科技部推動「醫療影像之巨量資料建立與應用研究專案計畫」，並與臺大、北榮、北醫三個醫療團隊合作，建立跨院所的醫療影像標註資料庫，並各自發展出診斷心、腦、肺的AI模型。

在政府推動精準醫療及精準健康政策，以及AI產業應用之下，科技部與衛福部聯手推動國內醫療影像AI應用，本周臺大、臺北榮總（北榮）、臺北醫學大學（北醫）三個研究團隊展示成果，透過AI輔助判斷醫療影像，協助醫師判別心、腦、肺重大疾病，大幅縮短診斷時間。

科技部推動「醫療影像之巨量資料建立與應用研究專案計畫」，2018年與臺灣大學、臺北榮總、臺北醫學大學合作，啟用國內第一個跨院所的醫療影像資料庫，涵蓋心、腦、肺部醫療影像資料，由三個醫療團隊以人工方式標註資料，並進一步和其他業者、研究單位聯手，發展醫療影像AI診斷模型。

隨著專案即將在今年底結束。科技部政務次長謝達斌表示，衛福部、科技部及經濟部將展開合作，從2021年推動4年期的精準健康大數據永續平台，結合醫療影像、病理、基因資料形成複合式的巨量資料，可以加速臨床轉譯開發研究，除了可為國人健康把關、更有效率的治療，也能幫助國內生醫產業發展。

謝達斌指出，醫療影像對臨床診療有相當大的幫助，也是AI最有明顯效果的領域，透過補助學研界對心、腦、肺重大疾病，在AI輔助檢測判斷醫療影像下，短時間內就能產出具國際標準的檢測報告，讓醫生覆核的依據，臨床上從傳統20、30分鐘降到5分鐘，研發過程標註的模型及資料庫放在國網中心，在保障個人隱私下提供給其他團隊使用，帶動進一步的發展。相信對小醫院及偏遠地區的輔助判斷能夠帶來幫助，未來影像數據加值發展精準醫療，也能建立良好示範，加上共享機制和個資保護，有助於加速我國醫療AI及產業發展，這些成果也為複合式資料運用的精準醫療發展打下里程碑。

衛福部健保署為了協助三個團隊在醫療影像AI診斷模型訓練上能突破訓練用資料的侷限性，健保署和科技部合作，開放三個團隊運用健保署從前年開始蒐集民眾在各個醫療院所做CT、MRI、X光檢查影像資料，現在約有超過17億張的影像資料，運用這些多樣性資料進一步優化AI模型辨別的準確性。

北榮展示腦轉移瘤AI輔助診斷系統，開設多個AI輔助門診

臺北榮總針對腦部轉移瘤展示了AI診斷系統DeepMets，該團隊使用榮總歷年累積的各種腦部腫瘤影像資料，共超過160萬張影像，經過篩選、標註，2018年他們和臺灣人工智慧實驗室合作展示第一個版本。雖然第一版已有不錯的辨識準確性，但由於訓練資料仍有侷限性，因此他們除了使用自家的1,100個病例，也利用健保署資料庫中的3,100多個腦轉移瘤病案，利用開源的聯合學習（Federated Learning）套件Harmonia進行聯合學習，開發出DeepMets+，強調在不同的主要MR設備廠牌上能夠找出腦轉移瘤病灶，計算數量、最大徑、體積等。DeepMets+在腦轉移瘤判斷的Precision達到97%、Recall召回率達95%、F1 Score達96%。

AI輔助診斷也對民眾看病流程帶來影響，在未導入AI輔助診斷之前，傳統的肺癌檢查流程，從患者在胸腔科看門診，安排磁振及電腦斷層檢查，理論上放射科醫師花費5至7天時間製作報告，病患再回診看報告，由醫師決定治療方針。

導入AI輔助診斷後，臺北榮總放射線部主任郭萬祐指出，原本的流程縮短了，例如病患在早上看過胸腔科門診，循綠色通道，中午為病人安排影像檢查，當天下午第二次門診，由AI輔助診斷系統協助醫師判別腦轉移瘤情形，判別肺癌發展至哪一階段，及早決定病人的治療方針。醫學影像檢查的正式報告，仍由放射科醫師花費5到7天製作。

