【AI浪潮席卷医疗业】透视5大类医疗影像辨识的AI应用场景

医疗影像一直是窥视人体内部结构与组成的方法，其种类包括了X光摄影、超音波影像、电脑断层扫描（Computed Tomography，CT）、核磁共振造影（Magnetic Resonance Imaging，MRI）、心血管造影和伽玛射线等等。

其中，X光摄影、超音波摄影、CT、MRI，以及近来兴起的数位病理，都是目前用来打造医疗影像AI常见的类型。这几种影像因为拍摄技术不同，决定了影像性质和张数多寡，也影响了打造AI模型的难易度和应用场景。

就影像性质来说，台北荣总放射线部主任郭万祐表示，X光片、CT、MRI等影像的切片厚度（即每隔多少身体厚度拍摄1张断层影像的距离）分别是0.16毫米、0.625毫米以及1～2毫米，与数位病理切片的0.11微米相比，分辨率相对低，因此从硬件需求角度来看，是医疗影像AI的入门首选。

常见医疗影像AI的类型与应用场景

在这些医学影像中，“X光和超音波属于初阶检查，”中国附医人工智能医学诊断中心主任黄宗祺表示，这两类检查的拍摄门槛不高，因此累积出大量、各式各样的影像资料，满足训练AI模型的先决条件。

X光摄影是利用X光对不同密度物质的穿透性来成像，密度越高，X光穿透性就越低，在底片上的成像就越白，反之越黑。不过，台大生医电资研究所所长张瑞峰指出，“X光摄影将原本立体的多张横切面影像叠压为一张平面影像，”因此，一张X光影像中涵盖了庞杂的讯息，不仅病灶可能会被组织、器官重叠处挡住，小于1公分的肿瘤也难以检测出，得靠CT进一步检查才行。

而超音波摄影，则是利用超高频率的声波来穿透人体，将不同组织反射回来的声波转换为画面，来呈现体内组织或器官构造。超音波的好处是没有辐射，但黄宗祺指出，超音波影像噪声高，难以侦测初期病征。就乳房肿瘤检测来说，需要不断追踪，才能确定疾病状况，但也可能因此错过即早治疗的时机。

因此，就X光和超音波来说，AI的应用场景，主要是协助医生快速从讯息含量大的影像中，找出肉眼难以发现或容易忽略的初期病征。在2年前，AI权威吴恩达的团队所设计的CheXNet模型，以121层卷积神经网络（CNN）架构和美国国卫院释出的胸腔X光资料集训练而成，就可以做到早期侦测来辅助医生诊断。

或像中国附医所开发的乳癌超音波AI辅助分类系统，利用4万多笔超音波影像和深度学习Xception架构打造而成，能在人眼难以判断的初期阶段，就侦测出肿瘤，“甚至早3、5年就发现了。”黄宗祺强调。

至于CT和MRI，“属于进阶检查。”黄宗祺表示，两者专门用来检查脑、心、肺、腹部脏器等重要器官，门槛较X光和超音波高，成像也较清晰、细致。但有别于X光片和超音波影像，CT属于3D影像，透过X光来扫描人体，经电脑重组，以多张横切面影像来呈现立体的检查部位，并根据每张横切面影像的间隔，分为厚切与细切，间隔越小，越能呈现完整的器官。单一次CT扫描可产生数百张影像，也才有机会能够发现1公分以下的小型肿瘤。

MRI同样也是一种3D影像，其原理是利用强大的磁场与人体内的氢质子产生共振，再透过电脑处理共振讯号后成像，可以清楚呈现出软组织和重要器官的结构，像是脑、心、腹部脏器和骨骼关节等部位。MRI扫描一次可产生数百甚至数千张影像，画质比CT更好。

要进行CT影像和MRI的影像辨识时，虽然医生容易从清晰的影像中找到病灶，但这两者每次扫描动辄就产生数百张影像，要从中寻找病灶，不管是标注还是诊断病情，都相当耗时。

台北医学大学副校长暨北医附医影像部主任陈震宇以肺结节CT扫描来说明，一次拍摄会产生500张影像，而医生至少得花20分钟，才能找出肺结节的位置。病人数量一多，医生不仅要花更多时间来检验，准确率也会因长时间作业而下降。

不过，也因为人工判别CT和MRI相当费时，正是医疗影像AI擅长的的应用场景。这也是为何北医附医正计划建置一套肺结节AI辅助侦测系统的缘故，就是为了缩短看片时间，让医生有更多时间在病人身上。

X光影像AI实例

吴恩达研究团队利用美国国卫院释出的胸部X光资料集，打造出CheXNet模型，可辨别肺部14种疾病，并以热成像图来显示病灶位置。

MR影像AI实例

台北荣总与台湾人工智能实验室以6个月的时间，打造出一套能在30秒内就揪出脑转移瘤的AI系统DeepMets。今年4月份最新结果显示，DeepMets准确率已达95％。　（摄影／洪政伟）

医疗影像AI新挑战：数位病理切片

数位病理是医界近几年的新浪潮，可以将原本只能在显微镜下察看的病理切片，改成直接在电脑上进行。它的出现，是医疗影像AI的新方向，却也是一个高难度的挑战，因为数位病理的制作复杂，需经过组织处理、染色切片，以显微镜观察、再扫描至电脑储存，仰赖医生专业经验与时间。

不只如此，数位病理的档案容量还相当大。与CT、MRI不同，数位病理和X光片一样都是平面影像，但单一张影像的分辨率却比X光片、CT和MRI高上1,000倍，可达1GB至2GB。因此要拿来训练AI，不只资料储存是一大挑战，训练模型的时间也需要更久。以数位病理起家的台湾AI医疗影像新创云象科技就提到，曾有一次要用一个100层的残差网络ResNet来训练每张分辨率高达1万×1万的影像，得靠GPU搭配600GB系统内存才能运算。

不过，台湾在数位病理的AI应用已经起步了，林口长庚医院就找来云象科技开发了一套准确率高达97％的鼻咽癌侦测模组。北医附医已经开始将上千片肺癌数位病理交由放射科医生，要展开部分标注的工作。台北荣总今年也计划投资数位病理。

然而，不管是哪种影像类型，在打造AI系统时，都会面临资料收集的挑战。也因此，科技部2年前特别发起医疗影像计划，联合国内3家大型医学中心，要利用国人的医疗影像资料，来建置一个大型AI医疗影像数据库，推动医疗影像AI的发展。

CT影像AI实例

台北医学大学附设医院自去年起，找来了10名拥有2年经验以上的主治医生，着手建置肺结节AI医疗影像数据库，目前已完成1,500例的影像标注和语意标注，今年还要再新增2,000例。

数位病理影像AI实例

林口长庚医院与云象科技共同打造一套鼻咽癌AI侦测系统，由医院提供数位病理切片资料，云象负责进行模型训练，经过2年优化，目前准确率达97％。　（图片来源／云象科技）