健康刊物肝病資訊

第50期

出刊日:2019-10-15

返回上一層

封面專題/人工智慧蓬勃發展 創新醫療風貌

近年人工智慧(Artificial Intelligence,AI)在醫療界的運用如火如荼展開,沒多久前,醫療AI還是處於實驗性質的研究階段,準確性也常被質疑,然而,現在的醫療AI已開始進入臨床應用,期待其成為醫師的「得力助手」。

諮詢/陳建煒(臺大醫學校區人工智慧中心主任)、粘曉菁(本會執行長、臺大醫院家庭醫學部兼任主治醫師)、余坤興(哈佛醫學院生物醫學資訊所講師)
撰稿/張雅雯

未來的就醫場景:醫師專注地與病人對話,他不再盯著電腦螢幕打字,而是由AI人工智慧系統把病人的主訴都記錄下來,並且主動調出上次病人的檢查影像,上面已經將疑似病灶處圈選出來。醫病對話結束後,系統馬上就可完成病歷,提供可能病因、適合什麼樣的治療及藥物、副作用有哪些等等,讓醫師可以快速地幫病人做最正確的診治,不再因繁瑣的病歷電腦化而減少與病人的互動,病人看醫師像跟家人聊天般輕鬆…

這樣的門診看病場景並非癡人說夢,而是AI醫療應用國際研討會上,讓人嚮往的美麗願景。

醫療界之所以熱情擁抱AI,原因之一是醫療界有相當多可以被標準化的高勞力工作,例如檢視醫學影像的片子以及病理切片的判斷,就是醫療AI首發的優勢之處,也是目前醫療AI起步最快的項目。在研究端更是潛力無窮,比如個人化數萬個基因檢測、體內生物標誌整合並結合個別影像檢查與病史等大數據的分析,AI的運用等於是打開了一道大門,讓精準醫療與研究加速前進。

AI經正確訓練可有效輔助醫師診斷
醫學診斷攸關病人生命,所以最被重視的就是正確性,也正因為每個個體不同,醫療診治可堪稱為一種藝術,而非全有全無、非黑即白的診斷。當專攻0與1定律的機器擔負起一部分「診斷」的角色時,最被人質疑與擔心的就是經由機器學習而判別的診斷正確與否。以目前應用最普遍的醫學影像診斷AI來說,關鍵在於機器學習階段是否學習到正確的影像中病灶資訊。

倘若將AI比喻為資質IQ極高的聰明學生,要讓AI懂得判讀影像檢查,就必須「餵」給它很多已經被標註且正確分類的影像資料,讓機器正確地大量學習;輸入的資料如果沒有經過驗證、診斷模稜兩可甚至不正確,建立此醫療AI就沒有意義,即垃圾進、垃圾出的理論(Garbage in and garbage out),因為「讀了不正確的資訊,就不能保證診斷的正確性。」

事實上,正因個體的專一獨特性,加上疾病的高度變化,醫療診斷與處置難以達到100%的完美境界,這也是發展精準醫療與提升高品質醫療服務的重要性,而醫療AI發展就是希望將醫療診斷盡可能精準個人化,減少不必要的人為誤差與環境因素影響。

譬如乳房攝影影像的判別,因為腫瘤鈣化點相當細微,經過特別訓練的影像科專科醫師需聚精會神,在特殊的暗房內並使用解析度極高的影像螢幕,他們才能精準判別病灶,而美國癌症醫學會會中發表目前乳房攝影AI,結合乳房攝影影像與乳癌病理切片,已經訓練機器學習可偵測出乳癌病灶,且讓專科醫師高達94%同意此AI判讀乳癌的正確性。

AI加速個人化精準醫療發展
以美國哈佛醫學院研究為例,AI不再侷限於影像的大數據分析,在肺癌的研究領域,除了結合傳統電腦斷層影像與腫瘤病理切片報告之外,更結合病人臨床個人資料、疾病史、家族史、個人抽血的體內生物標誌與基因分析,使得個人化精準醫療再度提升,利用機器深度學習的優點,讓醫療AI協助醫師提供肺癌病人更加合適的個人化癌症精準治療。

美FDA核准多項醫療AI系統
以美國為例,從2017年下半年至今,美國FDA核准的醫療AI系統已慢慢通過約10幾個品項,多半是輔助診斷的系統。其中一個被核准的項目是用來診斷糖尿病人是否有眼底黃斑部病變。糖尿病人原本就建議要固定接受眼底檢查,但病人實在太多,眼科醫師人力有限,於是透過讓病人散瞳後眼底攝影,再把影像資料上傳至AI系統,其將初步判斷此病人是否已經有黃斑部病變,幫助醫師做大量病人的眼底病變篩檢。

另一個被FDA核准的醫療AI系統是手腕骨折的診斷。因為美國就醫可近性不像台灣這麼高且醫療費用昂貴,但可提供照X光片的影像中心相對普遍許多,當跌倒的病人照完X光片並上傳AI軟體後,即可初步輔助醫師判斷是否有骨折,若AI系統認為骨折機率很高,則建議病人應該專程跑一趟去專科醫院接受醫師的確診與治療。 

