醫療AI蓬勃發展 疾病檢測立大功
在運算能力飆升、AI 演算法成熟下，近幾年醫療 AI 呈現蓬勃發展的趨勢，對於疾病檢測、健康照護等帶來前所未有的助力。
採訪／施鑫澤‧文／林裕洋‧刊期／2022.7
在追求生活便利、更好工作下，全球人口正逐漸向都市集中，根據聯合國人口司（United Nations estimates）公布全球最新都市化人口資料，預估 2050 年時全球將有多達 2/3 人口，約高達 50 億人會居住在城市裡，且屆時會有許多人口超過千萬的大型都市出現。在人口大量聚集於城市的背後，後續勢必會對醫療、交通體系等帶來極大衝擊，也迫使各國政府提早採取相關行動。如過去幾年，在全球人口快速增加、平均壽命延長下，各國政府都積極運用 AI 發展智慧醫療，期盼藉此讓寶貴醫療資源發揮最大效益。
[ 推薦下載： 2022年度CIO大調查報告PDF ]
事實上，早從 1960 年代科學家就開始投入 AI 研究，只是受限於當時半導體產業發展尚處於萌芽階段，在電腦運算能力不強、AI 演算法不夠成熟等狀況下，1980 年代前的 AI 較偏向專家系統類型。簡單來說，專家系統是在資料庫中匯集專屬領域的專家資料，再由系統模擬專家的思考模式，以便應用在不同領域之中，如在醫療領域即是協助醫師判讀病症。只是專家系統建置成本相當昂貴，加上帶來效益並不如預期，也讓當時 AI 發展呈現停滯的狀況。
陽明交通大學資工系講座教授兼巨量資料技術創新中心主任曾新穆指出，自1980年代半導體產業發展大幅進步後，讓電腦運算能力長足成長，加上新一代 AI 演算法問世，也讓醫療 AI 發展進入機器學習主導的全新領域。人類會從大量醫療資訊找出相關特徵，並放入機器學習平台上的資料庫，醫師在臨床應用上，只需在系統輸入病患的疾病特徵，即可交由機器找出規則。而在各方相繼投入後，2006 年後醫療 AI 發展更為快速，無論是特徵擷取、規則等，均可由機器學習自動完成，如 IBM Watson 具備精準判斷和白血病特徵的能力，而資料科學競賽平台-Kaggle 與美國國家衛生院合作，進行肺癌醫學影像檢測專案。這也代表無論在辨別疾病、預測疾病等方面，醫療 AI 均出現重大突破。
iDeepCare 功能強大 獲 2018 未來科技突破獎
儘管各國醫療資源、規模、法規、環境等均有很大差異，不過現今醫療 AI 基本上都是圍繞在精準診斷決策支援、早期偵測／預測、穿戴式裝置與邊緣運算、非侵入式（Non-Invasive）、深度與廣度學習（Deep and Broad Learning）等趨勢。曾新穆在醫療 AI 領域耕耘多時、有非常亮眼的成績，帶領團隊執行科技部的「iDeepCare」計畫，的目標是結合深度機器學習和巨量資料分析技術研發智慧型深層健康照護系統，與國內醫療機構和專家合作，收集各種生醫原始資料建立模型，能實際應用於精準醫療、預防保健、個人化醫療、健康風險預測等。
該計畫執行方向，是藉由醫療影像、生理訊號、病歷醫囑等多面向資料進行探勘分析，搭配機器學習建模機制，針對慢性病、癌症、突發性疾病等重要疾病，建立兼具高準確性及即時性的早期健康風險偵測與警示系統，並成功獲選為科技部 2018 未來科技突破獎。這款醫療 AI 可整合開發為智慧醫療領域所需要的智慧型診斷輔助系統，在醫療照護端可降低誤診率及提高診斷效率。
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ，與全球CIO同步獲取精華見解 ]
