跳到主要內容

科技大觀園商標

分類項目
Menu

教 AI 協助判讀醫學影像,提供醫師治療重要參考!專訪 MeDA 醫學影像與數據人工智慧實驗室王偉仲教授

112/05/31 瀏覽次數 3175
圖一:若要打造智慧醫療生態圈,除了跨領域發展出以人為中心的樣貌,還需要以大量資料作訓練來完整 AI。(影像來源:shutterstock)

圖一:若要打造智慧醫療生態圈,除了跨領域發展出以人為中心的樣貌,還需要以大量資料作訓練來完整 AI。(影像來源:shutterstock)

醫學臨床仰賴多種影像工具協助診斷,然而人力不足又加上影像資料的判讀非常考驗經驗且耗時,於是就出現了以 AI 人工智慧輔助提升效率的概念。本次科技大觀園專訪國立臺灣大學應用數學科學研究所王偉仲教授,在 MeDA 醫學影像與數據人工智慧實驗室(Medical Data Analytics Laboratory)專注於醫學影像和數據分析的 AI。究竟如何讓 AI 學會協助判讀醫學影像?加入了 AI 的智慧醫療又會走向何方?

嚴重特殊傳染性肺炎(COVID-19)疫情爆發期間,各國臨床現場面臨一個現實的問題:如何評估患者的預後,來妥善分配醫療資源?有哪些病患需要及早提供呼吸輔助避免惡化、又有哪些只需要支持療法就能自行復原?在當時僅能仰賴醫生的經驗做判斷。疫情之後,根據各國每個病患都會記錄有基本的生理資料,包括心率、血壓、體溫等,再加上胸部 X 光片的影像;王偉仲與國際團隊合作,使用聯邦學習(FL, Federated learning)訓練 AI 模型,讓全世界各地的醫院可以在不洩漏個資的情況下,共同訓練模型。最終的 AI 可以成功預測 COVID-19 患者的預後,提出最佳的治療建議。

「人體就像是個很大的資料庫,可以使用各種侵入或非侵入式的檢測工具,提供我們資料,」王偉仲比喻,就像地下原油,需要開採與煉製,才能成為有用的汽油或柴油。醫療的資料庫使用各種分析的工具,諸如醫學背景知識、AI 深度學習、數學與統計分析、電腦運算技術等,轉化為可使用的工具如 AI 模型,作為醫師在進行預防評估、診斷、預後、治療的重要參考。

納入多領域討論,打造完善的智慧醫療體系

談及智慧醫療的未來,專長在人工智慧醫療影像分析與應用、高效能科學計算的王偉仲卻格外強調跨越自然科學與社會科學觀點的重要性。他認為,醫學應用 AI 模型的準確度提升不是太大的技術問題,但真正完善醫療體系,需要更全面的觀點,「在醫療領域,社會、經濟、管理、人性的效益都要考慮進來,要用生態圈的角度去做討論。」就像科學可以研發出更快速的交通工具,但要打造一條安全的回家之路,需要完整的都市計畫、道路建設、交通監理,需要跨領域的人才加入討論、共同合作才得以完成。「醫療的重心是人,就有很多議題需要討論,包括納入 AI 後的安全性、如何高度監管其確效、如何在做決定的過程中保持人性等等,」王偉仲表示。

打造智慧醫療所面臨的難題,除了跨領域才能發展出以人為中心的樣貌,還包括 AI 需要大量的資料作訓練,因此國際合作必不可少。前述 COVID-19 研究,就明顯展現了跨國遠比單一區域做出來的 AI 預測效力更可靠。「這領域是屬於整個地球村的,要有能力跟跨國的專家學者合作,」王偉仲鼓勵後進也抱持著同樣的心情繼續努力。

臺灣也能有大貢獻,「助胰見」協助辨識胰臟癌

談及貢獻地球村,王偉仲分享了「助胰見(PANCREASaver)」,創新人工智慧胰臟癌輔助偵測系統的研究成果。胰臟癌俗稱為癌王,因為胰臟解剖位置與組織的特性,要做檢查相對困難,因此有 85% 的胰臟癌出現症狀、被發現時都已經無法切除、難以治療。國人死因統計中,胰臟癌已位居第七大癌症死因。

助胰見為 MeDA 醫學影像與數據人工智慧實驗室與臺大醫院團隊長期合作訓練的 AI 演算法,經過多年的收集資料與演算法調校,助胰見可在電腦斷層掃描中自動圈選胰臟位置,分辨出可能的風險區域。目前助胰見已經驗證過,能找到大多數在臨床上極難發覺的小於 2 公分的胰臟腫瘤,可協助早期發現早期治療,將成為患者的一大福音。

現階段,團隊正在積極推動助胰見的商業化,如能順利通過美國食品藥物管理局(FDA, Food and Drug Administration)驗證,未來可以直接在醫院系統自動掃描影像,針對胰臟病變提出警示,除了減輕醫師負擔,更提升胰臟癌早期診斷的可能性。「要有雄心壯志與抱負,臺灣也可以做出有益於全人類的研究跟貢獻,」王偉仲對助胰見的成果信心滿滿,期待看到更多 AI 成功投入醫學領域的應用。

資料來源

●  採訪國立臺灣大學應用數學科學研究所王偉仲教授

●  Dayan, I., Roth, H. R., Zhong, A., Harouni, A., Gentili, A., Abidin, A. Z., ... & Li, Q. (2021). Federated learning for predicting clinical outcomes in patients with COVID-19. Nature medicine, 27(10), 1735-1743.

創用 CC 授權條款 姓名標示─非商業性─禁止改作

本著作係採用 創用 CC 姓名標示─非商業性─禁止改作 3.0 台灣 授權條款 授權.

本授權條款允許使用者重製、散布、傳輸著作,但不得為商業目的之使用,亦不得修改該著作。 使用時必須按照著作人指定的方式表彰其姓名。
閱讀授權標章授權條款法律文字

OPEN
回頂部