因應AI快速發展 
適度更新法規審查有其重要性

醫療AI系統也如同任何醫療產品,要使用在臨床上,應該是需要受到一些審查和規範的,但是過度繁瑣抑或是防弊為主的法令卻也是醫療進步的一大障礙。

自2017年開始,美國FDA已嚴選9家國際知名企業進入「數位健康產品開發商預認證試行方案(Pre-Certification for Software Pilot Program)」,其核心概念在於將原以醫材產品為主的上市前監管模式,改為增加對產品製造商的評量與上市後監管的力度。這個目的就是希望利用所有可信的來源信息和數據,使FDA和醫療器材專屬軟體(Software as a Medical Device, SaMD)製造商能夠擁有更高效能且簡化的審查,同時不會影響這些AI產品的安全性和有效性,並可依據其效能適時調整。

美國FDA對醫療AI的發展樂觀其成,除了提供發展醫療AI輔助系統的醫院一些概念上的指引,例如該怎麼申請才能獲准通過於臨床應用,也與醫療AI研究人員討論怎麼建立AI相關的法規,而且對於性質不同的品項,會分別去討論該怎麼認定這個AI系統。

而有些美國醫院內部自行開發的AI系統,對病人的臨床資料進行初步評估,最後再由醫師綜合判斷、做最後的定奪。這些系統只提供初步建議與提醒,因此不一定會向美國FDA提出申請,但即使有醫師做最後的判斷,系統的開發仍需注意判讀的準確程度,避免增加醫師的工作負擔或誤導臨床判斷。

醫療的溫度 無法被AI所取代
醫療AI的發展最常被詢問:未來世界 AI是否直接問診?AI是否就取代醫師的工作?醫師從此就失業了?從臨床發展來看,AI的發展仍只能扮演輔助醫師的角色、而非取代,顯而易見的好處就是可以減低醫師的負荷,幫助醫師做更快速、準確的診斷,但還是由醫師做最後的把關確診。儘管AI再怎麼蓬勃發展,仁醫的一句溫暖關懷與一份細心照護的愛心,病人感受在心裏,病都好一半了,這一份醫療的溫度是醫療AI所難以取代的。

《圖說:有AI幫忙,醫師可望有更充裕的時間「看」病人。》
 
臨床應用>>
腦瘤在哪裡?血管阻塞位置?
皮膚黑點是痣還是癌?術後傷口照護…

醫療AI幫大忙!
 
諮詢╱許峯銘(臺大醫院腫瘤醫學部主治醫師)、王宗道(臺大醫院內科部主治醫師)、詹智傑(臺大醫院皮膚部主治醫師)、戴浩志(臺大醫院外科部整型外科主任)
圖╱臺大醫院及TW-CVAI團隊

醫療界對於運用AI來發展自動診斷的工具投入甚深,例如臺大醫院與臺大校本部、好心肝基金會、科技公司及國際名校等也積極合作開發,除了諸多的研究正在進行中,也有不少成果已在臨床運用。
 

《圖說:AI系統自動圈選三種腦瘤,再由醫師確認。》
案例1
腦瘤放射治療結合AI
30秒勾畫出腫瘤輪廓

臨床上利用電腦刀治療腦瘤,特色是採單次大劑量的放射治療,來殺死或控制腫瘤,必須要求很好的精準度。過去為了精準定位腫瘤位置,放射診斷科醫師必須在好幾十張的影像上來回檢視,仔細勾畫出每一個要治療的腫瘤輪廓,往往需要花費數十分鐘甚至數小時。

目前AI技術已應用於腦瘤自動偵測圈選,這套系統是整合傳統電腦刀系統,從醫療流程來說,醫師不用改變任何的操作習慣與流程,就能讓AI擔任醫師的第二雙眼和手,可以更有效率在30秒內,完成腦瘤的自動偵測、辨識與輪廓勾畫,準確度可達90%以上,大幅縮短前置作業時程,讓醫師有較多時間跟病患討論治療策略,或設計更理想的放射治療計畫。

目前這套AI系統可自動偵測圈選包括3種常見腦瘤:腦轉移瘤、腦膜瘤以及聽神經瘤。在訓練階段時,已經累積了很多的病例量,有足夠大量的數據輸入,訓練AI模擬過去資深醫師累積的腫瘤圈選樣態,同時使用電腦斷層加上磁振造影作為AI的輸入資料,其圈選的結果猶如多個醫師對病患討論後做出的共識決定,因此AI系統提供的圈選腫瘤型態精準度會更加穩定。

