【医疗影像AI实例：北医附医】全球首建肺癌病灶语意描述数据库，要开发兼具准确度和高精细度的AI系统

癌症是台湾十大死因第一名，因癌症死亡的人数，2016年更创新高达到4万8千多人，其中又以肺癌患者居多。治疗肺癌的挑战之一在于难以早期发现，因为得靠资深医生从500张影像中，找出一个可能只有0.5公分大小的不规则状病灶，才有机会更快展开治疗。这正是台北医学大学医疗体系旗下台北医学大学附设医院（简称北医附医）想利用AI来挑战的课题，靠AI辅助医生早一步发现肺癌。

及早发现肺癌病灶有多难？肺结节是判断是否会发展为肺癌的重要指标，可透过肺部电脑断层扫描（Computed Tomography，CT）检查，来寻找病患肺部中的肺结节，再由医生判断良恶性。但每一位病人进行一次CT扫描，就会产生500张影像。

台北医学大学副校长暨北医附医影像部主任陈震宇指出，有经验的医生，初步检查500张肺部CT，一次至少要花20分钟，尤其肺部影像中有许多血管纹，这些“血管纹横切面与肺结节十分相似，”因此，医生检视大量肺部CT影像时，就有可能忽略了肺结节的存在。但要多重复检查几次，得花上好几倍的时间，如果病人一多，医生更有可能因为长时间连续作业而有所疏忽。

不只标注训练影像，还要建立全球第一个病灶语意描述数据库

不过，要打造AI辅助诊断系统，得先备妥训练用的影像资料。北医附医自2年前参与科技部的巨量医疗影像计划起，就开始建置肺结节影像标注数据库，找来10名至少有2年经验的主治医生，来标注病患肺结节CT影像。

为开发兼具准确度和高精细度的AI系统，北医附医不只标注病灶位置，还更费工地进行语意标注。陈震宇解释，语意标注就是在病灶影像上，加上对病灶的文字描述，比如病灶形状是否规则、属于实质结节（Solid Nodule）还是亚实质结节（Subsolid Nodule）、周围有无纤维化、有无钙化、中心组织是否坏死等5种叙述，北医附医会列出所有描述的清单，再由医生勾选符合的项目，而不用自行输入。

“这种标注方法就是DICOM-AIM，”陈震宇指出， DICOM是指医疗数位影像传输协定，而AIM（Annotation Imaging Mockup）则是史丹佛大学提出的医学影像标注方法，在标注病灶的同时，也加上语意叙述，用来训练深度学习模型。结合这两种作法来建立数据库，目前还没有任何一个国家做到，而北医附医正着手建立全球第一个。

截至今年3月为止，北医附医已经完成了1,500例肺结节病灶标注和语意标注，预计今年可以再多完成2,000例。陈震宇期望以此建立一套“Smart AI”，不只要能缩短肺结节筛检时间，还能根据语意标注来产生一份初步报告，比如在影像上标示出肺节结位置，在旁以文字描述出诊断结果，像是右肺叶有颗5毫米的实质结节，形状极不规则….等。如此一来，医生只要针对这些特征再行确认，即可完成报告制作。

发展影像AI 技术前，北医附医先累积资料，开发一套影像深度标注界面，以最高标DICOM-AIM方式来进行肺结节CT标注，目前已完成了1,500例，今年预计再新增2,000例。

除了肺结节，AI还可以协助诊断脑瘤与基因突变的关系

北医附医聚焦于肺癌分类诊断与愈后预测，而台北医学大学医疗体系下的台北医学大学（简称北医）也有投入AI影像研究，着重于脑、心、肺等重要器官的病灶检测，目前最新研究是要找出脑瘤与基因突变的关连。

陈震宇表示，脑瘤虽然以不同样貌呈现，但脑瘤的生长，往往由基因突变主宰。某些特定的基因突变，对化疗愈后反应非常好、病人存活率也更高，但要找出基因突变的关联，需要开刀取出组织来进行基因检测。这个作法，不仅所费不赀，还必须等待3至4周才能拿到检测结果。

也因此，北医与国家卫生研究院正着手进行脑瘤与基因突变的研究，要借助深度学习，来找出两者之间的关系。北医先取得脑瘤病患同意后，在手术时取出组织，免费进行基因检测，同时将脑肿瘤影像交给研究团队进行特征撷取（Feature Extraction），并将这些特征对照诊断结果与基因检测结果，来进行关联性分析，进而打造出一套算法。北医希望，未来只要输入病患的脑部MR影像，就可以透过算法来判断肿瘤良、恶性程度，要是属于恶性，还希望可以推论出可能存在的基因突变种类，进而预测愈后状况。

在陈震宇看来，深度学习算法备受瞩目的原因，在撷取特征时，“看得比人眼还仔细。”尤其断层检查影像由一点一点的像素组成，里面还藏了许多肉眼看不见的特征，比如像素间的立体形状、体捷豹构等成千上百个可能的特征，而深度学习正好可以捕捉这些细节。相较之下，人眼只能判断出病灶位置、大小，以及与周围组织的关系，或是开刀难易度和愈后状况等。

这种利用深度学习影像分析来比对基因检测结果的研究，正是一门新兴的方法学──影像基因图谱学（Radiogenomics）。北医早就看好也投入了这个研究领域，去年更发表相关论文，探讨如何应用影像基因图谱学来进行脑瘤的5种亚型分类。

北医要打造AI 医院，从人才和基础设施着手

“北医医疗AI的下一步，是要打造AI医院。”陈震宇表示，为推动将医疗AI化，北医设置了AI研究中心，已累积超过20件AI医疗研究计划正在进行。这些计划不只关于医疗影像，还涵盖了不同领域，像是精准睡眠医学，利用AI和IoT来分析睡眠与生活习惯、饮食习惯、身体活动量和环境空污的关联，以建立一套睡眠障碍预测模型，也要打造一套线上专家咨询机器人CBTi-Like，来提供个人化管理睡眠。

或像是由北医医学科技学院院长李友专主持的AI用药安全专案，透过AI技术来发展疾病、药物和剂量之间的关联性模型，来即早预防用药错误，甚至还要利用AI来分析病人个性、辨识情绪，提高医疗关怀。

在医疗AI人才培育上，北医去年也开办了人工智能在职专班训练人才，要培养学生于医学影像、医疗讯号、数位病理和智慧病历4大领域的专业能力。今年招收了第一届学生，“完全招满，”陈震宇说，第一波学生大多为医生、护理师等医疗人员。除此之外，北医5年前也设立了大数据中心，来重整医疗巨量数据库，促进大数据分析研究，以及提供跨国研究平台。

不只如此，北医也准备要改造医院IT骨干和架构，以符合AI应用为基础的设计。陈震宇提到，目前医院的基础架构，并非以深度学习为而设计，比如主机仍使用速度不快的处理器、骨干网络也未全面光纤化。“因为讯息的传递、资料的传输与整合，以及AI模型的自我学习，都仰赖良好的基础设施。”他认为，唯有整合IT，才能让医院各个科部有效地使用AI系统，“这还得从基本改革开始。”