账号:
密码:
智动化 / 文章 /

AI医学影像前瞻技术探勘
[作者 張軒豪]   2020年07月20日 星期一 浏览人次: [15459]

既有的医学影像诊断流程,大略可分拆解为四大步骤:一、至医院看病检查进行初步诊断,临床医师会根据出现的症状,推断可能患有的疾病;二、开单至放射科照X光、CT、MRI等影像检查;三、放射科医师会对影像进行分析诊断,最后拿着影像诊断报告去找临床医师;四、透过报告分析制定合理的治疗方案,而其中最主要的医疗流程为摄取影像及医师判读两个部分。


在AI诊断的部分发展相对较早,可以减少医师判读工作,降低误诊及漏诊的风险,而AI诊断技术主要可分为三项:侦测(Detection)、分割(Segmentation)及分类(Classification)。现在既有的AI侦测技术,可从一张影像透过AI精准地侦测到单一病灶,例如肿瘤的位置,让医师能快速确认而不至于漏看造成严重后果。在AI分割部分,可藉由AI从单一影像中分割出构造的轮廓,例如骨骼形状。最后AI分类部分,可进行良性及恶性肿瘤的判别,以及较为简单的疾病严重程度分级,使医疗资源做有效的分配。


而随着AI技术的进步,新的AI辅助诊断内容,在侦测的部分,由于一张影像中可能包含许多器官及不同种病灶,因此AI侦测技术进步至可从一张影像中,侦测到多重病灶位置以了解整体病因。在分割部分,由于许多时候会需要不同种类的影像同时进行诊断判读,新的AI分割技术内容,演进至可同时进行不同种类影像的分割,提供更准确的影像比对,增加讯息量。最后是分类,最新的研究为使用AI,可判断整体器官的健康状况,以利后续作更精准的治疗及预防。


虽然减少了医师判读的困难,但摄取影像流程仍有问题需要克服,包含耗时、辐射,而针对这些问题,对于拍摄影像就产生了额外的需求,例如为了降低辐射剂量,便会使影像品质下降,因此研究指出将AI导入至诊断之前的影像重建部分,仅需耗费数十毫秒便可自动产生清楚而准确的影像,进而减少辐射照射时间。



图一 : AI诊断技术主要可分为三项:侦测、分割及分类。(source:www.ijri.org)
图一 : AI诊断技术主要可分为三项:侦测、分割及分类。(source:www.ijri.org)

首先是解决在拍摄过程中,受测者可能会移动,或体内含金属物质,而使影像中出现伪影(Artifact)的现象,因此运用AI技术将伪影删去,以降低后续错误诊断发生的机率。第二项是AI超解析度(Super Resolution)的技术,能将影像从模糊转成细致,以较少的资料量产生高品质的影像,如此便可缩短扫描的时间,现有研究可以缩短MRI扫描一半以上的时间。


第三是因辐射问题,低辐射剂量的CT扫描被大家所要求,低剂量CT的辐射量可以降至约0.3~0.55mSv,远低于传统电脑断层扫描3~27mSv,但降低辐射剂量会使影像的杂讯提升,而透过AI技术可将杂讯去除,留下精准的器官影像。以及最后将AI用于影像配准技术(Registration),自动侦测两种影像得到特征,然后通过匹配的特征,进行影像配准辅助不同的影像合并,呈现足够的资讯,以利后续的诊断分析。


在影像合并诊断的部分,除了透过AI进行影像配准合并影像虽有不错的效果,但运用AI合成医学影像,进行影像合并诊断仍有困难需要克服,例如CT与MRI的成像效果并不相同,有时需搭配诊断呈现足够的资讯,但即便是低剂量CT仍然是一种具辐射的影像检查,因此透过AI从MRI合成CT影像,直接就可以将影像合并进行诊断,省去拍摄两次影像以及接收辐射的问题。


另外是在PET的部分,主要有PET/CT及PET/MRI两种方式,临床上PET/CT主要藉由转化CT值与线性衰减系数值之间的能量转换关系进行衰减校正,而因CT辐射问题,PET/MRI逐渐获得关注,但MRI无法直接得到衰减系数,需要通过特殊的方法进行,较CT复杂许多,因此有研究一样提出运用AI从MRI合成出CT影像,并计算出CT值比较容易且快速完成PET的衰减校正。


最后是探讨AI合成医学影像的技术,除了可以解决影像合并诊断所遇的困难外,亦有研究探讨帮助AI的模型训练。现有许多的AI系统存在很大的问题,在于模型需要大量的资料来训练,但要取得医学影像资料是相当困难的,包含最大的问题在于医学影像牵涉到病患的隐私,以及影像的品质、种类等筛选工作繁复,使现有很多AI模型在训练时都有很高的准确度,但一落地实际进行诊断,准确度就下降很多。


透过AI从既有的影像中,合成出MRI或CT影像来训练AI诊断模型,借此方式即可解决医学影像隐私的问题,且影像中病灶的位置、大小与种类皆可随意的无限变化,针对不同疾病自动提供齐全且低成本的影像资料,使AI诊断模型的训练可以更加的完备。


透过AI得以解决医师人工阅片,以及摄取影像的许多问题,但导入AI至医学影像医疗流程中,仍存在些许困难。例如在开发AI系统前,需搜集大量医学影像资料,交由一些资深的医师标注出病灶位置,产出有标注病灶的影像资料,供AI模型进行训练,但如此便会占用到许多资深医师的时间。而在另一部分,AI模型训练对医师来说为一黑盒子,AI研发业者须与医师进行许多的沟通讨论,校正AI模型,费时且人力成本高昂。


