不再進行常規除顫閾值測試，因為它不會提高電擊效果或減少心律不整死亡。ICD偵測心律不整到放電治療過程延長，保守編程可顯著降低不適當及適當但不必要的電擊的風險。通常，用於初級預防，去纖顫器的編程，以盡量減少起搏（例如心室需求在40 /分鐘起搏VVI），並用心動過速處理區> 200 /分鐘。對於二級預防之規劃應根據患者的具體需求進行調整。

⭕️ 皮下和可穿戴植入式心律轉復除顫器

皮下 ICD (S-ICD) 似乎與傳統經靜脈 ICD 一樣有效，但併發症發生率相似。儘管最初不適當電擊的風險似乎更高，但改進的患者選擇顯示 S-ICD 在這方面並不劣於經靜脈 ICD。對於靜脈管徑困難的患者或因感染需要ICD的患者，它們可能是首選。必須仔細選擇患者，因為 S-ICD不能治療緩慢性心律不整（電擊後起搏除外），也不能提供抗心動過速起搏或 CRT。

對於具有猝死高風險但不適合植入ICD的特定HF患者，可以在有限的時間內考慮使用能夠識別和治療室性心律不整的可穿戴式心律轉復除顫器。然而，大型 VEST 研究未能顯示，可穿戴式心律轉復除顫器減少近期急性心肌梗死後 LVEF ≤ 35% 的患者的心律不整死亡。
有關ICD使用/適應症的更詳細建議，請參閱 ESC/歐洲心律協會 (EHRA) 關於室性快速性心律不整和心因性猝死的指南。2015 ESC Guidelines for the management of patients with ventricular arrhythmias and the prevention of sudden cardiac death. Eur Heart J 2015;36:2793_2867.

⭕️ 心臟再同步治療

CRT 用於治療HF之建議

在適當選擇的個體中，CRT可降低發病率和死亡率。CRT可改善心臟功能，並提高生活品質。

QRS 形態與 CRT 的有益反應有關。多項研究顯示，左束支傳導阻滯 (LBBB) 形態的患者更有可能對 CRT 產生良好反應，而非 LBBB 形態的患者則不確定。然而，LBBB 形態的患者通常具有更寬的 QRS 寬度，目前存在關於 QRS 寬度或 QRS 形態是否是 CRT 有益反應的主要預測因素的爭論。來自兩個 IPD 薈萃分析的證據顯示，在考慮QRS寬度後，幾乎沒有證據顯示QRS形態或疾病病因會影響 CRT 對發病率或死亡率的影響。

Echo-CRT研究和IPD薈萃分析建議從CRT可能的傷害時，QRS寬度是<130毫秒，因此，如果QRS寬度<130毫秒，不建議CRT植入。

✅ 處於SR和 LBBB，如果 QRS 介於 130 和 149 ms 之間，則應考慮 CRT-D。
✅ 如果 QRS ≥150 ms，則建議使用 CRT-D。
✅ 各國的臨床實踐差異很大，如果植入 CRT 的主要原因是為了緩解症狀，那麼臨床醫生應該選擇 CRT-P 或 CRT-D，以他們認為合適的為準。
✅ 唯一一項比較 CRT-P 和 CRT-D 210 的隨機研究並未證明這些技術在發病率或死亡率方面存在差異。
✅ NICM 患者的DANISH研究中，58%的患者接受了CRT，亞組分析沒有顯示 CRT-P不如CRT-D。

當 LVEF 降低時，RV 起搏可能會加劇心臟不同步。這可以通過 CRT 來預防，這可能會改善患者的預後。然而，在RAFT的亞組分析中未觀察到CRT和 RV 起搏之間的結果差異。

總的來說，對於有心室起搏的 HFrEF 患者，無論 NYHA 分級如何，都推薦 CRT 而不是 RV 起搏，以降低發病率，儘管沒有觀察到對死亡率的明顯影響。

接受傳統起搏器或ICD的HFrEF患者，即使已經給予優化的藥物治療，但隨後發展為 HF 惡化並伴有高比例的RV起搏，應考慮升級至CRT。

只有兩項小型研究比較了AF患者的單獨藥物治療與CRT治療，結果相互矛盾。多項研究顯示，在接受房室 (AV) 結電燒術的患者中，CRT優於RV起搏。

NEJM(2018)的一篇Catheter Ablation for Atrial Fibrillation with Heart Failure也指出導管電燒術優於OMT治療，全因死亡率 13.4% vs 25%

