【AI浪潮席卷医疗业】剖析医疗影像AI爆红主因最新消息

近来，国内外纷纷掀起一波医疗影像AI浪潮，今年初更有2家医学中心启动AI门诊，借助AI快速辅助医生判读医疗影像，不仅能缓解专科医生的负担，也能减少病患等待时间。（摄影／洪政伟）

近来，医疗影像AI浪潮席卷世界各地，英国、加拿大、日本和印度等国政府纷纷推动国家医疗影像AI方针，要藉AI来辅助医生诊断。光是去年，美国食品药物管理局（FDA）就核准12项医疗影像AI系统产品，Google AI研究团队产品经理彭浩怡观察：“自2013年以来，关于机器学习应用于医疗领域的论文数量，成长了20倍，”热门度可见一斑。

不只国外，台湾也积极拥抱医疗影像AI。2年前的秋天，科技部推动了“医疗影像计划”，联合台湾3家医学中心和数间大学，来建置第一个本土化的AI医疗影像数据库。隔年，政府还顺势启动了4间AI研究中心，包括位于成功大学的人工智能生技医疗创新中心，来研发深度学习于医疗影像的应用。

AI自动撷取肉眼难见的病灶特征，不仅快而且准

医疗影像AI，是指利用大量经标注的医疗影像来训练深度学习模型，使其能够侦测影像中的病灶、判断疾病严重程度。最常见的就是卷积神经网络（CNN）的医疗影像AI应用。北医学大学副校长暨北医附医影像部主任陈震宇表示，深度学习自动撷取影像特征的特性，“看得比人眼还仔细。”他解释，影像由一点一点的像素组成，藏有许多肉眼看不见的特征，比如像素间的立体形状、体捷豹构，这些特征可达成千上百个，深度学习都能捕捉这些细节。

就传统机器学习来说，则需要人工撰写算法来撷取特征，因此需要专家来研究、分析资料，才能找出有用的特征。就以传统电脑辅助诊断系统（Computer Aided Diagnosis，CAD）来说，台湾医疗影像领域的研究先驱、现为台湾大学生医电资所所长的张瑞峰指出，传统CAD在撷取特征时，还需要人类工程师观察、比对肿瘤形状与纹路特性，来设计特征撷取的“公式”。比如在形状部分，工程师得先画出椭圆来比对影像肿瘤，根据两者形状的差异，计算出特征数值，以衡量肿瘤良、恶性程度。

但张瑞峰坦言，要以人工找出数百个关键特征，还得花上好几年。这点出了传统方法与深度学习的差异，由于深度学习具备自动抽取特征的能力，可以省下专家寻找特征所花费的时间。

相较之下，用深度学习自动训练出一套模型的时间，最快数个月就能完成，不但解决传统CAD仰赖长年经验的问题，还提升了准确率。张瑞峰指出，就特定疾病来说，“准确率可比传统CAD高上10％。”

台大生医电资所所长张瑞峰指出，有别于传统电脑辅助诊断（CAD）需人工定义特征公式，医疗影像AI可以从大量经标注的医疗影像中学习，并自动找出特征模式。　（摄影／洪政伟）

医疗影像AI靠这3点抓住各界目光

具备自动撷取特征和高准确度的特性，医疗影像AI受关注的原因还有三个，其一是解决专业医生的不足。开发Google糖尿病视网膜病变AI系统的核心成员彭浩怡说：“机器学习适合重复性高，但专业人手短缺的任务。”

张瑞峰则提到另一个优点：缩短医生判读影像的时间。他举例，一位病人光是照一次肺部电脑断层扫描（CT）或脑部核磁共振造影（MRI），就会产生上百张影像，医生要从中找出病灶，至少花数十分钟，准确率还会因疲劳而下降。透过AI辅助，可在数秒内过滤数百张影像，筛选并标示出病灶位置，再由医生判断确认。

除了减少专科医生负担，医疗影像AI还有一个优点：协助跨科别医生。工研院糖尿病视网膜病变AI专案计划主持人李雅文说，在台湾，糖尿病患者多半于新陈代谢科、家医科就诊，但糖尿病引起的视网膜病变，需要专业眼科医生才能诊断。工研院开发一套糖尿病视网膜病变AI辅助诊断系统，就是想辅助新陈代谢科、家医科等非眼科专科医生更快发现眼疾，可以早一步展开治疗。

医疗影像AI是承衍传统CAD而来。CAD最早萌芽于1990年代，当时国外医疗院所正掀起一波数字化运动，纷纷建置影像储存与传输系统（PACS），将医疗影像数字化。医疗人员只要透过PACS，就能调阅病人就诊记录和医疗影像，更免去人工洗片和保存传统影像的问题。

CAD在这样的背景下发展了起来，举凡医疗影像，几乎都有用武之地，比如X光片、超音波影像、CT、MRI等。1998年，美国FDA核准了第一套乳房X光摄影CAD系统，开启CAD大放异彩的时代。

虽然传统CAD主宰数十年来医疗影像分析市场，但2012年，在ImageNet影像辨识大赛中，参赛者Alex Krizhevsky以深度学习打造一套CNN模型AlexNet，以85％准确率拿下冠军，掀开了电脑视觉于医疗影像应用的新应用。这场胜利，不只将深度学习推向世界舞台，更包办之后几届的冠军，甚至2017年最后一届大赛，冠军DenseNet准确率完胜人类，高达97.7％。

深度学习自此在医疗领域发光发热，如今这股风潮也吹向了台湾。过去2年，国内3家大型医院台北荣总、中国附医、北医附医开始投入医疗影像AI研究，也有台湾医疗AI新创如云象科技切入高难度的数位病理领域，与林口长庚打造鼻咽癌AI侦测模组，还与台大医院进行骨髓细胞分类模型的建置。

这股风潮甚至开始进入一般人的生活中。比如台大医院今年初发表了一套智慧术后伤口追踪App，病患只要用手机对着伤口拍照，App就会自动判断伤口状况，准确度超过90％。

今年初，不论是台北荣总或中国附医，开始在门诊过程运用多项医疗影像AI技术，开办了AI门诊。台北荣总用于骨科、神经外科和心脏科，而中国附医更多，包括儿科、乳房外科、胸腔科、心脏科、肾脏科、眼科、精准医学和健检中心等8个科别都开始启用AI辅助。不过，短短7年，AI真的成了可以辅助医生的第三只眼。

医疗影像AI发展时程

1990

● 医疗影像进入电脑化时代，医疗院所纷纷建置医疗影像储传系统（PACS），奠下电脑视觉于医疗影像应用的基础

1998

● 美国食品药物管理局（FDA）核准首个乳房摄影电脑辅助诊断（CAD）系统

2009

● 卫福部推动电子病历系统，奠定日后医疗AI发展基础

2012

● 深度学习首度应用于ImageNet影像辨识大赛，以准确率85％拿下冠军，证实深度学习于影像辨识的可行性