工研院資通所 葉書豪、Tommy Sugiarto、呂冠霆、孫際恬、許鈞瓏

得益於近年來人工智慧技術在影像識別領域的突破，智慧醫療(eHealth)已迎來一波新的革命，在人工智慧的導入協助下，許多疾病的診斷變得比以前更加快速及準確，這也使得醫療體系開始嘗試導入自動化、數據化的方式來輔助疾病的診斷和提升醫療的流程效率; 而針對一般民眾來說，相較於過去對於科技輔助診斷的排斥與不信任，未來隨著人工智慧判斷準確率的顯著提升，將有近一半(47%)民眾已願意接受AI醫生輔助疾病的診斷(圖1)，就區域性而言，亞洲對於AI 醫生的接受度將是全世界最高[1]。因此，如何有效率的導入人工智慧至醫療體系在各個領域的應用，來改善傳統診斷方式的誤判與不便，是一項值得高度關注的議題。

圖1 未來民眾對於AI 醫生與人類醫生的信任度 [1]

慢性肺阻塞疾病診斷方式亟待改善

在醫療領域的許多常見疾病，經常容易因為診斷儀器的誤差而使得患者錯失治療的黃金時機，而慢性肺阻塞疾病(Chronic Obstructive Pulmonary Disease, COPD)正是一個亟待改善傳統診斷方式的具體案例。慢性肺阻塞疾病(COPD)是一種高殘疾率，高死亡率和不可逆轉的（無法完全從藥物中恢復）慢性呼吸道疾病，最大的致病主因是吸菸，其次是暴露在粉塵、二手煙或者是霧霾的環境中，導致無法恢復的呼吸道阻塞。COPD 的症狀有長期咳嗽、咳痰、呼吸喘、胸悶。由於 COPD 病程比較緩慢，早期不易察覺，容易誤以為是一般咳嗽或氣喘，導致容易錯失最佳治療時機 [2]。據WHO估計，COPD將成為2030年世界上第三大致死性疾病，而台灣每年約有5,000人死於COPD。 此外，根據歐盟統計，呼吸系統疾病佔總醫療資源的6％，其中COPD為56％[3]。

現階段常見的 COPD臨床診斷必要設備是肺活量計，如圖2所示，其可以測量持續呼吸氣流阻塞的速率和FEV1值以估計COPD症狀的嚴重程度。具體來說，構成COPD主要基本條件係使用支氣管擴張劑後，用力呼氣一秒率 (FEV1 / FVC) < 70%預測值。COPD的嚴重程度分級主要是由氣流受限的程度來判斷，由於許多過去的研究已發現FEV1下降與氣流受限有高相關性，所以醫療上主要係用 FEV1 的變化作為嚴重程度分級的主要依據，同時考慮到臨床症狀和合併症的程度，主要可成為四個等級（輕度，中度，重度和非常嚴重）(表1) [2]。然而這種診斷方法仍存在幾個問題，首先，肺活量計的診斷方法很容易受到外界因素的干擾，例如病患在吹氣前的奔跑後或爬樓梯舉動皆容易造成吹氣測量不精準。並且COPD的主要症狀是血中缺氧，使用肺活量計很難觀察到這一現象。再者，根據肺活量計的測量結果，COPD症狀的判斷完全取決於醫生的經驗，甚至，也無法動態追踪COPD患者的最佳治療和康復。因此，相較於容易受到人為因素干擾的肺計量器診斷方式，由於腦電波是人體最直接也最純粹的生理訊號，若能分析深度睡眠中的腦波訊號的缺氧區域(Region of Hypoxia, ROH)來評估COPD的惡化程度，這將使得在評估COPD症狀時能避免其他人為因素的干擾，進而讓診斷的精準度提升。另一方面，由於腦電波的資料是長時間採樣進行診斷，在大數據與人工智慧技術的輔助下，這也有助於醫生對於COPD的惡化趨勢更能有效的預測及掌握。為了克服目前COPD臨床診斷的以上痛點，使用人工智慧的技術來分析病人的腦波訊號或將可能成為一個可行方案。

圖2 使用肺活量器診斷肺阻塞疾病 [4]

