AI趋势周报第149期：北荣肺腺癌分类AI能预测术后复发风险，准确率与人类医生相差无几

重点新闻(1106～1112)

  台北荣总     肺腺癌    预后预测  

北荣肺腺癌分类AI能预测术后复发风险，准确率与人类医生相差无几

台北荣总日前揭露一套肺腺癌分类AI，能准确分辨五种肺腺癌亚型，还能预测手术后的复发风险，准确率近乎人类医生。肺腺癌是常见的肺癌类型，在台湾，65%的肺癌就属于肺腺癌。而肺腺癌还可分为五种主要亚型，分别是伏壁型（Lepidic）、腺泡型（Acinar）、乳头型（Papillary）、微乳头型（Micropapillary）和实体型（Solid）。

在这五种亚型中，微乳头型和实体型的预后最差，也就是病患在手术切除后，还有很高的复发率。为降低复发率，医生通常会在手术后追加化疗。但台北荣总病理检验部医生叶奕成指出，虽然亚型分类有重要的临床意义，但这些分类有赖于病理医生主观评估，不同病理医生间的判断一致率“并不高。”

于是，一年多前，他与团队决定打造深度学习模型，可从患者肺部病理切片来辨识肺腺癌亚型，并预测患者术后的复发率。他们收集了216张由病理医生标注的数位全切片影像，作为训练、测试和验证资料集。团队训练了两套模型，第一个用来辨识影像中的病理组织型态，另一个用来预测患者预后。

测试发现，除乳头型外，模型对其他亚型的分类表现AUC值可达0.95以上；后来，叶奕成团队也透过212位患者的病理影像，让模型来分类这些未见过的影像，并分析患者预后。“结果显示，模型可有效预测手术后复发风险，表现与胸腔病理专科医生相近。” 虽然如此，叶奕成指出，目前仍有几些挑战待克服，像是如何提高病理医生对资料标注的一致性、解决不同病理玻片扫描器对AI模型的影响，以及最重要的落地问题，也就是“如何将这套AI系统整合至医院工作流程，来实现AI落地。”

肠照镜AI     云象     台大医院  

云象联手台大医院要打造国家级肠照镜AI，要媲美国际强权

数位病理AI新创云象首席执行官叶肇元日前揭露，目前正与台大医院联手优化一套肠照镜腺瘤辨识AI，要在先前与国泰医院共同开发的基础上，来改善模型表现、增加训练影像数量，最终目标是打造国家级肠照镜AI，来与目前世界肠照镜AI强手日本Olympus竞争。

一般来说，肠照镜检查是要找出肠内腺瘤性瘜肉，尽早切除、以免恶化为大肠癌。但若只凭医生肉眼辨识，有时难免忽略。为提高检查精确性，云象联手国泰医院，利用30万张肠道内视镜影像来训练YOLOv4模型，以每秒30次频率来找出瘜肉，并发出警示音告诉医生。

这款模型在去年已达到95%准确率，但叶肇元认为，与世界最优秀的日本Olympus肠照镜AI相比，自家模型准确率还有2%的进步空间；而且，“对方模型以300万张影像训练而成，我们只是对方的十分之一，”这也促使他们进一步与台大医院合作，要用更多影像来优化模型，甚至再继续扩大，要打造国家级AI来进军国际市场。

  林口长庚    脊椎特征量化     健保审查  

林口长庚打造脊椎特征量化分析AI，还要用来改善健保审查制度

林口长庚医学中心骨脊椎科主治医生蔡宗廷日前分享自家脊椎量化测量AI，1秒就可从患者脊椎X光片中标注特征点，计算出脊椎弯曲角度，作为手术或脊椎矫正治疗的依据，比医生手动计算的半小时快上许多。

蔡宗廷指出，全脊椎测量范围涵盖头椎、胸椎、腰椎和骨盆，“有许多复杂的角度，”临床医生为计算这些角度，每张X光片得花上至少半个小时。于是，团队决定打造一套AI系统，来自动计算这些角度。他们收集了2018年至2020年共2,900张全脊椎侧视站姿X光片，去除品质不佳和格式不符的影像后，将剩下的2,210张标注，并分为400张测试影像、1,810张训练影像。接着，他们以这些影像来训练二阶段CPN模型，并进行测试。团队发现，模型在数十种角度测量和脊椎对齐（Alignment）计算中，与人类医生相差不远，其皮尔森相关系数p值皆小于0.001，且“电脑计算只需1秒钟。”

有了这个成果，蔡文宗还揭露，团队目前正发展一套健保审查辅助AI，要自动判读X光片，来判断是否可以申请健保补助的钢钉或椎体护架（Cage）。

  北医   卵巢癌      数位病理 

北医打造卵巢癌辨识AI，要帮医生快速揪出女性沉默杀手

台北医学大学病理学科教授陈志荣揭露北医卵巢癌病理切片AI进展，目前已能准确识别、定位两种肉眼难以辨识的卵巢癌肿瘤组织，也就是浆液性癌和子宫内膜样，可帮助医生加速判读和制定医疗策略。

卵巢癌号称女性沉默杀手，台湾卵巢癌发生率占女性十大癌症的第七位，近年更节节上升。陈志荣指出，常见的卵巢癌可分为四种亚型，其中两种（浆液性癌、子宫内膜样癌）肿瘤组织结构相似，难以辨别。为解决问题，北医团队建立了200张卵巢癌数位病理资料集，以其中的180张来训练AI辨识模型，再以20张来测试、验证。结果发现，这套AI模型的敏感度和特异性分别达0.93和0.96以上，未来，北医打算扩大医院训练资料的采样范围，以更多元的训练和验证资料，来优化模型。（详全文）

