議題背景:

2020年,各國廠商積極加入人工智慧的技術研發,科技業領袖與新聞報導也非常重視人工智慧、物聯網跨領域的結合。目前有許多研究案例運用的是人工智慧中的深度學習卷積神經網路(Convolution Neural Network,CNN),例如乳癌、腦癌、肺癌、視網膜病變、腦齡估算等。但是,如何實際應用卷積神經網路協助醫療,所有疾病都可以透過人工智慧來診斷嗎?相關研究及發展趨式為何,又有哪些挑戰呢?我們邀請專家說明相關的問題。

2020/03/06
美國華府喬治城大學醫學中心放射科及腫瘤科退休教授 婁世鐘教授

Q1. 與一般傳統的深度學習相較,為什麼深度學習卷積神經網路在醫療影像判讀的領域特別突出?

卷積神經網路是我首先在1993年的一篇科學期刊論文上所定名。該篇論文以及後續幾篇運用卷積神經網路來檢測肺癌的論文,有詳細的說明關於卷積神經網路的結構及數理。卷積神經網路主要有兩個部分:(一)卷積計算從影像中擷取特徵性。(二)第二部分是交織型訊息傳遞網路,只要兩或三層就夠了,主要的功用是有效分類先前的特徵,達到分辨認識的功效。由於卷積神經網路主要的能力在是第一部分的卷積計算,從技術上及數學基理來說它都不是深度學習,而是「空間影像特性學習」,或是稱為「廣度學習」比較貼切。電腦工程師們稱它也是一種深度學習,會有混淆之疑慮。

卷積計算能自動從不同的圖像中計算出影像中的特徵,而其他人工智慧技術倚靠人類指示的公式計算影像特徵,因為無法像卷積神經網路一樣從大量數據中全面地尋找具區別性的多元特徵,故涵蓋能力常常不夠,無法與自動學習相比。

Q2. 哪些情況下特別適合協助醫療診斷?

一般而言,若醫療影像中有病兆的地方沒有受到遮擋或干擾,卷積神經網路的辨識能力會很高,可以快速做出精準的判斷,協助醫師判讀。若想讓卷積神經網路發揮最大的功能,工程師們必須先將影像中的器官、血管、骨頭等分開來,將影像優化,才能達到專家的診視水準。

Q3. 承上,實際應用在臨床醫療有哪些限制和挑戰?哪些情況下不適用於協助醫療診斷?

專家的診斷會受到影像品質不佳的影響,人工智慧軟體也是。影像中需要被辨識的特徵,若受到其他影像紋理的干擾、遮擋,或是因為接近高強訊號而衝擊到卷積神經網路的學習,就會造成辨識失敗。

運用卷積神經網路判斷醫療影像尋求的是高精準度,但精準度提高後,偽陽性的誤判也會增加,意即會增加「指認正常為異常」的狀況。

對特定疾病而言,用人工智慧來判讀醫療影像對醫師的幫助不大;像是要確認腫瘤良惡性的問題,醫療影像本身具有的訊息不足。勉強去訓練人工智慧也許可以做出還不錯的能力診斷,但還離臨床的需求有相當大的距離,並且無法給出診斷的理由,也因此無法說服醫師來使用。

這種請況需要仰賴更進一步的化驗或醫師全盤性的判斷,這類牽涉到病患安危的決定,仍應交由醫療專業人士判斷。

Q4. 承上,有哪些解決方案和研究可以克服這些挑戰嗎?如何克服?

影像處理優化是所有辨識影像的首要步驟,包括減低干擾、預先分割,以及處理一些特殊訊號等。通常這個步驟所耗費的研發及工作量是70%,分辨性的研發工作(如卷積神經網路)只佔30%。我們常看到許多抄近路、沒有先行優化的作法,就只能產生差強人意的研發結果。

為了讓人工智慧能夠協助判讀初期或微小的病變,可用較為困難、人類容易混淆、以及較少見的案例來訓練卷積神經網路。這可能需要配合醫療資料庫的開源,或許有機會提高人工智慧能力,提供醫師更多醫療影像中應該注意的細微病徵。

Q5. 資料量和來源會怎麼影響訓練CNN判讀的結果?至少需要多少醫療影像資料,才足夠訓練CNN並做出可信的判讀結果呢?

若要協助醫師在臨床上判讀,應訓練人工智慧判讀初期病變,或是細微且容易混淆的病變。但是這種類型的影像資料數量較少,難以訓練人工智慧做判讀。以肺部斷層照相每層約1.5 mm-3 mm的影像來篩查肺癌為例,大概需要用2000到3000組的影像來訓練卷積神經網路,和另外至少500組的影像來測試。在臨床上容易被遺漏的案例至少要佔訓練資料的三分之一以上,診測能力要接近專家,這樣的人工智慧軟體才會有效用。

Q6. 需要經過哪些步驟或驗證,學術研究才可實際被應用?

  1. 目前許多學術研究經過美國FDA認證,卻很少能夠在臨床上實際應用,除了真實效用之外,另外的一個原因是不同地區的醫療資料不同。比如英美地區的研究結果不一定能在台灣應用,特別是和人種、基因、生活、飲食、或環境等有關的疾病。必須要使用當地的醫療資料來訓練,才能在地區實際應用。
  2. 病症特徵未受遮擋或干擾的醫療影像,人工智慧判讀效果會較為突出。若醫療影像本身就有不同物件重疊於同一空間的特性,應事先優化處理影像再訓練人工智慧,才可能形成高效能的智慧軟體,也才可能成為醫師的助理或工具。
  3. 大量的篩查非常耗費醫學資源,人工智慧若能快速(自動或半自動)精準地排除無病變的正常案例,即使有10%-30%的排除效能也十分有用。

版權聲明

本文歡迎媒體轉載使用,惟需附上資料來源,請註明新興科技媒體中心。
若有採訪需求或其他合作事宜,請聯絡媒體公關:

曾雨涵

haharain331@rsprc.ntu.edu.tw
02-3366-3366#55925