【AI浪潮席捲醫療業】剖析醫療影像AI爆紅主因

近來，醫療影像AI浪潮席捲世界各地，英國、加拿大、日本和印度等國政府紛紛推動國家醫療影像AI方針，要藉AI來輔助醫生診斷。光是去年，美國食品藥物管理局（FDA）就核准12項醫療影像AI系統產品，Google AI研究團隊產品經理彭浩怡觀察：「自2013年以來，關於機器學習應用於醫療領域的論文數量，成長了20倍，」熱門度可見一斑。

不只國外，臺灣也積極擁抱醫療影像AI。2年前的秋天，科技部推動了「醫療影像計畫」，聯合臺灣3家醫學中心和數間大學，來建置第一個本土化的AI醫療影像資料庫。隔年，政府還順勢啟動了4間AI研究中心，包括位於成功大學的人工智慧生技醫療創新中心，來研發深度學習於醫療影像的應用。

AI自動擷取肉眼難見的病灶特徵，不僅快而且準

醫療影像AI，是指利用大量經標註的醫療影像來訓練深度學習模型，使其能夠偵測影像中的病灶、判斷疾病嚴重程度。最常見的就是卷積神經網路（CNN）的醫療影像AI應用。北醫學大學副校長暨北醫附醫影像部主任陳震宇表示，深度學習自動擷取影像特徵的特性，「看得比人眼還仔細。」他解釋，影像由一點一點的像素組成，藏有許多肉眼看不見的特徵，比如像素間的立體形狀、體積架構，這些特徵可達成千上百個，深度學習都能捕捉這些細節。

就傳統機器學習來說，則需要人工撰寫演算法來擷取特徵，因此需要專家來研究、分析資料，才能找出有用的特徵。就以傳統電腦輔助診斷系統（Computer Aided Diagnosis，CAD）來說，臺灣醫療影像領域的研究先驅、現為臺灣大學生醫電資所所長的張瑞峰指出，傳統CAD在擷取特徵時，還需要人類工程師觀察、比對腫瘤形狀與紋路特性，來設計特徵擷取的「公式」。比如在形狀部分，工程師得先畫出橢圓來比對影像腫瘤，根據兩者形狀的差異，計算出特徵數值，以衡量腫瘤良、惡性程度。

但張瑞峰坦言，要以人工找出數百個關鍵特徵，還得花上好幾年。這點出了傳統方法與深度學習的差異，由於深度學習具備自動抽取特徵的能力，可以省下專家尋找特徵所花費的時間。

相較之下，用深度學習自動訓練出一套模型的時間，最快數個月就能完成，不但解決傳統CAD仰賴長年經驗的問題，還提升了準確率。張瑞峰指出，就特定疾病來說，「準確率可比傳統CAD高上10％。」

臺大生醫電資所所長張瑞峰指出，有別於傳統電腦輔助診斷（CAD）需人工定義特徵公式，醫療影像AI可以從大量經標註的醫療影像中學習，並自動找出特徵模式。　（攝影／洪政偉）

醫療影像AI靠這3點抓住各界目光

具備自動擷取特徵和高準確度的特性，醫療影像AI受關注的原因還有三個，其一是解決專業醫生的不足。開發Google糖尿病視網膜病變AI系統的核心成員彭浩怡說：「機器學習適合重複性高，但專業人手短缺的任務。」

張瑞峰則提到另一個優點：縮短醫生判讀影像的時間。他舉例，一位病人光是照一次肺部電腦斷層掃描（CT）或腦部核磁共振造影（MRI），就會產生上百張影像，醫生要從中找出病灶，至少花數十分鐘，準確率還會因疲勞而下降。透過AI輔助，可在數秒內過濾數百張影像，篩選並標示出病灶位置，再由醫生判斷確認。

除了減少專科醫生負擔，醫療影像AI還有一個優點：協助跨科別醫生。工研院糖尿病視網膜病變AI專案計畫主持人李雅文說，在臺灣，糖尿病患者多半於新陳代謝科、家醫科就診，但糖尿病引起的視網膜病變，需要專業眼科醫生才能診斷。工研院開發一套糖尿病視網膜病變AI輔助診斷系統，就是想輔助新陳代謝科、家醫科等非眼科專科醫生更快發現眼疾，可以早一步展開治療。

醫療影像AI是承衍傳統CAD而來。CAD最早萌芽於1990年代，當時國外醫療院所正掀起一波數位化運動，紛紛建置影像儲存與傳輸系統（PACS），將醫療影像數位化。醫療人員只要透過PACS，就能調閱病人就診記錄和醫療影像，更免去人工洗片和保存傳統影像的問題。