然而，AF不是CRT 患者進行房室結電燒術的指標，除非在少數情況下，儘管嘗試了藥物控制率，但心室率仍持續高。來自 RAFT研究的AF患者的亞組分析發現，與ICD相比，CRT-D 沒有益處，儘管不到一半的患者雙心室捕獲 >90%。鑑於CRT對AF患者的療效缺乏證據，它可能是特定患者尤其是 QRS ≥ 150 ms的患者）的一種選擇，以確保盡可能高的雙心室起搏比例。

觀察性研究報告說，當雙心室捕捉(Bi-ventricular Capture) <98% 時，CRT 患者的預後會下降。是否反映了再同步功能的喪失（可能通過設備編程來補救）、LV 導線放置不當，或者嚴重患病心肌的起搏更加困難，仍燃無法確定。

早期研究顯示，不同步的影像學檢查在選擇 CRT 患者時沒有價值。然而，最近的一項研究顯示，兩個新的不同步標誌物（心尖擺動和間隔閃光）與 CRT 的反應有關，但這些尚未作為選擇標准或隨機研究中預先指定的亞組進行測試。有廣泛心肌瘢痕的患者使用 CRT 對 LV 功能的改善較少，但對於 HFrEF 的任何治療都是如此，並且不能可靠地預測較少的臨床益處。瘢痕心肌的起搏閾值較高，如果可能，導線放置應避開這些區域。儘管廣泛瘢痕形成的患者本質上預後較差，但幾乎沒有證據顯示他們從 CRT 中獲得較少的預後益處。

✅ 詳細全文在此，繼續閱讀～～
https://reurl.cc/V5p5lZ

References:
1. ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure 2021. European Heart Journal (2021) 00, 1-128
2. CRT Guidelines ESC 2021. European Heart Journal (2021) 00, 1-94
3. 2015 ESC Guidelines for the management of patients with ventricular arrhythmias and the prevention of sudden cardiac death: Eur Heart J 2015;36:2793-2867.
4. Catheter Ablation for Atrial Fibrillation with Heart Failure. N Engl J Med 2018; 378:417-427

迎接終端AI新時代：讓運算更靠近資料所在

作者 : Andrew Brown，Strategy Analytics
2021-03-03

資料/數據(data)成長的速度越來越快。據估計，人類目前每秒產出1.7Mb的資料。智慧與個人裝置如智慧型手機、平板電腦與穿戴式裝置不但快速成長，現在我們也真正目睹物聯網(IoT)的成長，未來連網的裝置數量將遠遠超越地球的人口。

這包括種類繁多的不同裝置，像是智慧感測器與致動器，它們可以監控從震動、語音到視覺等所有的東西，以及幾乎大家可以想像到的所有東西。這些裝置無所不在，從工廠所在位置到監控攝影機、智慧手錶、智慧家庭以及自主性越來越高的車輛。隨著我們企圖測量生活週遭數位世界中更多的事物，它們的數量將持續爆炸性成長。

資料爆量成長，讓許多企業把資料從內部部署運作移到雲端。儘管集中到雲端運算的性質，在成本與資源效率、彈性與便利性有它的優點，但也有一些缺點。由於運算與儲存在遠端進行，來自終端、也就是那些在網路最邊緣裝置的資料，需要從起始點經過網際網路或其他網路，來到集中式的資料中心(例如雲端)，然後在這裡處理與儲存，最後再傳回給用戶。

對於一些傳統的應用，這種方式雖然還可以接受，但越來越多的使用場景就是無法承受終端與雲端之間，資訊被接力傳遞產生的延遲。我們必須即時做出決策，網路延遲要越小越好。基於這些原因，開始有人轉向終端運算；越來越多人轉而使用智慧終端，而去中心化的程度也越來越高。此外，在這些即時應用中產生的龐大資料量，意味著處理與智慧必須在本地以分散的方式進行。