當醫師可以很快得到AI初步圈選結果,只要確認及修正AI圈選出的腫瘤輪廓邊界即可,增加前置作業的效率以及信心,也減少了醫師的龐大工作量,提升醫師的診治效率。尤其,有時醫師打報告時只能確定「至少有5顆」,但實際上究竟有多少顆?醫師不一定會全數記錄在報告內,而此AI系統除了有機會找出肉眼漏失的腫瘤,還可以透過給予每顆腫瘤介於0到1之間的分數(愈接近1代表AI判定這顆高度機率是腫瘤),提供醫師診斷參考。

醫師過去手動圈選腫瘤輪廓時,對某些區域是否為腫瘤,也會思考「這裡有腫瘤的機率高不高?」當AI提供分數參考,可以輔助醫師判斷。比如AI對這顆腫瘤給的分數較高,且醫師看過很確定,就可以快速檢視下一顆;反之,若AI給的腫瘤分數較低的話,醫師反而要有警覺性,表示這顆腫瘤需要醫師花更多時間來做確認。
《圖說:此為心臟左心室的心肌影像,發亮的部分是血管攝影(心肌灌注掃描)的心肌影像,下方灰黑色的是電腦斷層影像。
自動對位前,兩種影像合不在一起;利用AI系統快速自動對位後,兩種檢查影像就疊在一起了,呈現出血管阻塞位置。》
案例2
AI輔助冠心病診斷
從20分鐘縮短到2秒

診斷心血管疾病的醫療影像非常多元,包括冠狀動脈電腦斷層血管攝影(Coronary computed tomography angiography, CCTA)、心肌灌注掃描、心導管攝影、血管內超音波、核子掃描等。然而這些醫療影像皆有不同的空間座標,無法直接融合,過去需要醫師人工手動對位來回檢驗,非常花費時間。

目前透過訓練好的AI系統,將冠狀動脈斷層攝影與心肌灌注掃描在3D空間中直接串聯,進行全自動對位,可在相同3D座標共同判讀。過去醫師從影像看到心血管某個部分血流較差,究竟是對應到哪條血管,以手動比對血管阻塞位置需花20分鐘;但在AI輔助下,醫師只要按一個鍵,僅需2秒鐘就能完成工作,可加速整個評估的流程,減少醫師的負擔。

其實每種影像資料標註的內容不盡相同,以電腦斷層為例,主要標註血管中心線用來分析血管狹窄、血管的外緣輪廓以及狹窄處的斑塊體積3個方向。此外,包括心導管的標註、斑塊的命名、核子醫學影像的標註都要標準化,但也奠基於有正確且完整標註的大量資料,AI的診斷才得以往對的方向發展。

案例3
AI初篩皮膚斑點 
減少非必要病理切片

皮膚上常見的斑斑點點,到底是什麼?是良性還是惡性?即使是經驗老道的皮膚科醫師,單憑肉眼仍無法100%判斷,往往必須進行侵入式的病理切片才能確診,但可能造成患者多做不必要的檢查,增加傷口感染等風險。

為了提高皮膚疾病診斷的精準性,目前國內研發的「皮膚科疾病分類(AI-CDSS系統)」技術,針對皮膚科常見的疾病,包括最常見的皮膚癌(基底細胞癌)、最惡性的黑色素瘤、容易與濕疹混淆的鱗狀細胞癌、惡性機率較大的脂漏性角化症以及痣,蒐集上千筆病灶資料,結合AI演算法,經模型訓練、測試,將發展出可在臨床應用的手機APP。

這套系統已在臺大醫院皮膚科門診試用中,醫師用智慧型手機輸入病人病歷號、對準病灶拍照、勾選欲判讀位置,再上傳至系統,幾秒鐘就會收到系統回傳以長條圖形式呈現的判讀結果,可於醫師臨床診斷時快速提供類似第二專家意見,準確率高達9成。

案例4
AI遠距照護術後傷口
病人免奔波

臺大開發出「台大AI-SWAS智慧術後傷口追蹤系統」APP,兼具遠距醫療與專家意見二項功能。透過AI運算法分析傷口顏色狀況,10秒內可判斷是否有紅腫、壞死及感染狀況,準確率超過9成,且一般傷口可藉由此APP判讀,給予是否需要進一步就醫的建議。

手術後出院的病患,在家裡就可以使用手機記錄自己的術後傷口狀況,在固定時間上傳傷口照片到AI-SWAS平台,除了系統會自動判讀傷口是往康復的方向發展,還是可能有發炎需要就醫,醫師也會收到平台通知審視照片的簡訊,並透過APP回傳處置建議給病患,不僅讓醫護人員以更便捷方式進行遠端照護,同時節省病患往返醫院的時間與醫護工作量。

這套系統目前僅設計在Android的平台上,正在進行iOS平台的計畫,但目前僅供院內下載,臺大醫院也計畫在未來一年,將這套系統的運用範圍擴大到各類傷口的照護。
 
 
《圖說:將皮膚斑點照相後上傳AI系統,即可得知可能是哪種病灶。》
《圖說:用手機拍攝傷口狀況,上傳AI系統可獲得初步判讀結果,節省病人往返醫院時間。》

請別錯過本期其他精彩內容…