這家臺灣醫院並沒有教 AI 診斷特殊肝癌病例,但機器自己卻成功發現了

年度訂閱用戶可加入科技英語學習社區，每周科技英語直播講堂，詳情查看「閱讀原文」

註：本文以下提及的醫學影像數據，指的都是經過去連接化處理、無法得知患者身份的數據。

人們常常說，神經網絡像是一個黑盒子。之所以這麼講，是因為相比一些基於規則的系統，神經網絡或其他機器學習算法並不透明，目前你並不知道它是怎麼運作、下判斷的。但也因為無法掌握，偶爾就有意料之外的發現，有一家醫院的AI研究中心就經歷了這種驚喜。

位在臺灣的「中國醫藥大學」附設醫院（CMUH）的人工智慧醫學診斷中心，正在訓練機器看計算機斷層掃描（CT）影像來診斷肝癌，令人意外的是，研究人員在訓練初期還沒有把一些發生機率很低的特殊病例素材放進機器的訓練數據集中，沒想到， AI 卻自己發現了，「機器自動找到 nodule in nodule ，也就是腫塊之中還有一個變異腫塊，」CMUH人工智慧醫學診斷中心副主任遊家鑫興奮地說。

AI＋醫學影像的研究及應用遍地開花

在現階段的醫療保健（healthcare）AI領域中，圖像及診斷輔助可說是最受歡迎的應用，不久前剛落幕的北美放射學會（RSNA）2017 年會上，機器學習就成了核心話題， RSNA 首度舉辦一場機器學習挑戰賽：利用兒童手部的X光片，讓機器自動判斷骨骼年齡。希望通過眾人的腦力激蕩，開發出更精準的算法來解決放射學（radiology）遇到的臨床問題。

另外，大型企業如 IBM 、 Google 、醫療設備商如 GE 、飛利浦、西門子以及眾多的初創公司，也紛紛攜手醫院、醫療機構展開諸多研究，而且獲得了不錯的效果。像是 Google Research 研究人員利用卷積神經網路（CNN）讀取糖尿病患者的眼部照片，判斷是否有視網膜病變（diabetic retinopathy），目前試驗結果顯示，演算法判斷結果與專業眼科醫生的診斷結果呈高度一致性。

另一家在醫療視覺分析領域具高知名度的以色列初創公司Zebra Medical Vision，他們也利用深度學習解讀計算機斷層掃描、核磁共振成像等醫學影像，可識別出肺臟、肝臟、心血管或骨頭中的疾病，還特別強調每一張影像的判讀費用只需要1美元！

調研機構 IDC 指出， 2017 年的人工智慧／認知計算的應用中，支出最多的除了自動化顧客服務（15億美元）之外，就是診斷和治療系統（11億美元）。 IDC 醫療領域亞太區研究經理 Ashwin Moduga 認為，醫院使用 AI/Cognitive 技術例如以深度學習改進醫學圖像診斷，不僅僅是為實現自動化或提高精確度，更重要的是解決某些地區醫療專家、資源匱乏的問題，在未來2～3年內，醫院將陸續展開一些簡單的自動化測試，同時投資深度學習算法。

確實，醫療產業對 AI 表現出高度興趣， CMUH 人工智慧醫學診斷中心就是一例。在 DT 君採訪當日，研究人員正在跟中心主任黃宗祺進行越洋電話會議，匯報每日的工作進度，因為黃宗祺具備電機、醫療影像、放射跨領域的優勢，因此獲得 NVIDIA 邀請，正在美國總部展開為期一年關於細胞影像及乳癌方面的交流及進修。

「AI是這個時代影響層面最大的工具，一定會改變醫療生態。在所有數據中，醫療數據無疑是最有意義的，兩者會結合的非常快，Google、阿里巴巴、蘋果....世界上每一家AI技術領先的公司都在進入醫療行業..」 ，黃宗祺強調。

圖｜CMUH人工智慧醫學診斷中心主任黃宗祺。（圖片來源：CMUH人工智慧醫學診斷中心）

放射科醫生每天都有看不完的片子...