曾新穆教授表示，過去在軟、硬體環境尚未成熟時，相關發展受限於運算速度、模型建立等問題，因此醫療 AI 發展不如預期，如今隨著人工智慧相關技術日益進步，加上處理器效能飆升，我們開始與一些國際知名的研發機構合作，並運用資料科學協助改善經營管理及提升創新應用，才有今日與多家醫療院合作的機緣。
目前 iDeepCare 應用領域非常廣泛，如大腸鏡、胃鏡、食道等內視鏡分析，視網膜/黃斑部病變、角膜炎等眼部疾病檢測，心律不整等心臟疾病分析預測、ICU/住院病人風險預測、健檢資料分析及健康風險預測等等。以與三總合作用大腸內視鏡影像建立開發大腸息肉 AI 辨識模型為例，可輔助醫師辨別大腸息肉的良惡性，能在 0.5 秒內完成判讀，準確率達到 96%。至於與北榮合作的心律不整預警系統，則能預測高風險猝死的布魯蓋達氏症候群心電圖表現，傳統一般訓練的內科醫師判斷準確率只有 47.5%，但現今透過 AI 系統輔助的準確率可達 75%。
ITRI-DR 偵測能力強 力壓 DeepMind AI
在前述眾多應用中，市場對精準醫療檢測的需求相對最大。早從 2016 年開始，美國就開放 AI 輔助診療決策，以當時一項知名的乳癌轉移偵測競賽而言，最好的 AI 模型錯誤率約 7.5%，反觀病理學家自行判斷診療決策的錯誤率僅 3.5%，表現上看起來效果並不如預期。不過，事後許多專家深入研究後發現，若以 AI 來輔助病理學家，則錯誤率可降至僅 0.5%。因此，醫療產業對 AI 產品需求逐漸變高，如 Google DeepMind 針對眼睛疾病檢測設計的 AI 模型，除可解決眼科醫師人手不足的問題之外，也能縮短眼科疾病的診斷時間，且準確率達到 94%。
除此之外，美國食品暨藥物管理局（FDA）也首次批准一款人工智慧診斷軟體 IDx-DR ，搭配這款軟體的檢測設備，可透過查看眼底鏡影像即能診斷患者是否有糖尿病視網膜病變，過程中完全不需要專業醫生解讀任何資料或影像。由於美國醫療制度的特性，多數病患都會先到基層診所求助，現今透過 IDx-DR 解決方案協助，基層醫師可在第一時間為病患進行快速、有效的審查治療。
[ 推薦閱讀：善用 AI 與 Big data，滿足疾病檢測及健康風險預測 ]
曾新穆表示，由於台灣也有不少糖尿病患者，且多數都會衍生出視網膜病變，然在眼科專業醫師數量不足狀況下，病人常就醫過晚而錯失黃金治療時間。團隊與工研院共同研發 ITRI-DR 視網膜病變自動辨識系統 ，即藉由大量眼底鏡影像建立高準確度之視網膜病變辨識 AI Model，目前已經獲得台灣衛福部食藥署的許可證 。這套系統可建立串連醫療院所、政府單位、醫材/資訊服務廠商、保險等單位之 Eco-System，以及整合 Medical Images 與各種 EMR Data 可擴展應用於多種眼部疾病之診斷，可在第一時間察覺病變，因此也獲得 2020 國家新創獎的肯定。
ITRI-DR 視網膜病變自動辨識系統操作簡便，可將眼底鏡拍攝設備放置到第一線場域，如家醫科診所或診間，便於眾多糖尿病患能享有早期發現、早期治療。這款產品因結合病歷資料為訓練素材，得以展現出優於 DeepMind 眼疾 AI 系統的精準度。另外，曾教授團隊也與高雄長庚進行合作，針對複雜不易判定的感染性角膜炎發表了全球首個基於眼表影像與深度學習的輔助診斷技術。此系統準確率超過 70%，高於眼科專業醫生平均診斷準確率的 52%。
邊緣 AI 興起 可偵測皮膚癌
