帳號:
密碼:
智動化 / 文章 /

AI醫學影像前瞻技術探勘
[作者 張軒豪]   2020年07月20日 星期一 瀏覽人次: [15465]

既有的醫學影像診斷流程,大略可分拆解為四大步驟:一、至醫院看病檢查進行初步診斷,臨床醫師會根據出現的症狀,推斷可能患有的疾病;二、開單至放射科照X光、CT、MRI等影像檢查;三、放射科醫師會對影像進行分析診斷,最後拿著影像診斷報告去找臨床醫師;四、透過報告分析制定合理的治療方案,而其中最主要的醫療流程為攝取影像及醫師判讀兩個部分。


在AI診斷的部分發展相對較早,可以減少醫師判讀工作,降低誤診及漏診的風險,而AI診斷技術主要可分為三項:偵測(Detection)、分割(Segmentation)及分類(Classification)。現在既有的AI偵測技術,可從一張影像透過AI精準地偵測到單一病灶,例如腫瘤的位置,讓醫師能快速確認而不至於漏看造成嚴重後果。在AI分割部分,可藉由AI從單一影像中分割出構造的輪廓,例如骨骼形狀。最後AI分類部分,可進行良性及惡性腫瘤的判別,以及較為簡單的疾病嚴重程度分級,使醫療資源做有效的分配。


而隨著AI技術的進步,新的AI輔助診斷內容,在偵測的部分,由於一張影像中可能包含許多器官及不同種病灶,因此AI偵測技術進步至可從一張影像中,偵測到多重病灶位置以了解整體病因。在分割部分,由於許多時候會需要不同種類的影像同時進行診斷判讀,新的AI分割技術內容,演進至可同時進行不同種類影像的分割,提供更準確的影像比對,增加訊息量。最後是分類,最新的研究為使用AI,可判斷整體器官的健康狀況,以利後續作更精準的治療及預防。


雖然減少了醫師判讀的困難,但攝取影像流程仍有問題需要克服,包含耗時、輻射,而針對這些問題,對於拍攝影像就產生了額外的需求,例如為了降低輻射劑量,便會使影像品質下降,因此研究指出將AI導入至診斷之前的影像重建部分,僅需耗費數十毫秒便可自動產生清楚而準確的影像,進而減少輻射照射時間。



圖一 : AI診斷技術主要可分為三項:偵測、分割及分類。(source:www.ijri.org)
圖一 : AI診斷技術主要可分為三項:偵測、分割及分類。(source:www.ijri.org)

首先是解決在拍攝過程中,受測者可能會移動,或體內含金屬物質,而使影像中出現偽影(Artifact)的現象,因此運用AI技術將偽影刪去,以降低後續錯誤診斷發生的機率。第二項是AI超解析度(Super Resolution)的技術,能將影像從模糊轉成細緻,以較少的資料量產生高品質的影像,如此便可縮短掃描的時間,現有研究可以縮短MRI掃描一半以上的時間。


第三是因輻射問題,低輻射劑量的CT掃描被大家所要求,低劑量CT的輻射量可以降至約0.3~0.55mSv,遠低於傳統電腦斷層掃描3~27mSv,但降低輻射劑量會使影像的雜訊提升,而透過AI技術可將雜訊去除,留下精準的器官影像。以及最後將AI用於影像配準技術(Registration),自動偵測兩種影像得到特徵,然後通過匹配的特徵,進行影像配準輔助不同的影像合併,呈現足夠的資訊,以利後續的診斷分析。


在影像合併診斷的部分,除了透過AI進行影像配準合併影像雖有不錯的效果,但運用AI合成醫學影像,進行影像合併診斷仍有困難需要克服,例如CT與MRI的成像效果並不相同,有時需搭配診斷呈現足夠的資訊,但即便是低劑量CT仍然是一種具輻射的影像檢查,因此透過AI從MRI合成CT影像,直接就可以將影像合併進行診斷,省去拍攝兩次影像以及接收輻射的問題。


