國立交通大學資訊工程系講座教授/雲協技術專家委員會委員 曾新穆
一、前言
AI (人工智慧)醫療因攸關人們的健康福祉，被公認為是AI應用中最有發展前景的領域之一。近年AI技術在疾病檢測及健康風險預測上之發展快速，包含運用醫療影像、生理訊號、電子病歷資料、環境資訊等異質性醫療健康大數據，對不同類型疾病所發展之智慧性精準檢測與早期風險預測應用，以及結合雲端運算、穿戴裝置以及邊緣運算等軟硬體技術，達成可符合精準醫療與智慧照護目的之創新人工智慧醫療系統。本專欄旨在介紹介紹AI技術在疾病檢測領域之最新發展趨勢及創新應用，並以筆者研究團隊與台灣醫療院所及產業機構所合作發展之成果為例，其中含括結合機器學習、資料科學、生物醫學、醫學工程、醫療器材等多個領域專家之跨領域合作，希能有助於國內智慧醫療領域創新研發與實務應用之發展。
二、人工智慧在疾病檢測應用的趨勢與未來發展
人工智慧在疾病檢測及健康風險預測之技術與應用近年有多項發展趨勢，以下列舉數項代表性者:
I. 精準診斷決策輔助 (Precision Diagnosis Decision Support)
II. 即時性動態篩檢 (Real-Time and Dynamic Screening)
III. 穿戴/可攜式裝置+邊緣運算 (Wearable/Portable + Edge Computing)
IV. 非侵入式與低代價篩檢 (Non-Invasive & Low Cost Screening) V. 多模態學習與融合 (Multi-Modality Learning & Fusion)
整體而言，此領域在資料端含括了各種醫療健康大數據如醫療影像、生理訊號、電子病歷資料、環境資訊等異質性資料；在人工智慧模型端則包括了可對各種生醫數據進行模型化與整合之深度學習、大數據分析及機器學習等技術；在系統端則包含雲端運算、穿戴裝置以及邊緣運算等軟硬體技術，以及醫療器材之軟硬體系統整合，達成可應用於不同類型疾病之精準醫療與智慧照護目的之創新人工智慧醫療系統。近年本領域之發展相當快速，國內外已有不少成功案例，因篇幅所限，以下列舉幾項筆者與國內醫療機構及法人產業端之合作實例做為參考。
I. 自動化糖尿病性視網膜病變診斷支援系統
根據調查研究，診斷決策支援(Diagnosis Decision Support)被認為是醫療AI之臨床應用中需求最高，所需AI技術也最複雜的項目。診斷決策支援的關鍵在其精準度，其從最早使用以規則推論等方法為基底的專家系統，到近年結合各種機器學習方法，其準確度獲得相當的提升；而目前的趨勢則是運用最新的深度神經網路(Deep Neural Networks)的深度學習(Deep Learning)技術，朝向高精準性之診斷輔助。
依據國際糖尿病聯盟（International Diabetes Federation, IDF）調查指出，全球約有4.63億成年人患有糖尿病且持續攀升、亞洲居冠。糖尿病患者罹患眼部病變是正常人的25倍，糖尿病視網膜病變(Diabetic retinopathy; DR)已成為成年人失明最主要原因; 在台灣，糖尿病視網膜病變盛行率高達30-35%，然而國內執業眼科醫生不足，全國許多鄉鎮無眼科醫生。Google 於2016年發表應用深度學習技術於糖尿病視網膜病變診斷之應用，為AI於自動化疾病診斷決策支援最早之代表性應用之一。Google於此應用上主要是與EyePACS (https://www.eyepacs.com/) 進行合作，使用其超過7萬張的眼底鏡影像，經過專業醫師之標註後運用深度學習技術進行AI模型之訓練，其準確度超過90%。隨後美國的IDx公司所發展之IDx-DR 於2018年通過FDA審核，成為最早可自動判讀DR之AI軟體醫材 (其送審FDA時準確度約為88%)。
Google 與 IDx所發展之AI技術與系統雖具有高度之創新性，但其仍有許多不足之處，包含其病人資料來源為歐美為主，不完全適用於亞洲人種，以及其實際應用時仍有許多的限制 (例如IDx-DR僅能分辨是否有DR，不具分辨其嚴重度等級之功能)。有鑑於本領域與國內之迫切需求以及既有DR 判讀AI技術/系統之不足，因此筆者於數年前合聘於工業技術研究院時，與工研院團隊合作發展了ITRI-DR系統，並與國內數家醫療院所合作建構了超過10萬張經詳細標註之眼底鏡影像資料庫，運用深度學習及多模態(Multi-Modality)學習技術建構了具高精準度之自動化AI判讀技術，準確度超過98% [1]。同時，此系統除了可判讀DR五種等級(No DR, Mild NPDR, Moderate NPDR, Severe NPDR, PDR)之嚴重度外，還可以偵測四種主要的病徵（Microaneurysms, Hemorrhages, Soft Exudates, Hard Exudates），並清楚標示其位置，為全球最先進之高精準性DR自動判讀系統，讓非眼科醫生願意使用並提升病患轉診眼科之遵循性。