  科技部    精准健康大数据永续平台     电子病历  

科技部：明年联手经济部、卫福部打造精准健康大数据永续平台，要整合医疗影像与电子病历

科技部次长谢达斌日前于数位病理研讨会上表示，科技部明年将联手经济部、卫福部，展开精准健康大数据永续平台，将纳入放射影像、数位病理、电子病历、基因和算法等相关资料，并透过卫福部适时调整法规，来加速医疗AI落地。

他指出，科技部几年前就关注AI趋势，于107年就于台清交成等大学成立四大AI创新研究中心，聚焦于医疗、制造、服务和AI核心技术领域，“其中两间中心更在疫情期有所贡献，”以科技防疫来追踪疑似病例、协助检测。今年，科技部更推出临床数据库与AI之跨域开发及加值应用计划，目的是要连结医院和医疗AI企业，来将医疗AI研发成果落地至临床诊断决策。

明年，科技部将携手卫福部、经济部，来推动精准健康大数据永续平台，要纳入放射影像、数位病理、电子病历、基因等资料，还有算法、仪器和资料标准相关问题，因此邀请卫福部参与，来适时调整法规、加速医疗AI落地。

骨髓细胞    台大医院      细胞分类 

台大医院骨髓细胞分类AI准确率达九成，未来还要用于教学

台大医院联手数位病理AI新创云象，历时两年半打造全球第一套骨髓细胞分类AI，可自动分类和统计骨髓抹片的骨髓细胞，未来还要用于教学与远距照会。台大医院检验医学部主任周文坚指出，骨髓血球细胞分类，是血液疾病诊断的最根本步骤。但是，骨髓细胞的型态判别往往受到主观意识、知识传承不易以及耗时等限制，因此，2018年中，他决定与云象共同开发一套骨髓细胞分类AI，来解决问题。

为此，台大医院将累积20年的骨髓抹片资料，用来建立一套涵盖各种血液疾病的资料集，来训练AI。周文坚指出，目前为止，AI已经阅读了61万颗骨髓细胞，也测试了50多万颗细胞，仍持续测验中。而这套AI准确率已达90%，他表示，未来AI完成测试后，除了要申请卫福部TFDA认证、整合临床应用外，还要用于远距教学和远距照会，来提高医疗品质。

病理科   胃癌    淋巴结 

病理科医生福音，淋巴结分类AI小帮手快速标注还会数数

林口长庚软组织病理专家医生黄士强日前分享一套胃癌淋巴结转移AI，可辨识胃部病理切片上的正常与癌变淋巴结位置、数量，以及淋巴结总数。他指出，对病理科医生来说，淋巴结的分类与统计是耗时的工作，因此想借由AI先行辨识、再由医生检查确认，来加速作业。

为训练淋巴结辨识AI，团队建立了300张切片的资料集，包含1,785颗淋巴结，其中正常淋巴结为1,233颗、癌变的为552颗。接着，团队利用其中180张来训练模型，剩余20张来测试。在模型设计上，可分为三个模组，首先是淋巴结侦测模组，透过影像分割来标示病理切片中的淋巴结，再来是分类模组，来找出癌扩散和正常的淋巴结。由于分类模组的训练资料，并不是使用详尽标注的影像，因此还以第三个标示模组，来帮助突显癌变淋巴结。

而测试结果显示，模型分类表现的AUC值达0.951、敏感度达0.955，特异性则是0.824。黄士强指出，目前团队希望将AUC提高至0.966以上。

联合学习    资料验证     风险 

联合学习可解决资料分散问题，但仍需考虑模型验证方法

医疗AI风潮兴起，但却面临资料隐私障碍，造成资料分散于各机构、难以发挥大数据效用。不过，台大副校长暨中央流行疫情指挥中心专家咨询小组召集人张上淳日前于数位病理研讨会上指出，联合学习（Federated Learning）透过分散式机器学习概念，以共享模型来取代共享资料，可解决医疗AI训练资料不集中的问题；曾任卫福部资讯处长、现任北医大数据处数据长的许明晖表示，去年国卫院与卫福部共同推动的国家级生物数据库整合平台，也以分散式概念为基础，将资料保留于各机构和医院的人体生物数据库中，而非将集中于中央数据库。

不过，云象科技创办人暨首席执行官叶肇元指出，联合学习虽可解决资料不集中的问题，但从实务经验来看，医疗AI讲求高准确度，因此资料要能被验证，也就是原始资料要能被检查，来确认其正确性。而联合学习是靠各家医院训练好的模型，透过共同优化模型参数，来提高模型表现。但这个做法，就难以验证、检查这些模型的原始资料。

摄影／王若朴

 AI趋势近期新闻 

1. YOLOv4关键人物中研院廖弘愿：还要再建国家队开发Tracking AI，要再拿下第二个世界第一

2. 赖清德点出-AI能力不足，未来拟与台湾AI学校联手从文官体系培育AI人才

3. Google改良语音过滤模型，提升装置上语音辨识效果

4. LinkedIn释出Java机器学习函式库Dagli

资料来源：iThome整理，2020年11月