「人工智慧於醫療之最新進展」研討會

本協會於108年8月5日於台北榮民總醫院醫學科技大樓舉辦「人工智慧於醫療之最新進展研討會，特地邀請了醫學及人工智慧兩大領域的專家及學者到場，藉此增進跨領域交流的機會。

主題：深度學習技術如何推進醫療突破

我們看到深度學習技術在AI應用上帶來驚人的突破，特別在影像物件偵測、分類、語音辨識、翻譯、對話機器人、自駕車、圍棋等重要挑戰。我們將剖析深度學習技術的核心，並解密它的強大核心能力，尤其是在視覺感知、辨識、生成、時序預測等重要應用，分享如何善用深度學習網路。接著以數個產學合作的產品範例，點出深度學習技術的瓶頸包括運算效率、訓練資料、自動網路設計等，以及目前的解決之道。我們也將列舉幾個在醫療領域參與的研究，點出跨領域合作的機會以及挑戰。

主題：人工智慧為智慧健康照護的一盞明燈

人工智慧自1950年代起，經過半世紀的演進，從符號推理、類神經網路、機器學習以至於近年來的深度學習。而經典的人工智慧與世界頂尖棋藝高手的對弈，尤其以Google的AlphaGo多次勝出反映出這一波人工智慧在各領域應用的強大潛力，並可逐漸實現。而源起於17世紀的現代醫學，以科學的過程及辦法來進行醫學治療、研究與驗證，並且不斷以突破性的科學技術帶動醫學與醫療的發展，以增進人類的健康福祉。「智慧醫療」即是利用大數據、物聯網、人工智慧及行動平台等資訊通訊技術應運而生的新一波醫療革命，而“人工智慧”扮演了其中的關鍵角色。人工智慧在醫療與醫藥產業的應用方面，普遍被認為可用於病患照護、醫學影像與診斷、藥物開發、精準醫療、醫療風險管理等。事實上，美國食品藥物管理局至今已核准十多項以人工智慧為基礎的醫療產品:包括利用人工智慧演算法分析由視網膜攝影機所獲得的影像，快速篩檢糖尿病病人是否有必須由專業眼科醫師治療的視網膜病;並核准一套臨床決策支援軟體，透過協助分析電腦斷層攝影的圖像，自動偵測可疑的血管阻塞，來決定是否有中風的危險等等，此等核准實例證實人工智慧在醫療方面不再是僅止於一個所謂有潛力、有希望的應用，而是已被法規認可，正式進入醫療體系的產品。

依據全球最大的管理顧問公司Accenture的建議，全球至今仍有需多尚未滿足的臨床需求，如改善病患健康照護、減輕臨床醫療人力的負擔、增進醫療機構的運作效率與品質等，而人工智慧則可提供方法來解決需求，這對於未來國內發展人工智慧應用於醫療提供一項重要指標。台灣擁有獨步全球的健保資料庫，加上高水準的醫療品質與先進的資訊通訊技術優勢，相信在這一波以人工智慧為主體的醫療革命，台灣有絕佳的機會與世界接軌，並可站穩一席之地。

**講者：傅立成教授** 台大資工系暨電機系研所特聘教授
台大人工智慧與機器研究中心主任

主題：迎接AI醫療的新時代~台灣醫療產業未來發展趨勢與契機

目前，醫療系統正在經歷所謂的信息時代，其中文本和視覺數字信息呈指數增長。對這種爆炸性數據量進行人道分類變得非常不切實際。特別是，由於醫學診斷在很大程度上依賴於醫學圖像，因此深度學習Deep Learning可以提供幫助，這是一個相當自然的領域。本次將簡要介紹AI的關鍵概念及其趨勢，並展示學習算法如何自動化生物視覺系統可以完成的任務。進一步提及Deep Learning 方法通過醫學AI領域的一些最新發展帶來的優勢。最後，將討論在尋求將AI技術納入台灣醫療行業時可能遇到的一些機遇和挑戰。