虽然透过AI解决了影像重建和诊断的问题,但延伸至前后的医疗流程也仍存在一些难题尚未解决,例如初步诊断的部分大多皆为病患发病了之后才前来检查,无法做到疾病预防的效果,且许多时候无法准确判断该拍摄何种影像。而在后续诊断报告的撰写,对放射科医师而言相当耗时,且难以有效地搭配病患的病历资讯,以及最后产出报告上的资讯都较为专业,有待医师细心解释了解影像资讯。



图二 : 在AI导入的过程中,需适时地创造新的服务加以协助。(source:Muhendisbeyinler.net)
图二 : 在AI导入的过程中,需适时地创造新的服务加以协助。(source:Muhendisbeyinler.net)

以上AI导入医疗流程的困难,需要更大规模的流程整合,因此如何将AI技术延伸至诊疗流程的前置处理与后期判读,更为重要。


首先是在AI导入的过程中,需适时地创造新的服务加以协助,如上述提到的标注问题,则可提供AI辅助标注系统,透过另一AI半自动地完成粗略的病灶标注,且自行区分出标注的难易,将尚未确认的标注影像,分派给资深及资浅的医师分工进行后续检查核准,则可使标注的效率大大的提升。


而AI模型训练黑盒子的问题,则可透过AI可解释化技术,呈现出AI的训练过程、正在执行的任务、训练次数及成效,则可拉近AI模型与医师的距离,产生较多的互动,节省沟通的时间与成本。在导入新的AI工具的同时,需有新的服务加以协助,则可改变既有的工作流程,并创造新的工作模式。


接着,透过AI进行医院既有系统的优化,业者可开发各式AI系统整合至医院的各个系统当中,包含上述所提到的AI影像处理系统,及AI诊断系统,就必须与医学影像储传系统(Picture archiving and communication system;PACS)进行整合。


至于另一AI可以将医学影像资讯自动转成文字,并生成报告,解决医师撰写报告的耗时问题。在报告生成的同时,可开发其他AI,结合放射科资讯系统(Radiology Information System;RIS)及电子病历系统(Electronic Medical Record;EMR),将病患的个人历史影像,及非成像的病历数据结合至报告当中,使诊断报告的资讯更加完备。


而下一步可运用AI完成自动化分析,结合至临床资讯系统(Clinical Information System;CIS),提供风险评估、临床咨询、辅助诊疗等决策参考,提高医护人员的工作效率,另一方面将报告内容呈现简易化资讯,让病患明确知道该注意哪些事项。最后结合医院资讯系统(Hospital Information System;HIS),可实现自动化排程透过AI进行病患筛选及设备选择,以实现最有效率的疾病预防与资源分配。



图三 : 医学影像医疗流程延伸问题(资料来源:资策会MIC/2020年1月)
图三 : 医学影像医疗流程延伸问题(资料来源:资策会MIC/2020年1月)

AI医学影像医疗流程延伸出新应用,如上述提及AI亦可协助处理其他非成像的数据,例如病患的病历资讯,并于后续结合其他新兴技术,例如可将AI系统建置在云端平台上,方便串接至各个医院系统当中。而如后续结合5G技术,则可打破医院地域的限制,改变既有在单一医院拍摄影像并诊断的模式,未来则可将菁英的医师集中,共同研究新的治疗技术,同时仍可提供各地区的病患做诊疗的咨询,使资源做有效的分配。


而结合区块链技术,则可使病历资料获得更安全的保护,在未来也可以改变病历的管理模式,例如英国的Medicalchain公司,便提供病患管理自己病历的平台,将病历资讯纪录在区块链上,而病患可自由地授权自己的病历给医院、药局,或保险公司等与医疗资料有关的机构,逐渐改变病历资讯管理者的身分。未来可再将更多的技术及应用结合至医疗领域当中,并透过这些价值延伸,将能提升台湾的医疗产业能量,创造新的商业价值。


(本文作者张轩豪为资策会MIC产业分析师)


相关文章
是福还是祸?服务型机器人需产业标准规范
「机、厂、链」三大环节形塑「智」造样貌
Edge MicroDC—边缘运算微型资料中心发展趋势
分散式自驾车架构下感测器与运算电脑发展趋势
关于2018,看看他们怎么说
comments powered by Disqus
  相关新闻
» 工研院MWC 2024展会直击 5G-A无线通讯、全能助理成下一波AI风潮
» 西药外销带动年成长32.9%助攻 台湾药品及医用化学品产值再破千亿
» Ansys模拟分析解决方案 获现代汽车认证为首选供应商
» SOLIDWORKS公开演示未来AI 率先导入工业设计软体应用
» BMW与达梭系统合作 打造3DEXPERIENCE未来工程平台
  相关产品
» 德承嵌入式电脑DS-1400 加惠AOI自动光学检查
» 宜鼎首款PCIe 4.0规格nanoSSD赋能5G、车载与航太应用
» 德承全新16:9阳光下可视模组展现高亮度、FHD、广视角新视野
» 凌华首款嵌入式MXM图形模组加速边缘运算和AI应用
» u-blox全新PointPerfect GNSS定位校正服务 达cm级准度


刊登廣告 新聞信箱 读者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 远播信息股份有限公司版权所有 Powered by O3
地址:台北数位产业园区(digiBlock Taipei) 103台北市大同区承德路三段287-2号A栋204室
电话 (02)2585-5526 #0 转接至总机 / E-Mail: webmaster@hope.com.tw