CAD在這樣的背景下發展了起來，舉凡醫療影像，幾乎都有用武之地，比如X光片、超音波影像、CT、MRI等。1998年，美國FDA核准了第一套乳房X光攝影CAD系統，開啟CAD大放異彩的時代。

雖然傳統CAD主宰數十年來醫療影像分析市場，但2012年，在ImageNet影像辨識大賽中，參賽者Alex Krizhevsky以深度學習打造一套CNN模型AlexNet，以85％準確率拿下冠軍，掀開了電腦視覺於醫療影像應用的新應用。這場勝利，不只將深度學習推向世界舞臺，更包辦之後幾屆的冠軍，甚至2017年最後一屆大賽，冠軍DenseNet準確率完勝人類，高達97.7％。

深度學習自此在醫療應用發光發熱。不只科技龍頭如Google、三星、百度、騰訊等投入醫療影像AI領域，連醫療廠商也紛紛擁抱醫療影像AI，比如西門子醫療開發一套乳房超音波AI輔助判讀系統，可協助醫生找出乳房腫瘤；GE醫療則聯手Nvidia，在全球50萬套電腦斷層掃描設備中採用Nvidia AI平臺，來加速檢測和提升醫療影像品質。

除了國際大廠，臺灣業界醫療影像AI的應用也方興未艾。近2年，臺北榮民總醫院、中國醫藥大學附設醫院、臺北醫學大學附設醫院紛紛大力發展AI輔助判讀臨床醫療影像。也有臺灣醫療AI新創雲象科技切入高難度的數位病理領域，與林口長庚打造鼻咽癌AI偵測模組，還與臺大醫院進行骨髓細胞分類模型的建置，更與北醫附醫、國泰醫院等聯手打造不同AI應用。

這股風潮甚至開始進入一般人的生活中。臺大醫院今年初發表了一套智慧術後傷口追蹤App，病患只要用手機對著傷口拍照，App就會自動判斷傷口狀況，準確度超過90％。

今年初，不論是臺北榮總或中國附醫，開始在門診過程運用多項醫療影像AI技術，開辦了AI門診。臺北榮總用於骨科、神經外科和心臟科，而中國附醫更多，包括兒科、乳房外科、胸腔科、心臟科、腎臟科、眼科、精準醫學和健檢中心等8個科別都開始啟用AI輔助。不過，短短7年，AI真的成了可以輔助醫生的第三隻眼。

醫療影像AI發展時程

  1990  

● 醫療影像進入電腦化時代，醫療院所紛紛建置醫療影像儲傳系統（PACS），奠下電腦視覺於醫療影像應用的基礎

  1998  

● 美國食品藥物管理局（FDA）核准首個乳房攝影電腦輔助診斷（CAD）系統

  2009 

● 衛福部推動電子病歷系統，奠定日後醫療AI發展基礎

  2012  

● 深度學習首度應用於ImageNet影像辨識大賽，以準確率85％拿下冠軍，證實深度學習於影像辨識的可行性

  2016  

● Google首次發表糖尿病視網膜病變AI診斷系統論文，日後更將該系統部署於印度、泰國等缺乏眼科醫生的國家

● 臺大醫院、臺北榮總和中國附醫等醫院於年底開始投入醫療影像AI研究

  2017  

● 美國國衛院首度釋出含10萬多張胸腔X光片的資料集，促進醫療影像AI研究

● 醫療影像AI服務首次以低價方式推出，以色列醫療影像新創Zebra Medical Vision發表AI1服務，可判讀多種醫療影像，檢測心、肝、肺等器官中的病徵

● 科技部發起醫療影像計畫，要以國人醫療影像建置在地化AI醫療影像資料庫

  2018  

● 科技部成立4大AI研究中心，其中包括科技部人工智慧生技醫療創新中心

● 臺灣新創開始切入數位病理AI，雲象科技推出醫療影像AI開發平臺，與長庚醫院共同開發出鼻咽癌AI模組

● 單一AI工具可以輔助判斷50多種眼疾，以DeepMind為例

● 臺北榮總發表腦部腫瘤影像AI輔助診斷系統

● Nvidia推出醫學影像運算平臺Clara SDK、遷移學習工具包，降低醫療影像AI技術門檻

● 中國附醫發表多項AI醫療影像判讀工具，包括骨齡、乳癌和肝癌

● 美國FDA批准12項醫療影像AI相關產品

  2019  

● 臺北榮總和中國附醫正式推出AI門診，將醫療影像AI應用於臨床

● 中正大學聯手嘉義基督教醫院打造AI大腸鏡息肉辨識系統

● 醫療影像AI應用普及至一般民眾：臺大醫院推出AI-SWAS傷口判讀App；北醫推出AI皮膚檢測App痣能達人Molemo

資料來源：iThome整理，2019年4月