與資料成長連袂而來的，是人工智慧與機器學習(ML)也朝終端移動，並且越來越朝終端本身移動。大量來自真實世界的資訊，需要用ML的方式來進行詮釋與採取行動。透過AI與ML，是以最小的延遲分析影像、動作、影片或數量龐大的資料，唯一可行且合乎成本效益的方式。運用AI與ML的演算法與應用將在邊緣運作，在未來還將會直接在終端裝置上進行。

資料正在帶動從集中化到分散化的轉變

隨著資訊科技市場逐漸發展與成熟，網路的設計以及在其運作的所有裝置，也都跟著進化。全盛時期從服務數千個小型客戶端的主機，一直到客戶端伺服器模型中使用的越來越本地化的個人電腦運算效能，基礎架構持續重組與最佳化，以便更貼近網路上的裝置以及符合運作應用的需求。這些需求包含檔案存取與資料儲存，以及資料處理的需求。

智慧型手機與其他行動裝置的爆炸性成長，加上物聯網的快速成長，促使我們需要為如何讓資產進行最佳的部署與安排進行評估。而影響這個評估的因素，包括網路的可用性、安全性、裝置的運算力，以及把資料從終端傳送到儲存設備的相關費用，近來也已轉向使用分散式的運算模型。

從邊緣到終端：AI與ML改變終端典範

在成本、資源效率、彈性與便利性等方面，雲端有它的優點，裝置數量的急遽增加(如圖2)，將導致資料產出量大幅增加。這些資料大部份都相當複雜且非結構化的，這也是為何企業只會分析1%~12% 的資料的原因之一。把大量非結構化的資料送到雲端的費用相當高、容易形成瓶頸，而且從能源、頻寬與運算力角度來看，相當沒有效率。

在終端執行進階處理與分析的能力，可協助為關鍵應用降低延遲、減少對雲端的依賴，並且更好地管理物聯網產出的巨量資料。

終端AI：感測、推論與行動

在終端部署更多智慧的主要原因之一，是為了創造更大的敏捷性。終端裝置處於網路的最邊緣與資料產生的地方，可以更快與更準確地做出回應，同時免除不必要的資料傳輸、延遲與資料移動中的安全風險，可以節省費用。

處理能力與神經網路的重大進展，正協助帶動終端裝置的新能力，另一股驅動力則是對即時資訊、效率(傳送較少的資訊到雲端)、自動化與在多數情況下，對近乎即時回應的需求。這是一個三道步驟的程序：傳送資料、資料推論(例如依據機器學習辨識影像、聲音或動作)，以及採取行動(如物件是披薩，冰箱的壓縮機發出正常範圍外的聲音，因此發出警告)。

感測

處理器、微控制器與感測器產生的資料量相當龐大。例如，自駕車每小時要搜集25GB的資料。智慧家庭裝置、智慧牙刷、健身追蹤器或智慧手錶持續進化，並且與以往相比，會搜集更多的資料。

它們搜集到的資料極具價值，但每次都從各個終端節點把資料推回給雲端，數量又會過多。因此必須在終端進行處理。倘若部份的作業負載能在終端本身進行，就可以大幅提升效率。

推論

終端搜集到的資料是非結構性的。當機器學習從資料擷取到關聯性時，就是在進行推論。這表示使用AI與ML工具來幫忙訓練裝置辨識物件。拜神經網路的進展之賜，機器學習工具越來越能訓練物件以高度的精準度辨識影像、聲音與動作，這對體積越來越小的裝置，極為關鍵。

例如，圖4顯示使用像ONNX、PyTorch、Caffe2、Arm NN或 Tensorflow Lite 等神經網路工具，訓練高效能的意法半導體(ST)微控制器(MCU)，以轉換成最佳化的程式碼，讓MCU進行物件辨識(這個的情況辨識對象是影像、聲音或動作)。更高效能的MCU越來越常利用這些ML工具來辨識動作、音訊或影像，而且準確度相當高，而我們接下來馬上就要對此進行檢視。這些動作越來越頻繁地從邊緣，轉移到在終端運作的MCU本身。