什麼是醫學影像呢？就是幫助醫生不需動刀就能觀測病患身體內部狀況的技術，包括我們常聽說的超聲波、 X 光片，還有計算機斷層掃描（CT）、核磁共振成像（MRI）、正電子放射斷層造影術（PET，Positron Emission Tomography）、單光子發射型計算機斷層（SPECT，Single Photon Emission Computer Tomography），每一種方式都有其優勢，適合用來檢查不同的病症，像是超聲波可快速掃瞄，方便性高， CT 、MRI 則是善於做結構、組織異常的偵測，SPECT則適合偵測神經傳導物質、代謝的異常。     

再簡單看一下醫院的工作流程：當我們可能感覺到身體不適時，到醫院掛號後，就會有一個「專科醫生」如肝膽腸胃科科、乳房外科等，聽取我們描述病徵，接著他會安排檢查，例如CT、MRI等，有一群在背後檢查這些醫學影像的人就是「放射科醫生」，他們的工作就是看一張又一張的片子、打出報告，提供給專科醫生去擬定治療方案。

為什麼把 AI 應用在醫學影像領域會有如此急迫的需求？因為放射科醫生的人力非常有限，而且他們每一天花費很多的時間看大量的片子。

放射科醫生的工作負擔是遠超過你想像的大，因為腫瘤的位置不一定只會出現在身體某個部位，因此一個病人至少會拍上百張的圖像，他們就必須一張一張看，再從中挑出數十張可用的圖像數據，「所以每一個醫生都很累，工作到眼睛很痛，」本身擁有放射師執照的 CMUH 人工智慧醫學診斷中心數據工程師林仰賢這麼說。

所以如果能夠通過 AI 來協助醫生加快看片的速度，就有更多的病患能從中受惠，不論是快速找到治療方法還是預防其他病症的產生。

像是上述提及 Google Research 的研究，糖尿病患者因長期血糖上升，導致血小板凝集力上升，毛細血管受損，容易引起眼部視網膜毛細血管病變，嚴重會導致視力喪失，早期診斷治療是保住病人視力最重要的依據。可惜的是，部分醫療資源稀缺的地區如印度，就有眾多的患者因為醫院得排隊排很久、看不到醫生而失明，比例高達近45%。但其實如果擁有足夠的醫療人力資源的話，這些失明都是完全可以預防及避免的。

而人工智慧很有機會改變現今醫護供給、需求高度落差的狀況，協助提升醫療行業效率。

CMUH人工智慧醫學診斷中心的研究有兩大部分，初期是做放射組學（Radiomics），林仰賢解釋，Radiomics 是一種結合多種演算法的影像處理技術，從醫學影像如 CT、MRI 定量病變（lesion）的特徵，再將特徵與事件做連接，建立出模型。簡單來說，就是計算圖像的特徵值，從這些數值中去判別某個疾病跟某個事件的關聯性。

他們使用肝臟的 CT 影像，分析這位病人在 2～3 年之內會不會出現腫瘤轉移，或是治療後復發的可能性。過去，一直以來都是憑醫生自己的經驗、「感覺」來判斷，沒有一種可量化的方式，但因為憑經驗判斷，不同的醫生來看就可能給出不同的答案，而判斷不同，後續就會展開不同的療法，最極端的狀況就是一個說有病，另一個說沒病。因此他們希望通過Radiomics 讓影像有標準化。

圖｜放射組學（Radiomics）研究的流程。（圖片來源：CMUH人工智慧醫學診斷中心）

CMUH人工智慧醫學診斷中心因為隸屬於醫院，做 AI 研究的好處就是較容易取得數據，同時又有許多醫生可供諮詢，畢竟 AI 系統的使用者是醫生，必須重視用戶意見。因此中心的研究人員與院內多位醫生討論下，認為現階段較好的 AI 應用應該是作為醫生的助手，希望通過 AI 減輕醫生的工作負擔，他們就將研究重心從 Radiomics 做轉移（metastasis）、復發（recurrence）的評估，轉為利用深度學習做腫瘤檢測（detection）。

