AI趨勢周報第149期：北榮肺腺癌分類AI能預測術後復發風險，準確率與人類醫生相差無幾

重點新聞(1106～1112)

  臺北榮總     肺腺癌    預後預測  

北榮肺腺癌分類AI能預測術後復發風險，準確率與人類醫生相差無幾

臺北榮總日前揭露一套肺腺癌分類AI，能準確分辨五種肺腺癌亞型，還能預測手術後的復發風險，準確率近乎人類醫生。肺腺癌是常見的肺癌類型，在臺灣，65%的肺癌就屬於肺腺癌。而肺腺癌還可分為五種主要亞型，分別是伏壁型（Lepidic）、腺泡型（Acinar）、乳頭型（Papillary）、微乳頭型（Micropapillary）和實體型（Solid）。

在這五種亞型中，微乳頭型和實體型的預後最差，也就是病患在手術切除後，還有很高的復發率。為降低復發率，醫生通常會在手術後追加化療。但臺北榮總病理檢驗部醫生葉奕成指出，雖然亞型分類有重要的臨床意義，但這些分類有賴於病理醫生主觀評估，不同病理醫生間的判斷一致率「並不高。」

於是，一年多前，他與團隊決定打造深度學習模型，可從患者肺部病理切片來辨識肺腺癌亞型，並預測患者術後的復發率。他們收集了216張由病理醫生標註的數位全切片影像，作為訓練、測試和驗證資料集。團隊訓練了兩套模型，第一個用來辨識影像中的病理組織型態，另一個用來預測患者預後。

測試發現，除乳頭型外，模型對其他亞型的分類表現AUC值可達0.95以上；後來，葉奕成團隊也透過212位患者的病理影像，讓模型來分類這些未見過的影像，並分析患者預後。「結果顯示，模型可有效預測手術後復發風險，表現與胸腔病理專科醫生相近。」 雖然如此，葉奕成指出，目前仍有幾些挑戰待克服，像是如何提高病理醫生對資料標註的一致性、解決不同病理玻片掃描器對AI模型的影響，以及最重要的落地問題，也就是「如何將這套AI系統整合至醫院工作流程，來實現AI落地。」

腸照鏡AI     雲象     臺大醫院  

雲象聯手臺大醫院要打造國家級腸照鏡AI，要媲美國際強權

數位病理AI新創雲象執行長葉肇元日前揭露，目前正與臺大醫院聯手優化一套腸照鏡腺瘤辨識AI，要在先前與國泰醫院共同開發的基礎上，來改善模型表現、增加訓練影像數量，最終目標是打造國家級腸照鏡AI，來與目前世界腸照鏡AI強手日本Olympus競爭。

一般來說，腸照鏡檢查是要找出腸內腺瘤性瘜肉，儘早切除、以免惡化為大腸癌。但若只憑醫生肉眼辨識，有時難免忽略。為提高檢查精確性，雲象聯手國泰醫院，利用30萬張腸道內視鏡影像來訓練YOLOv4模型，以每秒30次頻率來找出瘜肉，並發出警示音告訴醫生。

這款模型在去年已達到95%準確率，但葉肇元認為，與世界最優秀的日本Olympus腸照鏡AI相比，自家模型準確率還有2%的進步空間；而且，「對方模型以300萬張影像訓練而成，我們只是對方的十分之一，」這也促使他們進一步與臺大醫院合作，要用更多影像來優化模型，甚至再繼續擴大，要打造國家級AI來進軍國際市場。

  林口長庚    脊椎特徵量化     健保審查  

林口長庚打造脊椎特徵量化分析AI，還要用來改善健保審查制度

林口長庚醫學中心骨脊椎科主治醫生蔡宗廷日前分享自家脊椎量化測量AI，1秒就可從患者脊椎X光片中標註特徵點，計算出脊椎彎曲角度，作為手術或脊椎矯正治療的依據，比醫生手動計算的半小時快上許多。

蔡宗廷指出，全脊椎測量範圍涵蓋頭椎、胸椎、腰椎和骨盆，「有許多複雜的角度，」臨床醫生為計算這些角度，每張X光片得花上至少半個小時。於是，團隊決定打造一套AI系統，來自動計算這些角度。他們收集了2018年至2020年共2,900張全脊椎側視站姿X光片，去除品質不佳和格式不符的影像後，將剩下的2,210張標註，並分為400張測試影像、1,810張訓練影像。接著，他們以這些影像來訓練二階段CPN模型，並進行測試。團隊發現，模型在數十種角度測量和脊椎對齊（Alignment）計算中，與人類醫生相差不遠，其皮爾森相關係數p值皆小於0.001，且「電腦計算只需1秒鐘。」

有了這個成果，蔡宗廷還揭露，團隊目前正發展一套健保審查輔助AI，要自動判讀X光片，來判斷是否可以申請健保補助的鋼釘或椎體護架（Cage）。

  北醫   卵巢癌      數位病理 

北醫打造卵巢癌辨識AI，要幫醫生快速揪出女性沈默殺手

臺北醫學大學病理學科教授陳志榮揭露北醫卵巢癌病理切片AI進展，目前已能準確識別、定位兩種肉眼難以辨識的卵巢癌腫瘤組織，也就是漿液性癌和子宮內膜樣，可幫助醫生加速判讀和制定醫療策略。

卵巢癌號稱女性沈默殺手，臺灣卵巢癌發生率占女性十大癌症的第七位，近年更節節上升。陳志榮指出，常見的卵巢癌可分為四種亞型，其中兩種（漿液性癌、子宮內膜樣癌）腫瘤組織結構相似，難以辨別。為解決問題，北醫團隊建立了200張卵巢癌數位病理資料集，以其中的180張來訓練AI辨識模型，再以20張來測試、驗證。結果發現，這套AI模型的敏感度和特異性分別達0.93和0.96以上，未來，北醫打算擴大醫院訓練資料的採樣範圍，以更多元的訓練和驗證資料，來優化模型。（詳全文）

