AI數位病理診斷大會師 台大醫、北榮、長庚、北醫、亞東醫展身手

2020/11/07
AI數位病理診斷大會師 台大醫、北榮、長庚、北醫、亞東醫展身手
數位病理AI是未來實現精準醫療不可缺少的一環。致力推動AI數位病理診斷、成立五週年的雲象科技,今 (7日)舉辦「醫療影像及數位病理人工智慧應用研討會」,台大醫院、台北榮總、林口長庚以及亞東醫院等,分別
數位病理AI是未來實現精準醫療不可缺少的一環。致力推動AI數位病理診斷、成立五週年的雲象科技,今 (7日)舉辦「醫療影像及數位病理人工智慧應用研討會」,台大醫院、台北榮總、林口長庚以及亞東醫院等,分別發表將AI應用於數位病理診斷臨床應用的進展,包括:骨髓抹片、胃癌移轉偵測、肺癌亞型分析、胸腔X光輔助、脊椎特徵分析、以及吞嚥攝影分析等,台灣領先世界、成熟的AI數位病理診斷,持續挑戰不同種類及更高難度,正待落地。

骨髓抹片AI自動分類計數

臺大醫院檢驗醫學部周文堅主任表示,自2018中,臺大醫院與雲象科技公司合作啟動產學合作計畫,目的要發展一套人工智慧系統,用來判讀人類骨髓抹片中的血球細胞。
儘管現代醫學技術已經非常發達,骨髓血球細胞的分類仍是血液疾病診斷的最根本、最重要的步驟。然而,骨髓細胞型態之判別有幾個重要的問題 如:耗時、費人力、主觀意識強烈、學習不易。
雲象科技有堅強的科技實力,而臺大醫院有累積超過20年的骨髓抹片,且有訓練有素的血液專科醫師與醫學檢驗師。兩相結合在這段期間,已經訓練機器閱讀了50萬顆細胞,目前成為全球最大的細胞數量,且經小規模測試,訓練出來的機器,有九成以上的正確辨識率。

AI應用於卵巢癌病理分型

臺北醫學大學 陳志榮教授指出,依 2017 年國健署統計,卵巢癌居女性惡性腫瘤第七位,且發生率逐年增加。病理上,卵巢癌多數為上皮性癌,以漿液性癌、子宮內膜樣癌、亮細胞癌、黏液性癌等四種最常見。亮細胞癌和黏液性癌因為病理組織型態特殊,病理診斷較容易。
相對地,漿液性癌與子宮內膜樣癌在病理形態上,腫瘤組織結構類似,可能出現實質、乳突樣、腺體樣、子宮內膜樣,細胞形態也可能類似。在免疫組織化學染色的蛋白質標記表現,如:p53、ER、WT1等,兩者樣癌也略有不同,但卻非具獨特與決定性。
因此,病理醫師在診斷卵巢的漿液性癌與子宮內膜樣癌此兩類癌病時,需格外小心。有鑑於此,漿液性癌與子宮內膜樣癌的病人,在分子致癌機轉、臨床表現、治療策略及預後都不同,此研究主要訓練 AI 協助偵測卵巢的腫瘤區域,並特別著重於鑑別卵巢的漿液性癌與類子宮內膜癌。
結果顯示,AI 有效鑑別敏感度達 0.93 以上,特異性達 0.96 以上。未來,將朝訓練 AI 更精細地鑑別次分型及特殊基因表現。

AI應用於胃癌淋巴結轉移之偵測

林口長庚醫院解剖病理科黃士強醫師表示,對病理學家來說,檢查淋巴結的轉移性癌是一項費時、費力的常規任務。數位病理學和人工神經網路成為圖像識別的有力工具。
此一研究主要嘗試建立一種人工智慧演算法,希望減少病理學家在胃切除術標本中,檢索到的淋巴結轉移性癌的診斷工作量。首先,採用實例分割模型來勾勒出淋巴結的輪廓。在一組由 1,233 個正常和 552 個癌淋巴結的 300 張幻燈片中,有 280 張幻燈片用於訓練,20 張幻燈片用於驗證。
研究結果、此一AI偵測可達到靈敏度為0.955,特異性為0.824。從這些數據中顯示,此一自行開發的AI偵測有很大的潛力,可以用以偵測病理學家判斷胃切除術和其他癌症之手術樣本中的陽性淋巴結轉移。

