Red Hat
event
 

胸腔AI輔助系統下一步 三總徐先和:結節分類

三軍總醫院主任徐先和看好醫療AI的發展,但仍有許多重要元素需要整合與準備。蔡騰輝

很多團隊都希望切入胸腔影像AI輔助偵測系統的辨別應用,然而技術門檻不低,特別是「偵測小結節」的準確度也必須不斷提升。對此,在放射診斷醫學科擁有30多年經驗的三軍總醫院主任徐先和認為,目前測試過許多人工智慧病灶偵測系統,還是希望準確度能夠再次提升,不過也認為電腦系統的確是可以協助醫師眾多工作流程當中的一小塊,尤其是現在1釐米(mm)拍一張的多排螺旋式電腦斷層(Multidetector Computed tomography;MDCT),一位病人可能會有300片到400片的影像需要醫師協助檢視。未來也希望能夠再增加結節分類的功能。

檢測影像數百張 會用AI的醫師 將更能提升病人安全

由於結節與血管長得很像,連年輕醫師都有可能要經過多次學習,才有可能增加判斷效率,因此AI偵測系統的準確率要提升,還需要提供更多細部數據供AI學習。但對於電腦系統的輔助上,徐先和還是認為有很大的發揮空間,同時也說,其實人的眼力是有限的,即便是資深醫師也不像大家想像得那麼厲害。醫師辨別小細節的敏感度約是30%至97%,也就是說,個別差異很大,明顯的病灶,大多數醫生都看得出來,然而影像很混雜的病灶,只有少數醫師找得出來,也因此微小病灶很容易被忽略。

如何分辨結節與血管 單點或是連續

針對醫學領域知識的「眉角」與「細節」,徐先和分享,「血管是條狀且延續性組織、是一整條的,不會只在單一張片子中出現」,如果只在單一張出現,就是小結節,不過因為片子數量多達300多張,所以醫師必須花很多時間與精力才能找得出來,有時候還是會因為數量與影像模糊而沒即時找出。此外,以原始檔案(Raw data)來分析與檢視,還是最能準確找出細微肺癌病灶。

病灶沒有範圍 AI的誕生需要更多高品質數據

由於病人體型各異、影像也有很多種,病灶範圍廣及肺炎、綜合腔、骨折等多重複雜專業問題,徐先和認為在短期10年與20年內,在診斷方面,放射科醫師的價值仍很高。同時也期待產業界的AI系統準確度與好用度能持續提升。醫療AI與其他領域的AI可能有些不同,舉例來說,下圍棋的範圍固定、棋譜可能有過往前例可循,因此AI系統能快速跟上、甚至超越人類。但是醫療AI研發的困難點在於「疾病沒有範圍的限定」,因此還需要很多時間學習與收集足夠完整、乾淨、符合相關題目的資料來訓練系統,但仍舊相當看好AI可以「協助」醫師工作中的若干流程。

過去曾經測試過不少廠商的AI系統,系統也真的可以找得到結節、甚至可以預測罹患癌症機率。但從後續實證來看,有些系統可能當下預測病灶為良性,但6個月之後卻變成惡性大腫瘤。徐先和認為,這可能是因為一開始訓練系統時,使用的是良性腫瘤的資料,因此還有許多惡性的資料有待學習。在學習的素材上,也必須提供高解析度CT影像,AI才能學習

偵測更加準確 AI下一步往分類前進

除了結節的偵測以外,各團隊接下來或許可以朝向結節分類技術前進,包括是原發性的還是轉移性的結節分類。若是以傳統的方式來說,以下的狀況,醫師都會需要較多時間判斷、AI系統也會難以偵測,像是病灶尺寸太小、顏色太淡、組織混雜等。

此外,因為肺癌前期的非典型腺瘤樣增生(Atypical adenomatous hyperplasia;AAH)、肺癌零期的原位腺癌(Adenocarcinoma in situ;AIS)、微浸潤型腺癌(Minimally invasive adenocarcinoma;MIA)、浸潤型腺癌(Invasive adenocarcinoma)等的影像都不同,再加上實心、半實心、毛玻璃影像也都需要特別處理影像,才能供AI學習。

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: 醫療人工智慧