  科技部    精準健康大數據永續平臺     電子病歷  

科技部：明年聯手經濟部、衛福部打造精準健康大數據永續平臺，要整合醫療影像與電子病歷

科技部次長謝達斌日前於數位病理研討會上表示，科技部明年將聯手經濟部、衛福部，展開精準健康大數據永續平臺，將納入放射影像、數位病理、電子病歷、基因和演算法等相關資料，並透過衛福部適時調整法規，來加速醫療AI落地。

他指出，科技部幾年前就關注AI趨勢，於107年就於臺清交成等大學成立四大AI創新研究中心，聚焦於醫療、製造、服務和AI核心技術領域，「其中兩間中心更在疫情期有所貢獻，」以科技防疫來追蹤疑似病例、協助檢測。今年，科技部更推出臨床資料庫與AI之跨域開發及加值應用計畫，目的是要連結醫院和醫療AI企業，來將醫療AI研發成果落地至臨床診斷決策。

明年，科技部將攜手衛福部、經濟部，來推動精準健康大數據永續平臺，要納入放射影像、數位病理、電子病歷、基因等資料，還有演算法、儀器和資料標準相關問題，因此邀請衛福部參與，來適時調整法規、加速醫療AI落地。

骨髓細胞    臺大醫院      細胞分類 

臺大醫院骨髓細胞分類AI準確率達九成，未來還要用於教學

臺大醫院聯手數位病理AI新創雲象，歷時兩年半打造全球第一套骨髓細胞分類AI，可自動分類和統計骨髓抹片的骨髓細胞，未來還要用於教學與遠距照會。臺大醫院檢驗醫學部主任周文堅指出，骨髓血球細胞分類，是血液疾病診斷的最根本步驟。但是，骨髓細胞的型態判別往往受到主觀意識、知識傳承不易以及耗時等限制，因此，2018年中，他決定與雲象共同開發一套骨髓細胞分類AI，來解決問題。

為此，臺大醫院將累積20年的骨髓抹片資料，用來建立一套涵蓋各種血液疾病的資料集，來訓練AI。周文堅指出，目前為止，AI已經閱讀了61萬顆骨髓細胞，也測試了50多萬顆細胞，仍持續測驗中。而這套AI準確率已達90%，他表示，未來AI完成測試後，除了要申請衛福部TFDA認證、整合臨床應用外，還要用於遠距教學和遠距照會，來提高醫療品質。

病理科   胃癌    淋巴結 

病理科醫生福音，淋巴結分類AI小幫手快速標註還會數數

林口長庚軟組織病理專家醫生黃士強日前分享一套胃癌淋巴結轉移AI，可辨識胃部病理切片上的正常與癌變淋巴結位置、數量，以及淋巴結總數。他指出，對病理科醫生來說，淋巴結的分類與統計是耗時的工作，因此想藉由AI先行辨識、再由醫生檢查確認，來加速作業。

為訓練淋巴結辨識AI，團隊建立了300張切片的資料集，包含1,785顆淋巴結，其中正常淋巴結為1,233顆、癌變的為552顆。接著，團隊利用其中180張來訓練模型，剩餘20張來測試。在模型設計上，可分為三個模組，首先是淋巴結偵測模組，透過影像分割來標示病理切片中的淋巴結，再來是分類模組，來找出癌擴散和正常的淋巴結。由於分類模組的訓練資料，並不是使用詳盡標註的影像，因此還以第三個標示模組，來幫助突顯癌變淋巴結。

而測試結果顯示，模型分類表現的AUC值達0.951、敏感度達0.955，特異性則是0.824。黃士強指出，目前團隊希望將AUC提高至0.966以上。

聯合學習    資料驗證     風險 

聯合學習可解決資料分散問題，但仍需考慮模型驗證方法

醫療AI風潮興起，但卻面臨資料隱私障礙，造成資料分散於各機構、難以發揮大數據效用。不過，臺大副校長暨中央流行疫情指揮中心專家諮詢小組召集人張上淳日前於數位病理研討會上指出，聯合學習（Federated Learning）透過分散式機器學習概念，以共享模型來取代共享資料，可解決醫療AI訓練資料不集中的問題；曾任衛福部資訊處長、現任北醫大數據處數據長的許明暉表示，去年國衛院與衛福部共同推動的國家級生物資料庫整合平臺，也以分散式概念為基礎，將資料保留於各機構和醫院的人體生物資料庫中，而非將集中於中央資料庫。

不過，雲象科技創辦人暨執行長葉肇元指出，聯合學習雖可解決資料不集中的問題，但從實務經驗來看，醫療AI講求高準確度，因此資料要能被驗證，也就是原始資料要能被檢查，來確認其正確性。而聯合學習是靠各家醫院訓練好的模型，透過共同優化模型參數，來提高模型表現。但這個做法，就難以驗證、檢查這些模型的原始資料。

攝影／王若樸

 AI趨勢近期新聞 

1. YOLOv4關鍵人物中研院廖弘源：還要再建國家隊開發Tracking AI，要再拿下第二個世界第一

2. 賴清德點出政府AI能力不足，未來擬與臺灣AI學校聯手從文官體系培育AI人才

3. Google改良語音過濾模型，提升裝置上語音辨識效果

4. LinkedIn釋出Java機器學習函式庫Dagli

資料來源：iThome整理，2020年11月