遊家鑫表示：「因為醫生每天花超過10小時看 CT ，手動圈出腫瘤的位子，而且還是用滑鼠一筆一筆畫，真的很花時間，我們希望先幫醫生打造一個隨手可用的好工具。」

AI真的比我們想像的厲害

他們使用了超過 200 個肝癌病例，每一位病例至少上百張的醫學圖像，作為訓練數據，雖然病例數量還不算多，但目前效果相當不錯。

先用下方的肝臟 CT 圖片來解釋，左邊 Ground Truth 圖是傳統的做法，就是醫生看片子，把腫瘤的位置、大小框出來。右邊 Detection 圖是 AI 偵測的結果，上頭顯示 HCC（肝細胞癌 Hepatocellular Carcinoma，簡稱HCC） 0.977 ，數字指的是機器下判斷的自信程度（與準確率無關，只是機器在做判斷時對答案的自我評估）。

圖｜左圖是醫生手動標示，右圖是 AI 偵測的結果，HCC 0.977 數字是機器下判斷的自信程度。（圖片來源：CMUH人工智慧醫學診斷中心）

圖｜左圖是醫生手動標示，右圖是 AI 偵測的結果，機器都能找出腫瘤位置及大小。（圖片來源：CMUH人工智慧醫學診斷中心）

不僅 AI 可以找出腫瘤位置、框出邊緣，甚至還出現驚喜，遊家鑫指出有兩個很特別的狀況，一個是他們沒有教機器 nodule in nodule 腫瘤中還有一個腫瘤這種低機率低的情況，但它自己找出來了，當初研究人員看到機器標這張圖，還以為機器出錯，就拿去請教醫生，才知道原來這就是 nodule in nodule 。另一個就是有一張素材裡有一個「人為標錯」的狀況，因為有時醫生真的太疲累而畫錯，但機器卻自己找出正確的腫瘤位置。

圖｜這張圖就是 nodule in nodule ，他們沒有教機器這個狀況，但機器自己發現了，不過也值得注意的是，對於第二顆腫瘤機器下判斷的自信程度是 HCC 0.8 ，對比一般機器的自信通常都會超過 0.9 來說，它是稍微沒有自信，但還是識別出來了。（圖片來源：CMUH人工智慧醫學診斷中心）

除了肝癌之外， CMUH 人工智慧醫學診斷中心目前也在展開乳癌的AI醫學影像識別研究，「主要是鎖定亞洲人較容易罹患的疾病，像是肝癌、肺癌、乳癌，反觀歐美的研究主要是皮膚癌，但亞洲人普遍不愛曬太陽，罹病機率較少，」遊家鑫解釋。

AI真的比我們想像來得厲害嗎？

從 CMUH 的例子來看，AI 聽起來真的很聰明，還自己學習了那些人類沒有教它的事，但 AI 真的有如我們想像的那麼厲害嗎？遊家鑫坦言，有時候機器還是會找不出來，因為目前他們給的訓練數據都是比較大的腫瘤，當機器遇到很小很小的腫瘤時，有時就識別不出來，也曾經發生過機器識別錯誤的情況。

也就是說，如果真的要訓練一個準確的 AI ，訓練數據必須越多元化越好。因此，他們除了計劃與鄰近的醫院合作，增加病例的數量，也是為了讓機器看不同設備品牌如GE、西門子、飛利浦掃描出來的照片，「最好是讓 AI 軟體都看過一次，提高對不同機器的適應性。」

同時，他們下一步計劃把健康人士的圖檔加進訓練數據集裡。一般來說，當人是健康的時候，醫院並不會特別在影像上標註，例如，在做超聲波時，通常都是當醫生看到了異常，才會按鍵把影像拍下來，正常就不會拍。但由於 CMUH 的放射線部醫生相當支持 AI 研究，不少醫生願意額外投入時間幫忙標標註，或是拍下一般人士健康狀態的醫學影像，協助中心有更多的精準數據可供訓練。唯有讓機器看過更多的病例、不同品牌設備拍攝的圖像，才能學得越多。

