集中式健保大數據強化腦瘤AI判讀異質影像，臺北榮總更獨步全臺用聯合學習打破醫療AI大數據瓶頸

影像辨識AI要有良好的成效，就得要有夠多樣的訓練資料，單一家醫院訓練的AI模型，放到其他醫院也能適用嗎？臺北榮總放射線部主任郭萬祐6日分享健保AI大數據應用成果，透過3,000多例、來自不同醫院的去識別化腦瘤MRI的資料，改善了原本自家腦轉移瘤辨識模型  ，可以用來辨識來自不同廠牌MRI設備的影像。臺北榮總更進一步，在國網中心來測試聯合學習（Federated Learning）分散式訓練；這也是臺灣的醫院首度利用本土資料嘗試的聯合學習試驗，發現訓練後的模型，不太會受到不同廠牌和掃描參數的資料的影響，就算各家醫院影像品質落差很大也能適用。

用20多年數據開發腦瘤AI，30秒就能揪出病灶

2018年，臺北榮總與臺灣人工智慧實驗室（AI Labs）聯手，利用院內20幾年累積下來的加馬刀手術資料，來打造一套腦轉移瘤AI模型DeepMets。參與開發的核心人物郭萬祐指出，臺北榮總提供1,100例經標註的腦轉移瘤MRI，給臺灣人工智慧實驗室當作訓練資料。經過半年訓練、調校，才開發出這套可以成功辨識腦轉移瘤的AI模型。

這套DeepMets，大幅縮短了原始的作業流程。原本，一位病患接受一次腦部MRI 掃描，會產生數百張各式切面的影像，而這些影像會傳送至醫院的PACS（醫療影像儲存與傳輸系統）上，再由醫生判讀。一般來說，醫生平均需要30分鐘才能完成病灶標註，如果需要再次檢查，就需要更長的時間。

但是，有了AI模型，醫生可直接從PACS中點選DeepMets，讓AI自動判讀MRI。只要30秒，就能從數百張MRI中標示出病灶位置、自動計算出腫瘤體積，作為醫生的第二參考意見。要是AI出錯，醫生也能手動校正。經過幾次微調，DeepMets的敏感度與準確度分別達到96%與86%的水準。

採用健保大數據蒐集不同來源的異值資料，來強化AI

不過，郭萬祐指出，有些人質疑，這套利用自家醫院均值影像訓練的AI系統，「走出臺北榮總後，還能存活嗎？」

為探討這個議題，他利用轉診患者的腦部MRI，來檢測DeepMets的判斷能力。這些轉診患者的腦部MRI是在不同醫院拍攝，來自不同廠牌、不同型號和不同掃描參數的異質資料，而非原本DeepMets的訓練資料源的拍攝環境。

實驗結果，「DeepMets雖有能力辨識，」但不夠理想。所以，郭萬祐去年夏季，決定申請健保署推動的健保資料AI應用服務試辦計畫，「走出臺北榮總牆外，」讓團隊利用健保雲端集中式的異質醫療影像資料，來改善DeepMets表現。

為了這項計畫，健保署也規畫了「AI工作區」讓團隊研究。他們層層把關，不僅設備無法對外連線，也採獨立特殊網段區隔；在資料方面，除了將所有資料去識別化，也禁止團隊攜出任何資料，「甚至連我做的筆記，也要經過審核才能帶出，」郭萬祐說。

在流程上，臺北榮總首先將DeepMets模型作為標註工具，來註釋健保署提供的3,000多例資料，接著由郭萬祐人工檢視、標註其餘未標註的病灶資料，然後再將這些標註好的資料，結合臺北榮總的資料，對DeepMets進行再訓練。重複多遍，來找出提高模型表現的參數。

為了測驗改良過的DeepMets，郭萬祐將原本已知的腦瘤MRI個案，依難易度分為簡單、中等、難和陰性等四種，並依廠牌分為A、B、C三種（如下圖），總共120例。

接著，他再把經過異質資料訓練的模型，來判斷這120例個案，並與原本各自人工判讀的結果比較，還利用DICE相似係數，來比較，同一個模型對不同廠牌拍攝影像的辨識能力。其中，顏色越深，代表越相近；從比對結果可發現，經過越多次異質資料訓練，AI模型辨識結果的DICE值可以越高（如下圖），越能判斷多元的醫療影像。而最終的腦瘤辨識模型，就命名為DeepMets-Plus。

有趣的是，「在這個過程中，我們注意到臺灣醫療院所的MRI廠牌占有率，對模型訓練來說很重要。」少數幾家市占越高，容易取得這些主流廠牌的影像來訓練，模型的解讀能力也會越好，他指出，如此一來，模型才能在未來的市場上存活。

利用異質性資料精進的AI，來驗證聯合學習共享模型在臺的可行性

郭萬祐指出，健保署握有全國醫院上傳的醫療影像資料，成立國家級巨量醫療影像資料庫，是獨步全球的作法。但要，這個方法很難應用到重視個資隱私的國家，更遑論要求各分院上傳患者資料，來共同打造一套模型，來改善模型異質性資料不足的問題。

也因此，近年來國際上興起一種做法，也就是聯合學習（Federated Learning），透過分散式機器學習訓練，將參與研究的各個據點，其訓練出的AI模型上傳至聯合學習中心，再以數學統計方式，來整合模型，再下放回各研究據點，導入原臨床場域試用。在這個過程中，敏感的個資不需離開各原始研究據點，以共享模型來取代共享資料，來進行研究。

於是，臺北榮總也測試了聯合學習在臺灣的可行性。團隊利用國網中心的雲端虛擬環境，建置了代表不同醫院的資訊環境，並各自利用用不同來源的腦部MRI，來訓練各自的腦瘤辨識模型。

接著，團隊再將這些虛擬醫學中心的模型統計值，統一上傳至一套母模型，來進行聯合學習訓練。結果顯示，透過聯合學習訓練出來的AI模型，同樣可以辨識7種腦瘤，如同利用健保署異質資料進行集中式訓練的AI模型；測試結果也發現，在聯合學習架構下，「不同廠牌和掃描參數的影響並不大，也不受影像品質影響。」郭萬祐也秀了一張比對圖，來證明聯合學習的成效，與人工標註的病灶區域相差無幾（如下圖）。郭萬祐認為，聯合學習可望解決集中式學習所遇到的困難，來克服異質性資料不足的問題。文◎王若樸