ITRI-DR很榮幸獲得2020國家新創奬(以及2021精進續獎)、2022 R&D 100 Awards等多項國內外大獎之肯定，其設計上除了可嵌入整合應用於固定式眼底儀及雲端系統中，並與國內眼底鏡醫材業者（晉弘科技）合作，於2021 年7 月推出全球首套可攜式糖尿病眼底病變診斷AI 設備解決方案，榮獲2021德國iF 設計獎以及2022 Edison Award，創造眼底醫材之藍海市場。ITRI-DR於2020年完成class-II 醫材臨床試驗，試驗結果優於全球同類型上市產品（如IDx-DR）及相關學研發表成果（如Google)；2021年與國內醫材業者合作取得國內第二類醫療器材上市許可證，為全台第一個兼具CADx/CADe 的AI醫療器材，未來於AI疾病檢測領域具有高度之發展潛力。
II. 自動化內視鏡病兆分析技術
內視鏡檢查為臨床上對於疾病檢測之重要方式，但由於疾病病兆之複雜性以及臨床醫療之高負荷，時有誤判情形之發生。筆者與三軍總醫院合作發展了DNN-CAD (Deep Neural Network-Computer Aided Diagnosis)技術與系統，以深度學習及大數據分析技術發展出醫學影像自動判讀技術，運用於內視鏡NBI(Narrow Band Image)影像分析預測大腸中瘜肉腫瘤化之良惡質性，其應用情境如圖1所示。本技術經實際驗證可達Sensitivity (96%)/Specificity(82%)之高準確性，運算判讀速度可達1秒以下之即時性，為全球第一個運用深度學習技術於本領域之自動診斷判讀技術，獲美國路透社(Reuters Health)專欄越洋採訪，並受到美國癌症研究中心主任高度肯定為智慧醫療領域兼具技術突破性及臨床應用潛力之創新成果，於本領域具世界之領先性。本研究成果發表於消化系統領域之頂尖醫學期刊Gastroenterology [2]，並獲得「科技部2018未來科技獎」以及2020「國家新創獎」等獎項，並進行實際之臨床應用。此為人工智慧在疾病檢測應用之另一實例。
III. 智慧性非侵入式左心室肥厚風險預測技術
非侵入式與低代價篩檢亦為人工智慧於疾病檢測應用上的一大趨勢，其主要目標對於病人端即為運用人工智慧以非侵入方式來檢測疾病，以減少輻射等侵入式傷害；在醫療端之目標則為減少醫療之耗費。
近年此領域為相當新興之發展方向，國內外已開始有一些創新應用出現。在此以筆者與台北榮民總醫院心臟科所合作之「基於心電圖之智慧性非侵入式左心室肥厚風險預測技術」為例。左心室肥大(Left Ventricular Hypertrophy; LVH)是高血壓、糖尿病、肥胖、主動脈瓣狹窄和多種遺傳性疾病的常見不良心血管後果，會增加心衰竭、心律失常、心血管死亡和心源性猝死的風險，造成家庭破碎、社會經濟醫療負擔與國家的重大損失。過去左心室肥大問題之檢測若以一般心電圖影像方式進行診斷其準確度並不佳，主要需藉由電腦斷層(CT)等方式才能得到精準之結果，然其具有輻射侵入以及高費用之問題。在此應用中我們以人工智慧之深度學習方法為基礎，發展基於心電圖判讀之左心室肥大風險預測技術，除了可協助醫師進行疾病判讀外，透過探討心電圖訊號與其它生理狀態關係，亦可以得到較完整的檢查以及低成本且非侵入性的篩檢方式。
本AI檢測技術包含一個基於深度學習網路之系統架構以及新創之二階段式深度學習演算法，其架構如圖2所示，核心部分則如圖3所示，主要由兩個重要模組所構成：