表1 基於肺活量計的COPD分級

腦波圖是慢性肺阻塞疾病診斷的新契機

腦波圖（Electroencephalography, EEG）是藉由醫學儀器蒐集人體腦部自身產生的微弱生物電波，如圖3。腦波訊號主要可分為Beta(β)、Alpha(α)、Theta(θ)以及Delta(δ)四種不同型態的腦波，在不同的腦波頻率下可以有效地了解使用者的情緒，如專注程度或焦慮狀態等，在醫學輔助診斷上，腦波訊號大多主要被應用在腦部醫學領域上來診斷癲癇或帕金森式症等腦部疾病，同時亦常常被使用來分析病患的睡眠的品質(Sleep Stage)和血氧濃度(SpO2)等生理訊號，而血氧濃度在過去許多醫學的研究已發現到與肺阻塞疾病(COPD)有高度相關。具體來說，COPD病人最常見的症狀就是所睡眠期間的夜間缺氧，而這種COPD夜間血氧下降的狀況，通常在快速動眼睡眠期(REM)最為嚴重，更甚者，這將可能導致睡眠呼吸中止的併發症。因此，從上述可以發現，若能從病患在深度睡眠過程中的腦電訊號的缺氧區域(Region of Hypoxia, ROH)來進行分析，將成為慢性肺阻塞疾病診斷方式的一項新契機。

圖3 腦電波訊號

人工智慧為慢性肺阻塞疾病輔助診斷開啟一扇窗

然而，腦波訊號是一種相當龐大，複雜度相當高的數據，在過去的技術跟硬體，難以有效地進行分析與預測。近年來，得益於人工智慧演算法以及硬體技術的突破，許多過去相當複雜且龐大的生物電量測數據得以有效的被處理與分析，例如腦電波、肌電訊號、眼動訊號等。深度學習技術是人工智慧的一塊新領域，為一種透過深度卷積神經網路來萃取出特徵向量演算法，拜近年來硬體計算能力的突破，這使得深度學習技術可以在複雜的資料發揮其龐大平行運算的優勢，目前已大量使用在視覺辨識、語音訊號處理、自然語言等大數據的領域。這幾年來在醫學領域上，深度學習技術已被應用在診斷腫瘤定位[5]、心臟病[6]、糖尿病[7]等領域的輔助診斷，甚至也被應用分析電子病歷掌握病患的病情發展[8]，皆比過去利用統計學的方法獲得更為顯著的準確率，以及運作效率的提升。工研院資通所於107年度至今，積極與許多醫院及大學進行合作，並透過深度學習的技術導入至醫療輔助診斷或居家照護等應用。例如：開發針對神經病變疾病的膝蓋支撐穿戴式裝置、基於足底壓力的智慧鞋墊來有效確定多數扁平足使用者。其中，在肺部疾病的應用領域上，工研院資通所與林口長庚醫院胸腔內科合作，進行臨床資料收集和初步分析，透過長庚醫院專業醫師診斷分級的患者資料，建立人工智慧輔助診斷模型，同時結合本院生醫所之能量，開發出一套『COPD輔助精確醫學和預警系統』。

