【医疗影像AI新创：云象科技】鼻咽癌AI侦测模组准确率已达97%，接着要挑战血癌辨识AI

台湾医疗影像AI生态圈中，不只医院和学界在耕耘，还包括新创公司的投入。我们看到有一家业者表现特别出众，他们选择了高难度的数位病理领域，短短1、2年内，就掌握了国内大半的数位病理AI市场，更于去年国际医疗影像年会MICCAI上，击败了来自史丹佛大学、卡内基美隆大学和腾讯的团队，在一场数位病理影像分析竞赛中拿下第7名。

这家新创，就是4年前由3位对医学充满热忱的年轻人所成立的云象科技，以数位病理起家，提供玻片扫描、建立数位病理数据库的服务，让医生不必再捧著一盒盒玻片到实验室用显微镜观察组织切片。本是要改造数字化程度落后的病理科，但见识到深度学习在ImageNet影像辨识大赛的潜力后，云象科技决定转型为医疗影像AI公司，以原有的病理影像为基础，来打造可辨识特定细胞的AI模型。

转型至今才不过2年，云象科技就获得了匹兹堡大学医学中心（University of Pittsburgh Medical Center）、美国锡安山医学中心（Cedars-Sinai Medical Center）青睐，共同发展数位病理AI。在国内，则掌握了大半数位病理AI市场，合作对象包括台大医院、林口长庚医院、台北荣总、国泰医院、北医附医等，现阶段成果除了有与林口长庚医院开发的鼻咽癌AI侦测模组，还有骨髓抹片细胞分类、肺癌、肾脏病理研究等10几项AI专案在进行。

代表性成果：能侦测鼻咽癌风险的AI模型

与林口长庚医院共同开发的鼻咽癌AI侦测模组，是云象科技最具代表性的成果。该专案自去年2月开始，使用了260张病理玻片，由林口长庚指派6位医生来标注影像，云象科技则负责训练卷积神经网络（Convolutional Neural Network，CNN）模型。

在模型建置的过程中，云象科技面临的挑战是，病理玻片数字化后，影像分辨率非常高，“每张的分辨率高达几十亿画素。”云象科技共同创办人暨首席执行官叶肇元解释，高分辨率数位病理影像的档案大小，远高于GPU内建内存。受限于既有硬件，云象科技只能切割影像为数个小区块，来训练AI模型。

叶肇元举例，当医生先标注完数位玻片中的癌症区域后，团队便将该区域切割为每张256×256的小区块，再由医生进一步标注每个小区域的细胞，而非单纯判断影像类别，再分批将切割后的档案提供给深度学习神经网络，来学习辨识癌症。

经过10个月的努力，这套鼻咽癌AI侦测模组已能在鼻咽组织的数位病理切片上，自动标示出癌症高风险区域，叶肇元表示，准确率已达97%。目前，云象科技正准备这套模组的相关文件，要送至美国食品药物管理局（Food and Drug Administration，FDA）进行医材审查认证，以便日后上市。

云象与林口长庚医院病理科合作，共同开发出鼻咽癌癌AI侦测模组，可显示癌症高风险区域，准确率达97%。(图片来源／云象科技)

新挑战：要教AI来辨识近40种骨髓细胞

谈起眼下最有挑战度的案例，“骨髓细胞自动分类是最有野心的尝试。”叶肇元说，骨髓抹片是判断血癌（又称白血病）的关键检查，因为血癌是由骨髓内白血球系列细胞恶性增生而成。根据细胞增生种类和细胞成熟度，血癌又可分为好几种，比如急性骨髓性白血病、急性淋巴球性白血病、慢性骨髓白血病和慢性淋巴球性白血病等。

“这个题目难度非常高，全球几乎没有人做。”叶肇元表示，除了资料收集不易，还因为一张骨髓抹片，就包含多种细胞，依其种类和成熟度来分，就有将近40种。然而，要判断这些细胞，还得仰赖经验丰富的专科医生和医检师，但这类专业人力光对医院而言，已是相对稀少吃紧的资源。

尽管如此，云象科技和台大医院仍决定挑战这个题目，由台大医院血液科提供影像，派出12名专业医疗人员来协助标注影像，云象科技则负责开发影像标注界面、训练AI模型。这个专案自去年5月开始收集资料、标注影像，不过，叶肇元预估，要打造出骨髓细胞自动分类的AI模型，至少需要几万张影像，还要标注10万多颗细胞才能完成，是一项大工程。

他也坦言，虽然目前还未达临床可用阶段，“还有很长一段路要走。”但他期待，这个AI系统一旦完成，未来病患进行白血病检查时，就可免去数天的等待，不仅病人受益，也可造福专业人力吃紧的医疗界。

叶肇元指出，骨髓抹片细胞分类专案是与台大医院血液科共同开发，要打造世界仅有的骨髓抹片分类计数模型。该模型能在临床血癌的诊断工作中，来计算、分类骨髓细胞。(图片来源／云象科技)

数位病理AI的高门槛

与其他医疗影像相比，数位病理在影像分辨率上有着极大差异，光是一张影像就可高达1GB至2GB。这是因为，数位病理观察的是微米等级的细胞，而非毫米或公分等级的肿瘤，因此需要高分辨率呈现，医生才能清楚辨识。

这一点，也影响了打造AI的难易度。叶肇元比喻，要AI看出3米外的人有无双眼皮，或是否有2只眼睛，后者不需要太多影像资料就能做到，“甚至影像有点模糊也没关系。”但对前者来说，就“必须使用好的镜头与清晰的对焦。”

由于数位病理的高分辨率特性，对硬件的需求也随之提高。叶肇元举例，他们遇过最有挑战性的状况，是当一个100层的ResNet分析一张分辨率为10,000×10,000的影像时，GPU甚至需要搭配600GB的系统内存才能运算，远远超过单张32GB内建内存的顶级GPU的能力。

也因此，云象科技采用影像切割的方式来训练模型。这个做法，虽然能克服硬件的局限，但叶肇元认为，缩小影像仍会流失一些资讯，例如切割后无法宏观来看整张影像。对此，云象团队正研究如何处理高分辨率影像的AI模型训练。

为加快数位病理AI开发时程，云象要从人才下手

“开发医疗影像AI的瓶颈，就是漫长的标注过程。”叶肇元指出，虽然医疗影像AI的目的，是要减轻医生看诊负担，但要打造AI模型，还需要医生花时间来标注影像。“他们已经很累了，要怎么帮忙？”

于是，在过去3个月，云象科技开始将人才延揽对象扩展至医生，要聘请医生加入影像标注团队，加速整体开发时间。叶肇元希望云象的标注团队成员背景，能涵盖专业医科、医学检验，以及护理相关等领域，来负责不同程度的影像标注。“甚至，我们也要有自己的医疗团队，”以便开发或推展高医疗专业度的题目。