TCG
科政中心
 

影像科學、語言聲音文字描述、生物標記 國際醫療人工智慧發展三大面向

李友專認為人工智慧在醫療上的應用相當多,其中數據的收集也是發展重點之一。臺北醫學大學科技學院提供

人工智慧的發展,可從1940年代的電腦發展算起,到1950年代的人工智慧研究,以及1960與1970年代的AI語言與知識表達系統。在近幾年間脫離了純粹電腦運算的研究階段,進而與各產業間產生了許多跨界的應用。人工智慧在醫療的產業應用,包含了影像科學、語言及聲音的文字描述、生物標記等3大面向。

由於近年圖形處理器(Graphics Processing Unit;GPU)產業與區塊鏈挖礦等各式應用方興未艾,也造就了NVIDIA等國際GPU大廠。此外,再加上NVIDIA最近也以69億美元收購了晶片製造商邁倫科技(Mellanox),許多產業人士都預計未來的人工智慧將會有更多不同的應用發展。

 點擊圖片放大觀看

鄭啟桐表示,Strong AI尚未出現,不過目前許多Narrow AI的準確率都很高,已能協助醫師判斷得更精準。蔡騰輝

人工智慧語言編碼

在醫療AI當中,自1993年起投入人工智慧醫療應用研發至今的臺北醫學大學科技學院院長李友專認為,影像的研究非常重要,國內外有很多團隊準確度都很高;另一方面也分享在語言與聲音等文字敘述方面的觀察。

李友專說,文字資料可以分成兩大類。第一大類包含了門診的SOAP資料和病歷,以及入、住、出院的行政內容與急診的敘述文字。第二大類則包括了像是美國國家醫學圖書館(National Library of Medicine;NLM)的MEDLINE資料庫,以及PubMed等資料庫平台當中、2,000多篇以上的文獻摘要內容。其中在台灣又以萬芳醫院有使用的IBM Watson for Oncology系統為第二大類中最好的例子。

國際學術機構極為重視AI

IBM Watson是IBM和美國紀念斯隆-凱特琳癌症中心(Memorial Sloan Kettering Cancer Center;MSK)團隊共同合作開發的系統,Watson的正確率與癌症疾病相關率則與MSK團隊資料有90%的吻合。此外,與一般的醫學影像辦別的人工智慧不同,Watson最擅長的是「自然語言處理」(NLP)。

要發展人工智慧,最重要的就是正確、乾淨、相關性高的數據。在國外大數據方面,李友專也提到麻省理工學院(MIT)、哈佛、波士頓貝斯以色列女執事醫療中心(Beth Israel Deaconess Medical Center;BIDMC)都有在收集與分析大數據庫。其中,各大加護病房當中的心電圖數據,就已有超過20萬人的資料可供研究。此外,在歐盟展望2020的計畫中,大約有50億歐元的相關預算,就是用來結合各種新科技應用與治療。其中包含了透過物聯網裝置所開發出來的癌症教練Coaching App。

在跨國合作部分,李友專先前也與美國密西根大學教授合作,在2018年11月推出電腦輔助系統。系統將病患的特徵對接及分析,並且回傳治療方法。透過基因表現型,提供醫師判斷是否可以使用某種藥物。包括美洲、歐洲、澳洲、西班牙、希臘、英國、MIT、哈佛、UC River Side等等跨國與跨區域的頂尖學術機構也都積極搶進人性化的人工智慧與用藥安全。

NVIDIA實習生計畫

除了透過線上線下的座談會、研討會、學術論壇以外,目前NVIDIA已推出1年的實習生計畫,讓醫師與各領域人士,到NVIDIA瞭解AI事業與影像晶片在醫療領域能提供的功效,進以增進跨產業之間的瞭解。

美國FDA與AI醫療影像

以現在的骨折熱點分析技術為例,長庚外傷急症外科醫師鄭啟桐認為,目前只能在單一任務上有較好的表現的AI技術,未來也能有更多突破。比方說,超越現在的單一點位的骨折熱點分析,將來可以讓影像更複雜骨的盆腔骨折都可以綜合精準分析。此外也提到目前美國美國食品藥品監督管理局( Food and Drug Administration;FDA)也已經許可藉由AI來識別手腕醫學影像的臨床診斷技術。

台北馬偕紀念醫院放射診斷科醫師黃威銘也分享,在北美放射學會(Radiological Society of North America;RSNA)年會上,看到不少國外醫療技術最前沿的創新應用,包括自動化大圖檢視CT影像、疾病機率預測、生物標記比較等。此外,黃威銘也說,穩定與清晰的影像擷取,將是心臟血管科導入人工智慧等醫療影像輔助判讀更上層樓的重要分水嶺。

電腦斷層掃描(Computed Tomography;CT)創新技術方面:在CT影像產出後,醫事人員傳將影像傳到電腦輔助工作站,工作站一有資料,就會自動跑程式。約莫1至3分鐘,會生成初步偵測結果,此結果會以附加指標的圖片顯示,標明該部位是什麼樣的病症。醫師點選圖片,就可以將各患部特徵放大,進一步診斷是否真的異常。

疾病機率預測方面:在介面相當方便使用的系統內,醫師經過科別點選、輸入年紀、症狀、數據、影像參數等項目,就可以得出各病症的機率。像是A病有60%的機率;B病症有30%的機率;C病症有10%的機率。黃威銘說,跟賭神電影當中,攝影機拍攝影像後,分析底牌是A或是4的機率概念十分類似。

生物標記報告:醫師在系統中點選不同的生物標記,就能得到不同的分析報告,像是選擇打入顯影劑的前或後,即能得出不同且有比較病症的數據和圖示。此外,系統也能再次加上資料庫數據,辨別圖形的左右或以對稱方式顯示。在大腦灰質、白質、基底核是否有病症,也都會清楚顯示機率,供醫師診斷參考。

蔡騰輝

DIGITIMES電子時報智慧醫療主編蔡騰輝Mark Tsai
專注研究智慧醫療產品技術服務導入場域時,所遇到的困難癥結與如何克服要點。
精通中英德語,熱愛挑戰與Swing Dance。
Facebook:DIGITIMES智慧醫療

作者更多專欄

  •     按讚加入DIGITIMES智慧醫療粉絲團
更多關鍵字報導: 人工智慧 醫學影像 李友專