主題：腎臟醫學的電腦科學應用

本研究團隊利用人工智慧方法分析病人的生理訊號，進而預測病人在洗腎過程的不良事件以及心臟手術病人術後的預後。腎衰竭依病程分為急性與慢性兩種，其中慢性腎衰竭發展至末期腎衰竭者，餘生須長期依賴血液透析治療，俗稱洗腎治療。洗腎是一個透過體外循環方式所進行的治療，每次四個小時的治療過程中，洗腎機將病人血液引出體外，移除血中的尿毒素與多餘的水分，在洗腎的第三、第四個小時，病人經常出現低血壓、抽筋、頭暈、胸悶、甚至意識不清、心律不整等危及生命等併發症。本團隊將洗腎病人的生理訊號與洗腎機所產出的參數進行特徵擷取，透過演算法，可準確預測洗腎不良事件的發生。另一方面，急性腎衰竭病程來勢洶洶，嚴重者須接受洗腎治療且預後不良，是心臟手術術後亟待預防的併發症。有一部分的心臟手術病人術中腎臟受損，併發急性腎衰竭而導致死亡率增加，因此，若在手術中提早辨識出特定的族群，將可防患於未然，減少急性腎衰竭的發生，本團隊針對心臟手術的病人，將手術中的生理訊號進行特徵擷取，在術中提早識別出術後將會急性腎衰竭的病人族群。以上兩個研究針對腎臟醫學領域中的重要臨床問題，透過人工智慧的方法，預先得知病人是否將發生不良事件，將可改變醫療照護模式。

**講者：楊智宇醫師** 國立陽明大學臨醫所副教授
台北榮民總醫院腎臟科主治醫師

主題：運用電腦人工智慧進行低劑量電腦斷層掃描電子檔案識別肺結節之研究

目前肺癌是個全世界必須面對的問題，在影像檢查上，比起傳統的胸部X光，低劑量電腦斷層對於小於一公分的結節與一些毛玻璃狀陰影皆有顯著更好的偵測率，也因為現在電腦斷層技術的改良，低劑量電腦斷層的劑量約只等於4-7張X光，所以作為一個大量篩檢的工具的安全疑慮也是很低的．而低劑量電腦斷層裡面偵測到早期肺癌的機率普遍來說約0.4%，但是在一些相對高危險族群（如抽煙，礦工，空氣污染）就會有更高的偵測率．一個肺癌如果能早期偵測，配合現在胸腔外科內視鏡手術的進步，早期手術後就可以大大提高病人的存活率並且減少後續藥物的支出與社會成本．而在醫學論文上也證實電腦斷層的篩檢可以有效的早期偵測肺癌而達到早期治療降低死亡率的結果。也因如此在推廣低劑量電腦斷層檢查後，檢查人數與影像的數量也有顯著的上升。舉例來說，如果產出的影像是3mm細切的話，一個受檢者就會產生約90-100張的電腦斷層切面影像，如果1.25mm細切更是會有200-300張的電腦斷層影像．比起傳統的5mm一般檢查電腦斷層上每個受檢者需要花更多的時間判讀，而在搜尋一些小結節(<3mm)上，人眼也容易在大量判讀後造成正確率下降．因此我們以健檢的低劑量胸部電腦斷層影像來開發自動檢測的工具，希望在反覆的訓練當中來達到更正確的結果以輔助醫師製發報告與判讀的結果，目前初步的成果已經達到全部的結節與毛玻璃狀陰影有90%以上的敏感性與75%以上的特異性．

主題：AutoML在醫療影像之分析 - 讓醫師秒變AI工程師

人工智慧（Artificial Intelligence，AI）醫療為目前世界一大趨勢主流，藉由人工智慧與醫療領域的結合，進而提升醫療品質與照護，AI醫療影像判讀可藉由人工智慧的輔助，配合臨床機制，協助醫師能更便捷精準的判斷疾病。然而，目前醫療AI開發常常遇到以下問題：1 不同廠牌儀器取得的影像特性有差異 2 不同醫生的標註認定不完全相同 3 標註品質需不斷的優化 4 資深的人工智慧工程師不足 5 模型的歸屬權問題。沐恩生醫研發了一套自動化訓練的 Auto ML 等演算法優化技術，搭配標記軟體供醫師依照各自的需求進行訓練，相當於我們用人工智慧打造一個人工智慧工程師給醫師，減少與工程師來回的溝通時間，加速醫療影像AI的訓練流程，並且建立最適合自己以及對應的儀器下的模型。因此將分享沐恩生醫研發的 AutoML 以及多年AI經驗等技術應用於醫療AI影像上，複製一個AI工程師，讓醫生可以輕易完成 X-ray、CT、MRI和眼底攝影等醫療影像的AI模型訓練。