年度訂閱用戶可加入科技英語學習社區(qū)，每周科技英語直播講堂，詳情查看“閱讀原文”
注：本文以下提及的醫(yī)學影像數據，指的都是經過去連接化處理、無法得知患者身份的數據。
人們常常說，神經網絡像是一個黑盒子。之所以這么講，是因為相比一些基于規(guī)則的系統(tǒng)，神經網絡或其他機器學習算法并不透明，目前你并不知道它是怎么運作、下判斷的。但也因為無法掌握，偶爾就有意料之外的發(fā)現(xiàn)，有一家醫(yī)院的AI研究中心就經歷了這種驚喜。
位在臺灣的“中國醫(yī)藥大學”附設醫(yī)院（CMUH）的人工智能醫(yī)學診斷中心，正在訓練機器看計算機斷層掃描（CT）影像來診斷肝癌，令人意外的是，研究人員在訓練初期還沒有把一些發(fā)生機率很低的特殊病例素材放進機器的訓練數據集中，沒想到， AI 卻自己發(fā)現(xiàn)了，“機器自動找到 nodule in nodule ，也就是腫塊之中還有一個變異腫塊，”CMUH人工智能醫(yī)學診斷中心副主任游家鑫興奮地說。
AI＋醫(yī)學影像的研究及應用遍地開花
在現(xiàn)階段的醫(yī)療保?。╤ealthcare）AI領域中，圖像及診斷輔助可說是最受歡迎的應用，不久前剛落幕的北美放射學會（RSNA）2017 年會上，機器學習就成了核心話題， RSNA 首度舉辦一場機器學習挑戰(zhàn)賽：利用兒童手部的X光片，讓機器自動判斷骨骼年齡。希望通過眾人的腦力激蕩，開發(fā)出更精準的算法來解決放射學（radiology）遇到的臨床問題。
另外，大型企業(yè)如 IBM 、 Google 、醫(yī)療設備商如 GE 、飛利浦、西門子以及眾多的初創(chuàng)公司，也紛紛攜手醫(yī)院、醫(yī)療機構展開諸多研究，而且獲得了不錯的效果。像是 Google Research 研究人員利用卷積神經網路（CNN）讀取糖尿病患者的眼部照片，判斷是否有視網膜病變（diabetic retinopathy），目前試驗結果顯示，演算法判斷結果與專業(yè)眼科醫(yī)生的診斷結果呈高度一致性。
另一家在醫(yī)療視覺分析領域具高知名度的以色列初創(chuàng)公司Zebra Medical Vision，他們也利用深度學習解讀計算機斷層掃描、核磁共振成像等醫(yī)學影像，可識別出肺臟、肝臟、心血管或骨頭中的疾病，還特別強調每一張影像的判讀費用只需要1美元！
調研機構 IDC 指出， 2017 年的人工智能／認知計算的應用中，支出最多的除了自動化顧客服務（15億美元）之外，就是診斷和治療系統(tǒng)（11億美元）。 IDC 醫(yī)療領域亞太區(qū)研究經理 Ashwin Moduga 認為，醫(yī)院使用 AI/Cognitive 技術例如以深度學習改進醫(yī)學圖像診斷，不僅僅是為實現(xiàn)自動化或提高精確度，更重要的是解決某些地區(qū)醫(yī)療專家、資源匱乏的問題，在未來2～3年內，醫(yī)院將陸續(xù)展開一些簡單的自動化測試，同時投資深度學習算法。
確實，醫(yī)療產業(yè)對 AI 表現(xiàn)出高度興趣， CMUH 人工智能醫(yī)學診斷中心就是一例。在 DT 君采訪當日，研究人員正在跟中心主任黃宗祺進行越洋電話會議，匯報每日的工作進度，因為黃宗祺具備電機、醫(yī)療影像、放射跨領域的優(yōu)勢，因此獲得 NVIDIA 邀請，正在美國總部展開為期一年關于細胞影像及乳癌方面的交流及進修。
“AI是這個時代影響層面最大的工具，一定會改變醫(yī)療生態(tài)。在所有數據中，醫(yī)療數據無疑是最有意義的，兩者會結合的非常快，Google、阿里巴巴、蘋果....世界上每一家AI技術領先的公司都在進入醫(yī)療行業(yè).......” ，黃宗祺強調。
圖｜CMUH人工智能醫(yī)學診斷中心主任黃宗祺。（圖片來源：CMUH人工智能醫(yī)學診斷中心）
放射科醫(yī)生每天都有看不完的片子........