圖｜CMUH人工智慧醫學診斷中心副主任遊家鑫（左）、人工智慧醫學診斷中心數據工程師廖英凱（中）、人工智慧醫學診斷中心數據工程師林仰賢（右）。（圖片來源：DeepTech深科技）

AI落地醫療仰賴醫生的正確標記數據

相比多數用 AI 做影像識別的應用或行業，要在醫療落地的難度絕對是最困難的，「毫無疑問，機器學習將改變放射科醫師在未來幾年的實踐方式，但在機器學習變得普及之前，還有許多工作要做，」史丹福大學放射學及生理醫療信息系教授 Curtis Langlotz 曾這麼說，他口中的工作包括了面臨監管問題，機器學習還需要大量標記的圖像數據集，儘管大多數放射學已經進行了數百萬次的影像檢查，但是大部分都沒有標記。

姑且先撇除算法必須通過嚴格的臨床實驗及法規，光是在數據及訓練上至少就有三件事得解決。

首先，「醫療領域最大的不同在於對影像下標註只能依靠專業人士，」遊家鑫強調。舉例來說，不論是在安防領域或是自動駕駛領域，一般人都可以為圖像下標註，因為常人都可以分辨出這是人、貓狗動物、汽車、信號燈等，但是，在醫學影像裡，一般人根本看不出身體到底哪裡出了異常，例如給你看一張 CT ，無法分辨什麼有或沒有癌症、位置在哪裡，更不要說有時腫瘤還非常小，這是只有受過專業訓練的醫生才擁有判斷的能力。

不僅 CMUH 提出了這個觀察，負責糖尿病視網膜病變計劃的 Google 研究團隊產品經理、醫學博士彭浩怡（Lily Peng）在接受媒體採訪時曾指出， Google 團隊建立了一個數據集，並聘請 54 名專業眼科醫師評估超過 13 萬張的圖像。

另外，「在醫療產業，數據絕對比算法重要，如果訓練數據越精確，訓練出來的機器也會變得越強，」遊家鑫一語道出重點，因此想要訓練出好的醫療人工智慧，必須得仰賴專業醫生的協助，替影像數據下出精確的標籤及診斷，換句話說，就是得靠人類名師的幫忙才能培育出 AI 高徒。

林仰賢指出另一個比其他行業更有挑戰的問題，就是影像的色彩，一般行業訓練 AI 都是使用彩色的圖像，例如訓練自駕車，一定就得讓機器看過信號燈、交通標示的影像，信號燈有紅黃綠、標示通常有紅色、黃色，但是醫療影像都是黑與白，再加上有些醫療院所用的儀器可能是較舊的機型，拍出來影像的解析度較差，因此要做醫療影像的識別必須不斷試驗多種算法，找出適合檢視黑白圖像的算法，而且還要夠克服低解析度的問題，在在考驗團隊的技術能力。

此外，就是數據的取得。醫院內部做 AI 研究，數據的取得相對容易，但對外部的人來說，想要拿到醫院的影像數據可就不簡單，DT君採訪一家專攻 AI 醫學影像識別的新加坡初創公司 adaline ，其創辦人鄭子雙表示，他們目前與新加坡公立醫院合作，取得了 1000 多位病患的影像數據，「但完全不夠！所以要一直跟醫院合作，包括東南亞、香港、臺灣，希望至少得拿到 10 萬個病例。」不過，想要跟各地的醫院合作就得按各地的法規來走，對於初創公司來說是一條漫長的路，因此誰取得數據越多、速度越快，就有比較高的機會在市場佔到位子。

醫學界對於 AI 應用，看似有支持及反對兩類聲音，遊家鑫強調：「人工智慧是絕不可能取代醫生的，但絕對可以作為一個輔助醫生的好助理，」檢測早期癌症或預防疾病的發生，同時還有助於減少因「人眼」錯失，或是忽略細微差異而發生診斷上的疏漏，這是利用計算機跟 AI 最大的價值，不過得有醫生的支持，AI 才有可能在醫學行業落地。

-End-

校審：郝錒鈾