行動

資料一旦完成感測與推論後，結果就是行動。這有可能是回饋簡單的回應(裝置是開啟或關閉)，或針對應用情況進行最佳化(戴耳機的人正在移動中，因此會針對穩定度而非音質進行最佳化)，或是回饋迴路(根據裝置訓練取得的機器學習，輸送帶若發出聲音，顯示它可能歪掉了)。物聯網裝置將會變得更複雜且更具智慧，因為這些能力提升後，運算力也會因此增加。在我們使用新的機器學習工具後，一些之前在雲端或終端完成的關鍵功能，將可以移到終端本身的內部進行。

終端 AI：千里之行始於足下

從智慧型手機到車輛，今日所有電子裝置的核心都是許多的處理器、微控制器與感測器。它們執行各種任務，從最簡單到最複雜，並需要各式各樣的能力。例如，應用處理器是高階處理器，它們是為行動運算、智慧型手機與伺服器設計；即時處理器是為例如硬碟控制、汽車動力傳動系統，與無線通訊的基頻控制使用的非常高效能的處理器，至於微控制器處理器的矽晶圓面積則小了許多，能源效率也高出很多，同時擁有特定的功能。

這意味著利用ML工具訓練如MCU等較不複雜元件來執行的動作，之前必須透過威力更強大的元件才能完成，但現在邊緣與雲端則是理想的場所。這將讓較小型的裝置以更低的延遲執行更多種類的功能，例如智慧手錶、健康追蹤器或健康照護監控等穿戴式裝置。

隨著更多功能在較小型的終端進行，這將可以省下資源，包括資料傳輸費用與能源費用，同時也會產生極大的環境衝擊，特別是考量到全球目前已有超過200億台連網裝置，以及超過2,500億顆MCU(根據Strategy Analytics統計數據)。

TinyML、MCU與人工智慧

根據Google的TesnsorFlow 技術主管、同時也是深度學習與TinyML領域的指標人物 Pete Warden 表示：「令人相當興奮的是，我還不知道我們將如何使用這些全新的裝置，特別是它們後面代表的科技是如此的吸引人，我無法想像那些即將出現的全新應用。」

微型機器學習(TinyML)的崛起，已經催化嵌入式系統與機器學習結合，而兩者傳統上大多是獨立運作的。TinyML 捨棄在雲端上運作複雜的機器學習模型，過程包含在終端裝置內與微控制器上運作經過最佳化的模式識別模型，耗電量只有數毫瓦。

物聯網環境中有數十億個微型裝置，可以為各個產業提供更多的洞察與效率，包括消費、醫療、汽車與工業。TinyML 獲得 Arm、Google、Qualcomm、Arduino等業者的支持，可望改變我們處理物聯網資料的方式。

受惠於TinyML，微控制器搭配AI已經開始增添各種傳統上威力更強大的元件才能執行的功能。這些功能包括語音辨識(例如自然語言處理)、影像處理(例如物件辨識與識別)，以及動作(例如震動、溫度波動等)。啟用這些功能後，準確度與安全性更高，但電池的續航力卻不會打折扣，同時也考量到各種更微妙的應用。

儘管之前提到的雲端神經網路框架工具，是取用這個公用程式最常用的方法，但把AI函式庫整合進MCU，然後把本地的AI訓練與分析能力插入程式碼中也是可行的。這讓開發人員依據從感測器、麥克風與其他終端嵌入式裝置取得的訊號導出資料模式，然後從中建立模型，例如預測性維護能力。

如Arm Cortex-M55處理器與Ethos U55微神經處理器(microNPU)，利用CMSIS-DSP與CMSIS-NN等常見API來簡化程式碼的轉移性，讓MCU與共同處理器緊密耦合以加速AI功能。透過推論工具在低成本的MCU上實現AI功能並符合嵌入式設計需求極為重要，原因是具有AI功能的MCU有機會在各種物聯網應用中轉變裝置的設計。