北榮已將DeepMets應用在該院的神經影像及胸腔內科AI輔助門診，偵測腦轉移瘤病灶，已應用在超過1,500個病例上，醫生閱片時間從人工至少10分鐘降為30秒，診療流程從2週縮短為半天。

目前北榮已開發出約10支AI模型，郭萬祐表示，DeepMets未來不只放射科，模型也放至胸腔科，可以想像診間內有各種模型，輔助醫師診斷肺結節、結核、腦轉移瘤、肺癌。

北榮在去年2月已在三個門診使用AI輔助診斷，包括AI輔助心房顫動電燒門診、AI輔助腦影像門診、AI輔助脊椎骨折門診，今年新增青光眼門診。

北醫靠AI縮短醫師檢視、診斷肺癌時間

根據衛福部統計，肺癌為國內癌症死亡率第一，病患五年的存活率只有15%，且高達7成的串者診斷時已是末期，為了及早診斷肺癌，北醫在科技部補助下，開發肺部人工智慧診斷輔助系統Deep-Lung，這套系統分為兩部份，分別檢測CT電腦斷層影像、數位病理影像。

北醫展示的肺部AI診斷系統Deep-Lung，包括左邊螢幕的CT影像，靠AI找出肺結節，右邊則是數位病理全玻片影像，找出切片中的癌細胞，並對其分群：

在肺部CT影像方面，北醫運用影像標註、語意標註，共計6千例，肺結節標註系統，北醫運用3D-RPN偵測肺結節位置，可偵測多顆肺結節，北醫副校長陳震宇表示，精準度Sensitivity已達到近86.9%。進一步透過特徵提取、深度學習模型，對良惡性分類的準確率可達到98%。綜合偵測、分類、自動報告發展出肺結節CT診斷輔助系統Deep-lung:LungRads，利用AI輔助偵測、分類，以及按照肺結節處置自動分級，建議醫生處置方式。

至於數位病理影像方面，北醫以3千片肺部病理影像，和雲象科技合作開發數位病理全玻片檢測系統Deep-Lung：Patho CAM。由於全玻片病理影像檔案高達1GB，他們和國網中心合作，運用臺灣杉二號的運算能量，利用CNN架構結合專利技術對癌細胞分群，同時以視覺化方式標示出全玻片影像中病灶位置。

陳震宇強調Patho CAM已能在全玻片影像中，只要10秒鐘找出癌細胞的位置，準確率可達90%，猶如在Google Earth中找到某一棟建築物，由於80%的肺腺癌混有兩種以上的亞型癌細胞，不同亞型對治療方式的效果也有差異，這套系統還能進一步分辨癌細胞的亞型分布及定量，協助醫師擬定適合的治療方針。

根據北醫的測試，在肺部CT影像方面，放射科醫師檢視CT影像所需時間約需20分鐘，AI自動產出診斷報告只要10秒，而醫師覆核時間只要5分鐘，大大節省時間。而病理科醫師檢查全玻片影像，一般需要45到60分鐘，透過Patho CAM協助，AI偵測約10秒完成，醫師覆核只要20分鐘。

「Deep-Lung可以降低醫生偵測、診斷的時間，對經驗不足的中小型醫院來說，也能帶來相當大幫助」，陳震宇說。

臺大開發心臟主動脈鈣化、脂肪的AI分析模型

專注在心臟血管重大疾病的臺大團隊，結合臺灣大學及臺大醫院團隊，並和8個醫學中心聯手，運用8個醫學中心的去識別化CT電腦斷層影像，在心臟及放射科醫師標註心包膜、升降主動脈輪廓，經他們自行開發的Heaortnet神經網路，跨多個醫學中心CT設備進行聯合學習，開發心臟主動脈鈣化、脂肪的AI分析模型。

現場展示的心臟主動脈鈣化、脂肪的AI分析模型：

臺大醫院內科教授王宗道強調，心臟分割準確率達到94.2%，單一病例分析只需0.4秒，目前已應用在臺大醫院影像醫學部的輔助報告上。

該研究也運用健保署影像資料庫平臺，近3,000筆共10萬片CT影像在20分鐘內完成分析，以預測民眾的健康風險。臺大也和商之器合作開發桌上及行動App，預計在部立醫院使用。

圖片/資料來源：iThome

(若有冒犯或不妥之處，請及時聯繫我們，將立即下架刪除，謝謝!)