至於早期偵測及預測，曾教授團隊奠基於 Multi-View DNN-based 學習方法論，迄今亦有多項研究成果，譬如運用時間序列的腦波分析，預測癲癇發作的機率；抑或透過其研發的 Snippet Policy Network 模型，將大量心電圖資料切成許多碎片，透過深度學習技術找出心律不整發病前的關鍵 Pattern，例如在兩秒鐘內判讀出異常心房顫動現象，並在第一時間發出告警，裨益病患爭取更多的黃金治療與應變時間，大幅提高挽回性命的機率。
至於穿戴式置與邊緣運算部分，市面上應用解決方案非常多，如在 2020 年 COVID-19 疫情席捲全球當下，美國推出特殊的智慧戒指，結合監控 App、穿戴裝置，以及偵測 COVID-19 的 AI 模型。此智慧戒指可收集個人生理訊號，並上傳雲端平台進行分析，可提早三天偵測出被 COVID-19 感染的無症狀患者。這項計畫是由洛克斐勒神經科學所（RNI）、智慧戒指商 Oura Health 合作發展的 AI 模型專案，根據兩家公司共同公布針對 600 多名醫護人員的測試結果，可在受試者出現 COVID-19 症狀的前 3 天，便預先提前發出告警訊息，準確度可達 9 成。
「在國外案例之外，我們與高雄長庚醫院也合作發表了全球第一套針對皮膚癌設計的自動辨識輕量化 AI 模型，這是運用深度學習技術開發輕量化皮膚癌影像識別模型，針對皮膚良性/惡性腫瘤的準確度達 89.5%、靈敏度高達 90.8%~93.9% 、 特異度達 83.1%~88.1%。」曾新穆解釋：「對於多類別之良性/惡性腫瘤的準確度也高達 85.8%，較其他同等效能模型減少了 31% 之參數量，更適用於行動及遠距醫療等邊緣運算應用中。」
行動醫療運用範圍廣 後續發展可期
另一個邊緣 AI 的案例，則是工研院將前述 ITRI-DR 擴展與晉弘科技合作推出的「Portable Edge AI-DR」，這款產品可結合可攜式眼底攝影機，將取得的眼底影像，經由 Digital Imaging Box (DIB 100) AI-DR 進行邊緣運算篩檢後，協助非眼科醫師糖尿病眼部相關病變輔助判讀，改進糖尿病健康監測和管理，並有助於降低由 DR 引起的視力喪失或失明的風險。這款產品最大特色，在於可針對糖尿病進行二分類及五分期的輔助判定，應用於眼科醫學常規檢查、健康普篩，或是遠距醫療，對病人達到及早診斷與治療的目的，也榮獲 2022 美國愛迪生獎（Edison Awards）。
曾新穆指出，在非侵入式的醫療 AI 案例部分，傳統要檢測是否有心室肥大問題，幾乎都是使用超音波或電腦斷層等檢測工具，有無法長期監控及侵入式輻射的問題，最近團隊與台北榮總合作發展出一套 AI 模型，透由判讀心電圖資訊，即可以非侵入式的方式成功預測患者潛在的心室肥大問題，堪稱是非常重大突破。而在廣度學習方面，與成大醫院則透過 EMR、體溫、呼吸流量等個人生理訊號、週遭環境等資料，運用 AI 技術整合不同來源資料、建立 AI 模型，可預測兒童氣喘病發作的風險，整體偵測成效也相當不錯。
值得一提，曾新穆團隊也透過國衛院合作，共同開發一個廣度學習模型，可藉由收集孕婦的生理資訊及外在環境等資料，預測未來新生兒罹患氣喘、異位性皮膚炎等過敏性疾病的機率。如此一來，可在新生兒成長過程中，於黃金治療期間給予最合適的治療照護，這也是 AI 在婦幼照護的創新應用之一。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