基於人工智慧輔助肺部疾病診斷的實例

工研院資通所開發的COPD輔助精確醫學和預警系統(如圖4)，係透過測量COPD病患在八小時深度睡眠過程中低血氧的腦波訊號，接著對應到腦波訊號位置形成腦波拓樸圖(Topology map)，最後再透過深度學習網路的演算法，來預測出病患的四種COPD程度的分級。與此同時，資通所亦透過三種不同的深度網路模型（三維卷積網路、二維卷積網路、及長短期記憶模型）來進行數據訓練，並評估預測的準確度。研究結果發現，相較於其他的深度學習模型，三維卷積神經網路能夠同時考慮到腦波訊號的時間特徵以及在頭部位置的空間特徵，這讓診斷的精確度得以顯著提升，特別是，症狀越輕微的診斷準確率越高。進一步的，結合負壓呼吸治療調節器的輔助，更可以有效的追蹤並觀察未來每年的COPD的惡化趨勢。這項研究結果不僅有助於未來醫師可以即時的掌握病況並給予協助和治療，進而減緩COPD的惡化，甚至，由於市面上許多腦波裝置設備已具備可攜性，這讓病患自身也可以在家透過此診斷輔助系統來自行進行評估初步的病情。 以上的研究成果已驗證了在深度模型的輔助下，可以透過睡眠時腦波變化來診斷COPD疾病的可行性，睡眠時的腦電波是人體最直接也最純粹的生理訊號，在過去許多醫療專業人員眼中是一塊瑰寶，紛紛想從中探索出與其他疾病關聯的特徵，但往往也因為複雜度太高，往往觸不可及。因此，透過上述的研究模型，對醫療專業人員來說，未來除了為肺部疾病的診斷及預測開啟了一道曙光，對於如氣喘、呼吸中止症、心臟病、肝硬化等與低血氧相關的疾病，也能夠有助於探索出更多未知的領域以及提供更準確的診斷和預測。此外，對於一般民眾而言，由於在現今全球興盛的物聯網世代，智慧穿戴式裝置市場已經是勢不可擋的趨勢，這使得人們皆可以隨時(Anytime)、隨地(Anywhere)來進行生理相關的評估跟疾病診斷，輔以本研究技術的持續發展下，將有助於彌補病患與醫生之間由於時間和地點斷層所造成的病情延誤，甚至能夠發揮及早預防的效果。另一方面，在物聯網的發展趨勢下，相較於以往，醫院得以掌握病患更大量、更多元的生理數據，這將對人工智慧診斷模型提供正向的回饋，進而讓診斷結果更為準確，亦有助於開發出更多潛在的疾病預測模型。

圖4 COPD輔助精確醫學和預警系統架構圖

「COPD輔助精確醫學和預警系統」 透過人工智慧輔助醫療診斷 由於COPD的死亡率在不久的將來將會竄升到全球第三高，這項疾病已不再像過去那般離我們遙遠，已經是世界性的疾病。而目前為止COPD這項疾病仍無法完全根治，因此如何早期發現和治療是現階段不論是民眾還是醫療人員都是極為關切的問題。但台灣許多地區仍面臨到專業醫療人力與資源不足的狀況，特別是偏遠地區，往往只能尋求鄰近市區醫療資源來取得協助。工研院與長庚醫院所共同取得的研究成果不僅可以潛在慢性肺阻塞的疾病患者得以更及早的被發現，更可以讓已確診的患者可以時時掌握惡化的狀況，即時的接受適當的治療。現階段人工智慧在醫療領域的輔助診斷效果已臻成熟，民眾對導入人工智慧輔助診斷的接受度也逐漸提升，相信在不久的未來，透過人工智慧技術來導入醫療應用，能夠有助於提升醫療體系達到橫向跨領域應用及縱向整合，減少實質的人力需求，進而創造更高的經濟價值。

參考文獻

[1] ARM & Northstar Research Partners (2017). AI TODAY, AI TOMORROW [Online]. Available: https://www.arm.com/solutions/artificial-intelligence/survey

[2] 衛生福利部國民健康署、考科藍台灣研究中心、台灣胸腔暨重症加護醫學會 (2017), 台灣「肺阻塞」臨床照護指引. [Online]. Available: http://www.asthma-copd.tw/images/files/Brochure/0009.pdf

[3]衛生福利部 (2013). 戒菸，遠離慢性阻塞性肺病（COPD）立即行動，還有機會！[Online]. Available: https://www.mohw.gov.tw/cp-3218-22790-1.html

[4] Mercy (2016), When to Consider a Pulmonary Function Test, website. [Online]. Available: https://www.mercy.net/newsroom/2016-11-15/when-to-consider-a-pulmonary-function-test/

[5] R. R. Agravat, and M. S. Raval, “Deep Learning for Automated Brain Tumor Segmentation in MRI Images, ” In Soft Computing Based Medical Image Analysis (pp. 183-201). Academic Press, 2018.

[6] N. S. Tomov, and S. Tomov, “On Deep Neural Networks for Detecting Heart Disease”. arXiv preprint arXiv:1808.07168. 2018

[7] G. Swapna, R. Vinayakumar, and K. P. Soman, “Diabetes detection using deep learning algorithms,” ICT Express, 4(4), 243-246.2018

[8] A. Rajkomar, et al. “Scalable and accurate deep learning with electronic health records,” NPJ Digital Medicine, 1(1), 18.2018