另外是在PET的部分,主要有PET/CT及PET/MRI兩種方式,臨床上PET/CT主要藉由轉化CT值與線性衰減係數值之間的能量轉換關係進行衰減校正,而因CT輻射問題,PET/MRI逐漸獲得關注,但MRI無法直接得到衰減係數,需要通過特殊的方法進行,較CT複雜許多,因此有研究一樣提出運用AI從MRI合成出CT影像,並計算出CT值比較容易且快速完成PET的衰減校正。


最後是探討AI合成醫學影像的技術,除了可以解決影像合併診斷所遇的困難外,亦有研究探討幫助AI的模型訓練。現有許多的AI系統存在很大的問題,在於模型需要大量的資料來訓練,但要取得醫學影像資料是相當困難的,包含最大的問題在於醫學影像牽涉到病患的隱私,以及影像的品質、種類等篩選工作繁複,使現有很多AI模型在訓練時都有很高的準確度,但一落地實際進行診斷,準確度就下降很多。


透過AI從既有的影像中,合成出MRI或CT影像來訓練AI診斷模型,藉此方式即可解決醫學影像隱私的問題,且影像中病灶的位置、大小與種類皆可隨意的無限變化,針對不同疾病自動提供齊全且低成本的影像資料,使AI診斷模型的訓練可以更加的完備。


透過AI得以解決醫師人工閱片,以及攝取影像的許多問題,但導入AI至醫學影像醫療流程中,仍存在些許困難。例如在開發AI系統前,需蒐集大量醫學影像資料,交由一些資深的醫師標註出病灶位置,產出有標註病灶的影像資料,供AI模型進行訓練,但如此便會占用到許多資深醫師的時間。而在另一部分,AI模型訓練對醫師來說為一黑盒子,AI研發業者須與醫師進行許多的溝通討論,校正AI模型,費時且人力成本高昂。


雖然透過AI解決了影像重建和診斷的問題,但延伸至前後的醫療流程也仍存在一些難題尚未解決,例如初步診斷的部分大多皆為病患發病了之後才前來檢查,無法做到疾病預防的效果,且許多時候無法準確判斷該拍攝何種影像。而在後續診斷報告的撰寫,對放射科醫師而言相當耗時,且難以有效地搭配病患的病歷資訊,以及最後產出報告上的資訊都較為專業,有待醫師細心解釋了解影像資訊。



圖二 : 在AI導入的過程中,需適時地創造新的服務加以協助。(source:Muhendisbeyinler.net)
圖二 : 在AI導入的過程中,需適時地創造新的服務加以協助。(source:Muhendisbeyinler.net)

以上AI導入醫療流程的困難,需要更大規模的流程整合,因此如何將AI技術延伸至診療流程的前置處理與後期判讀,更為重要。


首先是在AI導入的過程中,需適時地創造新的服務加以協助,如上述提到的標註問題,則可提供AI輔助標註系統,透過另一AI半自動地完成粗略的病灶標註,且自行區分出標註的難易,將尚未確認的標註影像,分派給資深及資淺的醫師分工進行後續檢查核准,則可使標註的效率大大的提升。


而AI模型訓練黑盒子的問題,則可透過AI可解釋化技術,呈現出AI的訓練過程、正在執行的任務、訓練次數及成效,則可拉近AI模型與醫師的距離,產生較多的互動,節省溝通的時間與成本。在導入新的AI工具的同時,需有新的服務加以協助,則可改變既有的工作流程,並創造新的工作模式。


接著,透過AI進行醫院既有系統的優化,業者可開發各式AI系統整合至醫院的各個系統當中,包含上述所提到的AI影像處理系統,及AI診斷系統,就必須與醫學影像儲傳系統(Picture archiving and communication system;PACS)進行整合。