什么是醫(yī)學影像呢？就是幫助醫(yī)生不需動刀就能觀測病患身體內部狀況的技術，包括我們常聽說的超聲波、 X 光片，還有計算機斷層掃描（CT）、核磁共振成像（MRI）、正電子放射斷層造影術（PET，Positron Emission Tomography）、單光子發(fā)射型計算機斷層（SPECT，Single Photon Emission Computer Tomography），每一種方式都有其優(yōu)勢，適合用來檢查不同的病癥，像是超聲波可快速掃瞄，方便性高， CT 、MRI 則是善于做結構、組織異常的偵測，SPECT則適合偵測神經傳導物質、代謝的異常。
再簡單看一下醫(yī)院的工作流程：當我們可能感覺到身體不適時，到醫(yī)院掛號后，就會有一個“?？漆t(yī)生”如肝膽腸胃科科、乳房外科等，聽取我們描述病征，接著他會安排檢查，例如CT、MRI等，有一群在背后檢查這些醫(yī)學影像的人就是“放射科醫(yī)生”，他們的工作就是看一張又一張的片子、打出報告，提供給專科醫(yī)生去擬定治療方案。
為什么把 AI 應用在醫(yī)學影像領域會有如此急迫的需求？因為放射科醫(yī)生的人力非常有限，而且他們每一天花費很多的時間看大量的片子。
放射科醫(yī)生的工作負擔是遠超過你想像的大，因為腫瘤的位置不一定只會出現(xiàn)在身體某個部位，因此一個病人至少會拍上百張的圖像，他們就必須一張一張看，再從中挑出數十張可用的圖像數據，“所以每一個醫(yī)生都很累，工作到眼睛很痛，”本身擁有放射師執(zhí)照的 CMUH 人工智能醫(yī)學診斷中心數據工程師林仰賢這么說。
所以如果能夠通過 AI 來協(xié)助醫(yī)生加快看片的速度，就有更多的病患能從中受惠，不論是快速找到治療方法還是預防其他病癥的產生。
像是上述提及 Google Research 的研究，糖尿病患者因長期血糖上升，導致血小板凝集力上升，毛細血管受損，容易引起眼部視網膜毛細血管病變，嚴重會導致視力喪失，早期診斷治療是保住病人視力最重要的依據?？上У氖?，部分醫(yī)療資源稀缺的地區(qū)如印度，就有眾多的患者因為醫(yī)院得排隊排很久、看不到醫(yī)生而失明，比例高達近45%。但其實如果擁有足夠的醫(yī)療人力資源的話，這些失明都是完全可以預防及避免的。
而人工智能很有機會改變現(xiàn)今醫(yī)護供給、需求高度落差的狀況，協(xié)助提升醫(yī)療行業(yè)效率。
CMUH人工智能醫(yī)學診斷中心的研究有兩大部分，初期是做放射組學（Radiomics），林仰賢解釋，Radiomics 是一種結合多種演算法的影像處理技術，從醫(yī)學影像如 CT、MRI 定量病變（lesion）的特征，再將特征與事件做連接，建立出模型。簡單來說，就是計算圖像的特征值，從這些數值中去判別某個疾病跟某個事件的關聯(lián)性。
他們使用肝臟的 CT 影像，分析這位病人在 2～3 年之內會不會出現(xiàn)腫瘤轉移，或是治療后復發(fā)的可能性。過去，一直以來都是憑醫(yī)生自己的經驗、“感覺”來判斷，沒有一種可量化的方式，但因為憑經驗判斷，不同的醫(yī)生來看就可能給出不同的答案，而判斷不同，后續(xù)就會展開不同的療法，最極端的狀況就是一個說有病，另一個說沒病。因此他們希望通過Radiomics 讓影像有標準化。
圖｜放射組學（Radiomics）研究的流程。（圖片來源：CMUH人工智能醫(yī)學診斷中心）
CMUH人工智能醫(yī)學診斷中心因為隸屬于醫(yī)院，做 AI 研究的好處就是較容易取得數據，同時又有許多醫(yī)生可供咨詢，畢竟 AI 系統(tǒng)的使用者是醫(yī)生，必須重視用戶意見。因此中心的研究人員與院內多位醫(yī)生討論下，認為現(xiàn)階段較好的 AI 應用應該是作為醫(yī)生的助手，希望通過 AI 減輕醫(yī)生的工作負擔，他們就將研究重心從 Radiomics 做轉移（metastasis）、復發(fā)（recurrence）的評估，轉為利用深度學習做腫瘤檢測（detection）。