1) 心電圖表徵模組(ECG representation module)；2) 多模態模組(Multimodality module)。「心電圖表徵模組」以標準10秒鐘、12導程、500Hz採樣頻率的心電圖作為輸入，原始心電訊號會先通過濾波器將不需要的頻段雜訊去除，接著使用一維卷積神經網路(1-dimensional convolutional neural network, 1-D CNN)將原始心電圖訊號中的特徵萃取出來；接下來從每段完整長度的心電圖訊號中隨機取出其中8個心跳，這8個心跳訊號會各自通過同一個特徵擷取模型；最後在「多模態模組」中，將年齡、性別等病人資料與從心電圖所萃取出的特徵等不同模態的資訊透過全連接神經網路(fully-connected neural network)進行整合，完成最終預測模型。於臨床實際應用時，模型部署至裝有GPU之高速運算伺服器，系統自動將心電圖以及病人資料輸入至預測模型中，並將運算結果輸出與儲存，輔助醫師進行診斷以及後續檢查。
本技術以台北榮民總醫院28,745位病人進行模型之訓練與測試，使用AUC (area under receiver operating characteristic curve)、靈敏度(sensitivity)、特異度(specificity)進行評估，同時也跟心血管專家之判斷結果進行比較以驗證本技術之臨床可用性；測試結果顯示，AI模型之預測效能(AUC=0.89, 靈敏度=90.3%, 特異度=69.3%)遠優於傳統以心電圖影像診斷方式(AUC=0.64, 靈敏度=38.2%, 特異度=89.7%)。同時，模型在判斷難度較高的族群(35歲以下)之模型測試效能(AUC=0.93, 靈敏度=84.2%, 特異度=87.3%)相較於傳統心電圖判讀方式(AUC=0.63, 靈敏度=34.2%, 特異度=92.2%)，達到更具顯著性的優勢。另外，我們也與日本的Makiminato Central Hospital 以及 Nakagami Hospital進行國際合作，使用其獨立之cohort進行測試，其效能也達到高準確度(AUC=0.83)。最後也使用Cox回歸模型，評估人工智慧模型之預測結果對心血管或全因性死亡的個別影響。根據分析結果，當病患被此模型判斷具LVH風險時，即使量測當下未觀察到LVH，在未來發生LVH的風險仍為被判斷為健康者的8.4倍。
本技術已發表於心血管領域之知名國際期刊Circulation: Cardiovascular Quality and Outcomes [3]，並榮獲「科技部2022未來科技獎」，並於台北榮總進行場域試驗，其具有多方面之應用價值: 對於病人端可及早發現疾病及早治療並降低醫療耗費；對於資訊服務產業則可擴展開發為非侵入式、低代價之心血管疾病智慧檢測系統，並可拓展至全球之智慧醫療產業。目前國外相關發展包含韓國世宗醫院(Mediplex Sejong Hospital)與美國梅約診所(Mayo Clinic)之研究團隊。韓國團隊提出使用12導程心電圖偵測左心室肥大(Europace. 2020;22:412-419)，AUC可達0.88，然而其模型輸入並不單純只使用12導程心電圖，也需輸入10多個預先獲得的臨床和心電圖參數（例如：身高、體重、心電圖PR間距等等），甚至是需要醫師的事先判讀心電圖是否有心律不整(是否存在心房顫動或心房撲動)，這些臨床資訊均需與12導程心電圖一起預先輸入到模型中，增加模型的複雜度，勢必也將影響普及度；而美國之團隊亦提出使用12導程心電圖偵測肥厚型心肌病變(Journal of the American College of Cardiology. 2020;75:722-733)，然而，雖然其AUC可達0.96，其人工智慧模型僅適用於特定目標族群(肥厚型心肌病變﹔Hypertrophic Cardiomyopathy)，然肥厚型心肌病變的發病率低於 0.2%，其人工智慧模型的使用有所限制。以上兩個團隊並無跨國際的人工智慧模組驗證，也無疾病的預後資料。相較之下，本研究開發之技術除具有高度之準確性，並可適用於各種族群，並且不需要複雜的臨床資料，於醫療場域具有更佳之應用性。
三、結語
綜合上述，人工智慧在疾病檢測領域之技術與應用發展快速，受到國內外高度之重視，其關鍵技術含括醫療系統、人工智慧與資通訊技術、醫療器材、晶片電子等，需要跨領域專業之結合，同時也須遵循醫療相關法規，才能完成兼具創新性與價值性之可落地應用產品與服務。台灣在上述領域具有相當扎實之基礎與動能，若能結合產、官、學之力量聚焦投入，將可開創此領域之藍海。藉由本專欄之分享，亦希能有助於國內智慧醫療領域創新研發與實務應用之發展！
圖1. 自動化大腸鏡病兆分析應用情境一一
圖2. 「智慧性非侵入式左心室肥厚風險預測技術」系統架構一一
圖3. 基於深度學習之AI核心模組