至於另一AI可以將醫學影像資訊自動轉成文字,並生成報告,解決醫師撰寫報告的耗時問題。在報告生成的同時,可開發其他AI,結合放射科資訊系統(Radiology Information System;RIS)及電子病歷系統(Electronic Medical Record;EMR),將病患的個人歷史影像,及非成像的病歷數據結合至報告當中,使診斷報告的資訊更加完備。


而下一步可運用AI完成自動化分析,結合至臨床資訊系統(Clinical Information System;CIS),提供風險評估、臨床諮詢、輔助診療等決策參考,提高醫護人員的工作效率,另一方面將報告內容呈現簡易化資訊,讓病患明確知道該注意哪些事項。最後結合醫院資訊系統(Hospital Information System;HIS),可實現自動化排程透過AI進行病患篩選及設備選擇,以實現最有效率的疾病預防與資源分配。



圖三 : 醫學影像醫療流程延伸問題(資料來源:資策會MIC/2020年1月)
圖三 : 醫學影像醫療流程延伸問題(資料來源:資策會MIC/2020年1月)

AI醫學影像醫療流程延伸出新應用,如上述提及AI亦可協助處理其他非成像的數據,例如病患的病歷資訊,並於後續結合其他新興技術,例如可將AI系統建置在雲端平台上,方便串接至各個醫院系統當中。而如後續結合5G技術,則可打破醫院地域的限制,改變既有在單一醫院拍攝影像並診斷的模式,未來則可將菁英的醫師集中,共同研究新的治療技術,同時仍可提供各地區的病患做診療的諮詢,使資源做有效的分配。


而結合區塊鏈技術,則可使病歷資料獲得更安全的保護,在未來也可以改變病歷的管理模式,例如英國的Medicalchain公司,便提供病患管理自己病歷的平台,將病歷資訊紀錄在區塊鏈上,而病患可自由地授權自己的病歷給醫院、藥局,或保險公司等與醫療資料有關的機構,逐漸改變病歷資訊管理者的身分。未來可再將更多的技術及應用結合至醫療領域當中,並透過這些價值延伸,將能提升台灣的醫療產業能量,創造新的商業價值。


(本文作者張軒豪為資策會MIC產業分析師)


相關文章
是福還是禍?服務型機器人需產業標準規範
「機、廠、鏈」三大環節形塑「智」造樣貌
Edge MicroDC—邊緣運算微型資料中心發展趨勢
分散式自駕車架構下感測器與運算電腦發展趨勢
關於2018,看看他們怎麼說
comments powered by Disqus
  相關新聞
» 工研院MWC 2024展會直擊:5G-A通訊、全能助理成下一波AI風潮
» 西藥外銷帶動年成長32.9%助攻 台灣藥品及醫用化學品產值再破千億
» Ansys模擬分析解決方案 獲現代汽車認證為首選供應商
» SOLIDWORKS公開演示未來AI應用 將率先導入工業設計軟體
» BMW與達梭系統合作 打造3DEXPERIENCE未來工程平台
  相關產品
» 德承嵌入式電腦DS-1400系列 支援PCIe GPU 提升AOI檢測性能
» 宜鼎首款PCIe 4.0規格nanoSSD賦能5G、車載與航太應用
» 德承全新16:9陽光下可視模組展現高亮度、FHD、廣視角新視野
» 凌華首款嵌入式MXM圖形模組加速邊緣運算和AI應用
» u-blox全新PointPerfect GNSS定位校正服務 達cm級準度


刊登廣告 新聞信箱 讀者信箱 著作權聲明 隱私權聲明 本站介紹

Copyright ©1999-2024 遠播資訊股份有限公司版權所有 Powered by O3
地址:台北數位產業園區(digiBlock Taipei) 103台北市大同區承德路三段287-2號A棟204室
電話 (02)2585-5526 #0 轉接至總機 / E-Mail: webmaster@hope.com.tw