游家鑫表示：“因為醫(yī)生每天花超過10小時看 CT ，手動圈出腫瘤的位子，而且還是用鼠標一筆一筆畫，真的很花時間，我們希望先幫醫(yī)生打造一個隨手可用的好工具?！?/span>
AI真的比我們想像的厲害
他們使用了超過 200 個肝癌病例，每一位病例至少上百張的醫(yī)學圖像，作為訓練數據，雖然病例數量還不算多，但目前效果相當不錯。
先用下方的肝臟 CT 圖片來解釋，左邊 Ground Truth 圖是傳統(tǒng)的做法，就是醫(yī)生看片子，把腫瘤的位置、大小框出來。右邊 Detection 圖是 AI 偵測的結果，上頭顯示 HCC（肝細胞癌 Hepatocellular Carcinoma，簡稱HCC） 0.977 ，數字指的是機器下判斷的自信程度（與準確率無關，只是機器在做判斷時對答案的自我評估）。
圖｜左圖是醫(yī)生手動標示，右圖是 AI 偵測的結果，HCC 0.977 數字是機器下判斷的自信程度。（圖片來源：CMUH人工智能醫(yī)學診斷中心）
圖｜左圖是醫(yī)生手動標示，右圖是 AI 偵測的結果，機器都能找出腫瘤位置及大小。（圖片來源：CMUH人工智能醫(yī)學診斷中心）
不僅 AI 可以找出腫瘤位置、框出邊緣，甚至還出現(xiàn)驚喜，游家鑫指出有兩個很特別的狀況，一個是他們沒有教機器 nodule in nodule 腫瘤中還有一個腫瘤這種低機率低的情況，但它自己找出來了，當初研究人員看到機器標這張圖，還以為機器出錯，就拿去請教醫(yī)生，才知道原來這就是 nodule in nodule 。另一個就是有一張素材里有一個“人為標錯”的狀況，因為有時醫(yī)生真的太疲累而畫錯，但機器卻自己找出正確的腫瘤位置。
圖｜這張圖就是 nodule in nodule ，他們沒有教機器這個狀況，但機器自己發(fā)現(xiàn)了，不過也值得注意的是，對于第二顆腫瘤機器下判斷的自信程度是 HCC 0.8 ，對比一般機器的自信通常都會超過 0.9 來說，它是稍微沒有自信，但還是識別出來了。（圖片來源：CMUH人工智能醫(yī)學診斷中心）
除了肝癌之外， CMUH 人工智能醫(yī)學診斷中心目前也在展開乳癌的AI醫(yī)學影像識別研究，“主要是鎖定亞洲人較容易罹患的疾病，像是肝癌、肺癌、乳癌，反觀歐美的研究主要是皮膚癌，但亞洲人普遍不愛曬太陽，罹病機率較少，”游家鑫解釋。
AI真的比我們想像來得厲害嗎？
從 CMUH 的例子來看，AI 聽起來真的很聰明，還自己學習了那些人類沒有教它的事，但 AI 真的有如我們想像的那么厲害嗎？游家鑫坦言，有時候機器還是會找不出來，因為目前他們給的訓練數據都是比較大的腫瘤，當機器遇到很小很小的腫瘤時，有時就識別不出來，也曾經發(fā)生過機器識別錯誤的情況。
也就是說，如果真的要訓練一個準確的 AI ，訓練數據必須越多元化越好。因此，他們除了計劃與鄰近的醫(yī)院合作，增加病例的數量，也是為了讓機器看不同設備品牌如GE、西門子、飛利浦掃描出來的照片，“最好是讓 AI 軟體都看過一次，提高對不同機器的適應性?！?/span>
同時，他們下一步計劃把健康人士的圖檔加進訓練數據集里。一般來說，當人是健康的時候，醫(yī)院并不會特別在影像上標注，例如，在做超聲波時，通常都是當醫(yī)生看到了異常，才會按鍵把影像拍下來，正常就不會拍。但由于 CMUH 的放射線部醫(yī)生相當支持 AI 研究，不少醫(yī)生愿意額外投入時間幫忙標標注，或是拍下一般人士健康狀態(tài)的醫(yī)學影像，協(xié)助中心有更多的精準數據可供訓練。唯有讓機器看過更多的病例、不同品牌設備拍攝的圖像，才能學得越多。