AI在較小型、低耗電與記憶體受限的裝置中可以協助的關鍵功能，我們可以把其精華歸納至我們簡稱為「3V」的三大領域：語音(Voice，如自然語言處理)、視覺(Vision，如影像處理)以及震動(Vibration，如處理來自多種感測器的資料，包括從加速計到溫度感測器，或是來自馬達的電氣訊號)。

終端智慧對「3V」至關重要

多數的物聯網應用聚焦在一些特定的領域：基本控制(開/關)、測量(狀態、溫度、流量、噪音與震動、濕度等)、資產的狀況(所在地點以及狀況如何？)，以及安全性功能、自動化、預測性維護以及遠端遙控(詳見圖 6)。

Strategy Analytics的研究顯示，許多已經完成部署或將要部署的物聯網B2B應用，仍然只需要相對簡單的指令，如基本的開/關，以及對設備與環境狀態的監控。在消費性物聯網領域中，智慧音箱的語音控制AI已經出現爆炸性成長，成為智慧家庭指令的中樞，包括智慧插座、智慧照明、智慧攝影機、智慧門鈴，以及智慧恆溫器等。消費性裝置如藍牙耳機現在已經具備情境感知功能，可以依據地點與環境，在音質優先與穩定度優先之間自動切換。

如同我們檢視的結果，終端AI可以在「3V」核心領域提供價值，而它觸及的許多物聯網領域，遍及B2B與B2C的應用：

震動：包含來自多種感測器資料的處理，從加速計感測器到溫度感測器，或來自馬達的電氣訊號。
視覺：影像與影片辨識；分析與識別靜止影像或影片內物件的能力。
語音：包括自然語言處理(NLP)、瞭解人類口中說出與寫出的語言的能力，以及使用人類語言與人類交談的能力-自然語言產生(NLG)。
垂直市場中有多種可以實作AI技術的使用場景：

震動

可以用來把智慧帶進MCU中的終端AI的進展，有各式各樣的不同應用領域，對於成本與物聯網裝置與應用的效用，都會帶來衝擊。這包括我們在圖6中點出的數個關鍵物聯網應用領域，包括：

溫度監控；
壓力監控；
溼度監控；
物理動作，包括滑倒與跌倒偵測；
物質檢測(漏水、瓦斯漏氣等) ；
磁通量(如鄰近感測器與流量監控) ；
感測器融合(見圖7)；
電場變化。

一如我們將在使用場景單元中檢視的，這些能力有許多可以應用在各種被普遍部署的物聯網應用中。

語音

語音是進化的產物，也是人類溝通非常有效率的方式。因此我們常常想要用語音來對機器下指令，也不令人意外；聲音檢測是持續成長的類別。語音啟動在智慧家庭應用中很常見，例如智慧音箱，而它也逐漸成為啟動智慧家庭裝置與智慧家電的語音中樞，如電視、遊戲主機與其他新的電器。

在工業環境中，供車床、銑床與磨床等電腦數值控制(CNC)機器使用的電腦語音引擎正方興未艾。iTSpeex的ATHENA4是第一批專為這些產品設計的語音啟動作業系統。這些產品往往因為安全原因，有離線語音處理的需求，因此終端 AI 語音發展在這裡也創造出有趣的機會。用戶可以指示機器執行特定的運作，並從機器手冊與工廠文件，立即取用資訊。

語音整合在車輛中也相當關鍵。OEM 代工廠商持續對車載娛樂系統中的語音辨識系統，進行大量投資。語音有潛力成為最安全的輸入模式，因為它可以讓駕駛的眼睛持續盯著道路，而雙手仍持續握著方向盤。

對於使用觸控螢幕或硬體控制器通常需要多道步驟的複雜任務，語音辨識系統特別能勝任。這些任務包括輸入文字簡訊、輸入目的地、播放特定歌曲或歌曲子集，以及選擇廣播電台頻道。其他的服務包含如拋錨服務(或bCall)與禮賓服務。

