採用人工智慧 讓放射科與病理科合體成資訊科醫師

 
2018/01/22 吳懷玨 | 國立成功大學醫學院公共衛生研究所     412
 

大數據與人工智慧的應用,常被稱為是「第四次工業革命」。雖然放射科與病理科醫師被人工智慧取代的相關新聞常常有誇張的成份在,還是不能否認這些專科應該要為人工智慧在健康照護上的應用規劃未來藍圖。

 

早在1960年代,就有專家預測電訊掃描電腦能夠分辨正常與異常的胸部X光。這種預測的理論基礎在於,醫師解讀影像就是去認出模式,而電腦能夠做到模式辨識,甚至可以自動執行一些X光影像分析。

 

現在約莫也過了六十年,矽谷的Enlitic科技公司也將會讓預測成真。他們將正常與帶有骨折診斷的X光影像匯入系統資料庫,透過深度學習(deep learning)的方式,機器可以自動標出骨骼上的裂痕。深度學習的模式在於,機器毋須透過工程師輸入診斷條件,自己就能搜尋連人都可能沒查覺到的規則。深度學習系統能夠自學—就像我們優秀的放射科住院醫師一樣,看越多片子,能力值越高。

 

現在IBM人工智慧的原型華生(Watson)可以辨識出電腦斷層中的肺栓塞,以及偵測心臟超音波中胸壁動態的異常。華生在IBM取得醫療相關企業Merge之後,已經能夠瀏覽三百億張影像。如今,華生已經可以擁有放射專科的診斷技能,也有著各專科超凡的技巧,它已經成為放射科醫師的另一種人格,與死對頭。

 

現實在科技演進下,可能讓需要與電腦競爭的放射科醫師更為不利。顯影與偵測儀器的進步,讓資料量一飛沖天,以前放射科醫師解讀影像時,是依著臨床情境去尋找特定徵兆,現在變得需要大海撈針。舉例來說,面對一個多處創傷的病人,放射科醫生需要看約4,000張的全顯影像(pan scan)。放射學科漸漸從主觀感知技能轉移到客觀科學。更多資料讓放射科醫師可以做更多事,卻也要面臨更為巨量、複雜的工作內容。而這麼繁雜的工作,正適合電腦處理。

 

放射科醫師如果想要避免被電腦取代,就得先讓自己做些改變。有些簡單的認知工作可以交給人工智慧,像是偵測、測量、辨識肺部結節的特性。單純偵測肺部結節的工作,放射專科訓練可謂殺雞用牛刀。同理,看加護病房的管線有沒有在適當的位置,也是個過於簡單的工作。

 

放射科醫師最重要的目的在於,利用這些影像資料,並給予醫療方面的資訊。因此,放射科在未來,更可能被定位成「資訊專科」,目的在於解讀醫療影像。這也和病理科的工作息息相關,畢竟他們也從病理切片等影像中找出病癥。也曾有研究成功訓練鴿子辨試乳房鈣化的放射影像與乳癌的病理玻片,這證明了兩個專科的共同特質—解讀影像、給出資訊。

 

病理學家也樂於擁抱科技。他們早已利用電腦計算細胞數量、分血液、進行篩檢,以及子宮抹片檢查,將這些工作自動化後,病理科醫師可以專注在更為複雜的工作中。

 

兩個專科結合成為「資訊專科」後,工作內容會從「解讀影像」轉變成「管理人工智慧解讀影像後產生的臨床資訊」。資訊專科醫師在轉譯人工智慧給出的資料後,能夠針對其中內容,建議更進一步的臨床處置,像是要求提供更多實驗數據,或其他項目的影像。放射科與病理科醫師仍會是醫生的醫生。

 

在管理人工智慧時,醫生也能確保影像品質,讓人工智慧不致於產出過多偽陽性或偽陰性的結果。醫療服務的效率能透過人工智慧而達到更理想的狀況,也幫助了那些醫療資源匱乏、醫事人力相對不足的地方。資訊科醫師除了接受放射與病理學的基礎教育外,再學習統計相關的概念、理解醫學資訊的演進等,不再需要花更多時間辨識病理特徵。

 

(本文由科技部補助「新媒體科普傳播實作計畫」執行團隊撰稿)

責任編輯:呂宗學

 
 
  • 延伸閱讀:
     
    • 1.Jha, S., Topol, E.J. Adapting to Artificial Intelligence: Radiologists and Pathologists as Information Specialists. JAMA. 2016; 316(22): 2353-4.
    • 2. Chockley, K., Emanuel, E. The End of Radiology? Three Threats to the Future Practice of Radiology. Journal of the American College of Radiology. 2016; 13(12): 1415-1420.
    • 3.Gillies, R.J., Kinahan, P.E., Hricak, H. Radiomics: images are more than pictures, they are data. Radiology .2015; 278(2): 563-577.
    • 4.Yu, K.H., Zhang, C., Berry G.J., et al. Predicting Non-Small Cell Lung Cancer Prognosis by Fully Automated Microscopic Pathology Image Features. Nature Communications 7 (2016).
    • 5.Levenson, RM, Krupinski EA, Navarro VM , et al. Pigeons (Columba livia) as Trainable Observers of Pathology and Radiology Breast Cancer Images. PloS one. 2015; 10(11): e0141357.
     
  •  
  • 標籤