AI應用於肺腺癌亞型分型及預後分析

臺北榮總病理檢驗部 葉奕成醫師指出,台灣大約有65%的肺癌屬於肺腺癌。肺腺癌可依病理組織型態分為五種主要的亞型,包括lepidic、acinar、 papillary、micropapillary以及solid五類。其中lepidic型態的肺腺癌預後極佳,acinar與papillary型態的肺腺癌預後居次,micropapillary與solid型態的肺腺癌預後最差,且病患在手術切除後有很高的復發率。
本研究主要開發以深度學習為架構的AI模型,利用模型來做肺腺癌病理亞型的分類,並預測病患的預後。
本研究使用216張由病理醫師標註的數位全切片影像,經測試結果顯示模型有良好的預測效果,除papillary亞型之外,都可以達到AUC(血藥面積) > 0.95的表現。
研究又進一步使用另外212位病人的病理影像,以模型進行分類並做預後的分析。結果顯示模型可以有效預測病患手術後的復發風險,其表現已能達到與胸腔病理專科醫師相近的水準。

AI 應用於吞嚥攝影的量化分析

有「人肉MRI」之稱的臺大醫院王亭貴副院長為國內吞嚥困難研究權威,
他指出,臨床上吞嚥困難最嚴重的合併症是食物誤吸入食道造成吸入性肺炎,甚至死亡。
而偵測進食中是否有誤吸發生的方法,包括:臨床身體檢查、吞嚥內視鏡檢查、血氧飽和度評估等。但黃金檢查(good standard)為螢光錄影吞嚥檢查。
螢光錄影吞嚥檢查是讓受試者進食不同黏稠度的鋇劑,在螢光錄影的機器上直接觀察鋇劑於口咽部的移動,並觀察是否鋇劑有誤吸至氣管中的情形。
他表示,過去,都用定性的描述,例如:舌骨上移不夠、舌骨沒有前移,但描述可能不夠客觀,且進行科學研究時也不易比較前後變化。
因此,許多研究者都會利用適當的判讀軟體,將螢光錄影吞嚥檢查的影片,切成圖片檔,再以人工標記各相關解剖構造,計算出舌骨及甲狀軟骨的移動,平均一個影片有經驗的研究者需花20-30分鐘才能完成。
而由於舌骨及甲狀軟骨的形狀固定,因此,利用人工智慧應該可以判認。因此,本研究希望AI能自動計算於吞嚥中舌骨及甲狀軟骨移動的狀況,可協助臨床判讀。

全脊椎平衡評估的AI自動偵測和分析

林口長庚醫院骨科 蔡宗廷教授表示,人類脊椎平衡評估很大程度依賴於下垂放射學參數測量,AI深度學習可應用於自動檢測和校準分析。
在這項研究中,利用了根據各種脊椎疾病病因的2210個附註圖像(其中,1810圖像作為模型訓練數據,400個圖像作為驗證數據),並成功開發了一個深度學習模型,能夠自動定位45個解剖地標,並能在全脊椎橫向放射圖上生成18個放射學參數。
在此一模型的性能評估中,宮頸區域地標的定位精準度和學習速度最高,其次是隆胸、胸腔和股骨區域的地標。且所有預測的放射學參數都與實數值( p < 0.001)有顯著相關。
此一研究表明,深度學習模型能夠匹配醫生的可靠性(15/18),此一自動偵測分析系統能精準地定位脊椎解剖地標。

胸腔X光AI輔助診斷系統

亞東醫院放射科郭冠宏醫師分享亞東醫院與廣達電腦合作開發的「胸部X光AI系統(CXR AI)」,此一系統針對肺部結節、肺炎、氣胸、心臟血管等20至30種常見和重要疾病,並有健檢、即時警訊、疾病分類、和自動報告4種應用功能,其中警訊系統並可針對首發現的腫塊、氣胸等疾病,5分鐘內提醒醫師優先判讀。
郭冠宏表示,在眾多醫療問題中,胸部X光(CXR)的數量最大,需要龐大專業人力去判讀,也是AI最值得切入之臨床領域之一,然而要做到「廣度先決」,必須具有開發大量運算模型的實力,並歷經超過40個運算模型後才打造出CXR AI系統原型。
在自動報告功能部分,X光片出來後,由AI提供初步判讀報告作參考,再讓醫師判斷,若有錯誤的地方再微調即可,省去打報告的步驟,同時藉由雙重確認步驟,減少遺漏和錯誤。
亞東醫院也於2019年初開始實際整合並運用此CXR AI的系統,此系統能有效協助醫師辨認出臨床診斷之重點病症,其作為參考之自動報告功能能有效協助醫師報告製發效率和增加生產力。