視覺

正如我們之前已經檢視過，終端 AI 提供視覺領域全新的機會，特別是與物件檢測及辨識相關。這可能包括觀察生產線的製造瑕疵，以及找出自動販賣機需要補貨的庫存。其他實例包括農業應用，例如依據大小與品質為農產品分級。

曳引機裝上機器視覺攝影機後，我們幾乎可以即時檢測出雜草。雜草冒出後，AI可以分類雜草並估算它對農產收穫的潛在威脅。這讓農民可以鎖定特定的雜草，並打造客製的除草解決方案。機器視覺然後可以檢測除草劑的效用，並找出農地中仍具抗藥性的殘餘雜草。

使用場景

預測性維護工具已經從擷取與比較震動的量測資料，進化到提出即時的資產監控。藉由連接物聯網感測器裝置與維護軟體，我們也可能做到遠端監控。

震動分析

這種類型的預測性維護在旋轉型機器密集的製造工廠裡，相當常見。震動分析可以揭露鬆脫、不平衡、錯位與軸承磨損等狀況。例如，把震動計量器接上靠近選煤廠離心泵浦內部承軸處，就可以讓工程師建立起正常震動範圍的基線。超出這個範圍的震動，可能顯示滾珠軸承出現鬆動，需要更換。

磁感測器融合

磁感測器利用磁性浮筒與一系列可以感應並與液體表面一起移動的感測器，測量液面的高低。所有的這些應用都使用一個固定面上的磁感測器，它與附近平面的磁鐵一起作動，與這個磁鐵相對應的感測器也會移動。

聲學分析(聲音)

與震動分析相似，聲測方位分析也是供潤滑技師使用，主要是專注在主動採取潤滑措施。這意味我們可以避免移動設備時產生的過度磨損，否則會為了修理造成代價高昂的停機。實際的例子可能包括測量輸送皮帶的承軸狀況。出現過度磨損時，承軸會因為潤滑不足或錯位出現故障，可能造成整個生產流程的中斷。

聲學分析(超音波)

聲音聲學分析雖然可以用來進行主動與預測性維護，超音波聲學分析卻只能用於預測性維護。它可以在超音波範圍內找出與機器摩擦及壓力相關的聲音，並使用在會發出較細微聲音的電氣設備與機器設備。我們可以說這一類型的分析與震動或油量分析相比，更可以預測即將出現的故障。目前它部署起來比其他種類的預防性維護花費較高，但終端 AI 的進展可以促成這種細微層級的聲學檢測，大幅降低部署的費用。

熱顯影

熱顯影利用紅外線影像來監控互動機器零件的溫度，讓任何異常情況很快變得顯而易見。具備終端 AI 能力的裝置，可以長期檢測微細的變化。與其他對事故敏感的監視器一樣，它們會觸發排程系統，自動採取適當的行動來預防零件故障。

消費者與智慧家庭

將語音運用在消費者與智慧家庭，是最常看到的場景之一。這包括智慧型手機與平板電腦上、未包含電話整合功能的裝置，例如螢幕尺寸有限的穿戴式裝置。這類型的裝置包含智慧手錶與健康穿戴式裝置，可以為各種功能提供免動手的語音啟動。像 Amazon 的 Echo 或 Google 的 Home 等智慧音箱市場的成長，說明消費者對於可接收與提供語音互動等現有裝置的強勁需求，與日俱增。

消費者基於各種理由使用智慧音箱，最常見的使用場景為：

聽音樂；
控制如照明等智慧家庭裝置；
取得新聞與天氣預報的更新；
建立購物與待辦事項清單。

除了像智慧音箱與智慧電視等消費裝置，智慧家庭裝置語音的使用，也顯現相當的潛力。諸如連網門鈴(如 ring.com)等裝置與連網的煙霧偵測器(例如 Nest Protect 煙霧與一氧化碳警報)目前都已上市可供消費者選購，它們結合了語音與視覺的感測器融合功能以及運動檢測。有了連網的煙霧偵測器，裝置在偵測到煙霧或一氧化碳時，可以發出語音警告。

終端 AI 為強化這些能力提供了全新機會，而且常常結合震動(動作)、視覺與語音控制。例如，增加姿態辨識來控制例如電視等家電，或是把語音控制嵌入白色家電，即是以最低成本強化功能性最直接的方式。