圖｜CMUH人工智能醫(yī)學診斷中心副主任游家鑫（左）、人工智能醫(yī)學診斷中心數據工程師廖英凱（中）、人工智能醫(yī)學診斷中心數據工程師林仰賢（右）。（圖片來源：DeepTech深科技）
AI落地醫(yī)療仰賴醫(yī)生的正確標記數據
相比多數用 AI 做影像識別的應用或行業(yè)，要在醫(yī)療落地的難度絕對是最困難的，“毫無疑問，機器學習將改變放射科醫(yī)師在未來幾年的實踐方式，但在機器學習變得普及之前，還有許多工作要做，”斯坦福大學放射學及生理醫(yī)療信息系教授 Curtis Langlotz 曾這么說，他口中的工作包括了面臨監(jiān)管問題，機器學習還需要大量標記的圖像數據集，盡管大多數放射學已經進行了數百萬次的影像檢查，但是大部分都沒有標記。
姑且先撇除算法必須通過嚴格的臨床實驗及法規(guī)，光是在數據及訓練上至少就有三件事得解決。
首先，“醫(yī)療領域最大的不同在于對影像下標注只能依靠專業(yè)人士，”游家鑫強調。舉例來說，不論是在安防領域或是自動駕駛領域，一般人都可以為圖像下標注，因為常人都可以分辨出這是人、貓狗動物、汽車、信號燈等，但是，在醫(yī)學影像里，一般人根本看不出身體到底哪里出了異常，例如給你看一張 CT ，無法分辨什么有或沒有癌癥、位置在哪里，更不要說有時腫瘤還非常小，這是只有受過專業(yè)訓練的醫(yī)生才擁有判斷的能力。
不僅 CMUH 提出了這個觀察，負責糖尿病視網膜病變計劃的 Google 研究團隊產品經理、醫(yī)學博士彭浩怡（Lily Peng）在接受媒體采訪時曾指出， Google 團隊建立了一個數據集，并聘請 54 名專業(yè)眼科醫(yī)師評估超過 13 萬張的圖像。
另外，“在醫(yī)療產業(yè)，數據絕對比算法重要，如果訓練數據越精確，訓練出來的機器也會變得越強，”游家鑫一語道出重點，因此想要訓練出好的醫(yī)療人工智能，必須得仰賴專業(yè)醫(yī)生的協(xié)助，替影像數據下出精確的標簽及診斷，換句話說，就是得靠人類名師的幫忙才能培育出 AI 高徒。
林仰賢指出另一個比其他行業(yè)更有挑戰(zhàn)的問題，就是影像的色彩，一般行業(yè)訓練 AI 都是使用彩色的圖像，例如訓練自駕車，一定就得讓機器看過信號燈、交通標示的影像，信號燈有紅黃綠、標示通常有紅色、黃色，但是醫(yī)療影像都是黑與白，再加上有些醫(yī)療院所用的儀器可能是較舊的機型，拍出來影像的解析度較差，因此要做醫(yī)療影像的識別必須不斷試驗多種算法，找出適合檢視黑白圖像的算法，而且還要夠克服低解析度的問題，在在考驗團隊的技術能力。
此外，就是數據的取得。醫(yī)院內部做 AI 研究，數據的取得相對容易，但對外部的人來說，想要拿到醫(yī)院的影像數據可就不簡單，DT君采訪一家專攻 AI 醫(yī)學影像識別的新加坡初創(chuàng)公司 adaline ，其創(chuàng)辦人鄭子雙表示，他們目前與新加坡公立醫(yī)院合作，取得了 1000 多位病患的影像數據，“但完全不夠！所以要一直跟醫(yī)院合作，包括東南亞、香港、臺灣，希望至少得拿到 10 萬個病例。”不過，想要跟各地的醫(yī)院合作就得按各地的法規(guī)來走，對于初創(chuàng)公司來說是一條漫長的路，因此誰取得數據越多、速度越快，就有比較高的機會在市場占到位子。
醫(yī)學界對于 AI 應用，看似有支持及反對兩類聲音，游家鑫強調：“人工智能是絕不可能取代醫(yī)生的，但絕對可以作為一個輔助醫(yī)生的好助理，”檢測早期癌癥或預防疾病的發(fā)生，同時還有助于減少因“人眼”錯失，或是忽略細微差異而發(fā)生診斷上的疏漏，這是利用計算機跟 AI 最大的價值，不過得有醫(yī)生的支持，AI 才有可能在醫(yī)學行業(yè)落地。
-End-
校審：郝錒鈾