健康照護

用來發現醫護資訊的 AI 驅動終端裝置的應用，將為病況的治療與診斷，提供更多的價值。這種資訊可能是資料，也可能是影像、影片以及說出的話，我們可以透過 AI 進行型態與診斷分析。這些資料將引發全新、更有效的治療方法，為整個產業節省成本。受惠於終端 AI 的進展，像 Google Duplex 等語音系統的複雜性將會降低。例如門診預約等勞力密集的工作，也可以轉換成 AI 活動。利用自然語言語音來延伸 AI 的使用，也可以把 AI 用在第一線的病人診斷，然後再由醫師接手提供諮詢。

其他健康照護實例包括像 Wewalk5 等物件，這是一個供半盲與全盲人員使用的智慧拐杖。它使用感測器來檢測胸口水平以上的物件，並搭配 Google Maps 與 Amazon Alexa 等 app，方便使用者提出問題。

結論

由於連網的終端裝置數量越來越多，這個世界也越來越複雜。連接到網際網路的裝置已經超過 300 億個，而微控制器的數量也超過 2,500 億，每年還會增加約 300 億個。越來越多的程序開始進行自動化，不過，把大量資料傳送到雲端涉及的延遲以及邊緣運算的額外費用，意味著許多全新、令人興奮且引人矚目的物聯網使用場景，可能無法開花結果。

解決這些挑戰的答案，並不是為雲端資料中心持續增添運算力。降低出現在邊緣的延遲雖然會有幫助，但不會解決日益分散的世界的所有挑戰。我們需要把智能應用到基礎架構中。

儘管為終端裝置增添先進的運算能力在十年前仍不可行，TinyML 技術近來的提升，已經讓位處相當邊緣的裝置 (也就是終端本身)增添智能的機會大大改觀。在終端增加運算與人工智慧能力，可以讓我們在源頭搜集到更多更具關聯性與相關的資訊。隨著裝置與資料的數量持續攀升，在源頭掌握情境化與具關聯性的資料，具有極大的價值，並將開啟全新的使用場景與營收機會。

終端裝置的機器學習，可以促成全新的終端 AI 世界。新的應用場景正在崛起，甚至跳過傳送大量資料的需求，因而紓解資料傳輸的瓶頸與延遲，並在各種作業環境中創造全新機會。終端 AI 將為我們開啟一個充滿全新機會與應用場景的世界，其中還有很多我們現在想像不到的機會。

附圖：圖1：從集中式到分散式運算的轉變。
(資料來源：《The End of Cloud Computing》，by Peter Levine，Andreessen Horowitz)
圖2：全球上網裝置安裝量。
(資料來源：Strategy Analytics)
圖3：深度學習流程。
圖4：MCU的視覺、震動與語音。
(資料來源：意法半導體)
圖5：AI 工具集執行模型轉換，以便在MCU上執行經最佳化的神經網路推論。
(資料來源：意法半導體)
圖6：物聯網企業對企業應用的使用-目前與未來。
(資料來源：Strategy Analytics)
圖7：促成情境感知的感測器融合。
(資料來源：恩智浦半導體)

資料來源：https://www.eettaiwan.com/20210303nt31-the-dawn-of-endpoint-ai-bringing-compute-closer-to-data/?fbclid=IwAR0JTRpNsJUl-DmSNpfIcymGQpkQaUgXixEaczwDpELxGCaCeJpkTyoqUtI

主動脈剝離、肺動脈栓塞、癌症的判定，
通常都靠顯影劑，
但有些人擔心顯影劑會過敏等副作用，
在救命跟安全之間如何取捨，
常讓家屬兩難。
醫師表示，顯影劑的種類不只一種，
比較沒有副作用的通常健保不給付。
換言之，此時不想增加負擔，就得靠保險了。

看更多新聞：https://bit.ly/3gGMVXF

看更多訊息→ https://bit.ly/31PvkYi
提升業績的關鍵，這三大專業你必須懂→https://pse.is/QQUVZ