榮陽團隊全球首個聽神經瘤AI判讀DeepBT問世。(圖左:陽明大學研發長吳育德特聘教授、右:台北榮總放射部郭萬祐主任。攝影/彭梓涵)
文/ 環球生技月刊
首先啟動「聯邦」學習 串聯多家醫學中心
台灣科技部於2017 年啟動「醫療影像之巨量資料研究專案計畫」, 對全國科研界公開徵求合作計畫,隔年由北榮、臺大、 北醫三大醫療團隊啟動國內第一個跨院所的醫療影像資料庫, 針對腦、心、肺三大重大疾病影像資料集, 進行醫療影像處理與編譯,期望透過自動分析判讀醫療影像的AI 演 算法開發與醫療團隊合作,來實際解決臨床問題。
資源充足 、主題明確、數據紮實 聽神經瘤AI 計畫三箭齊發
獲科技部「醫療影像專案」補助
由台北榮總放射部郭萬祐主任與陽明大學研發長吳育德特聘教授所組 成的榮陽團隊,合作開發的「DeepBT 」(Deep Brain Tumor ),正是「醫療影像之巨量資料研究專案計畫」的AI 徵 案成果,也是全球首個採用聯邦學習模式發表的聽神經瘤AI 判讀系 統。
「因為我們的團隊資源實力堅強、研究主題明顯, 加上聽神經瘤的資料集結構紮實,所以在腦疾病專案計畫徵選中, 由我們獲得補助。」榮陽團隊的計畫總主持人吳育德說。
有了科技部補助,榮陽團隊從良性腦瘤影像資料集,進行AI 影像辨 識與放射手術治療的術後預測開發。而這項計畫「 聽神經瘤的輔助自動病灶偵測、追蹤與智慧精準醫療模型的建立」 的成功關鍵,是台北榮總加馬刀放射手術團隊在將近三十年來治療「 聽神經瘤(vestibular schwannoma )」的長期經驗與資料的累積。
郭萬祐說,影像導引治療是現在與未來的趨勢,越來越多的治療, 會先以電腦斷層(CT )、磁振造影(MRI )、超音波(ultr asound )為基礎的醫學影像,做電腦治療計畫, 再以不侵犯方式,如:立體定位放射手術、射頻、冷凍、 雷射等進行治療與療效評估。
成像顯影技術可以讓放射科醫師界定出最有可能的腫瘤輪廓, 甚至熱門的免疫治療及標靶治療也都要靠影像來導引。
目前腦瘤治療效果最有效的方法之一,是透過立體定位放射手術— 加馬刀(Gamma Knife )治療。北榮從1993 年啟用國內第一台加馬刀, 在國際上為知名的加馬刀治療中心。
有臺灣放射權威之名的郭萬祐說,加馬刀是一把無形的放射線刀, 必須透過精確的空間定位,描繪出病灶的座標範圍, 再針對病灶給予聚焦的鈷60 加馬射線照射。
「不過當時對影像建立的精準度,是因治療而標註,不是為了AI 而 建立,因為加馬刀的加馬射線照射是不可逆的破壞,我不得不慎重! 」郭萬祐強調。
比國際最大資料庫多4 倍 DeepBT 準確率達九成
27年時間,北榮也累積了8000 多個圈註好的腦部MRI 影像, 這些寶貴資產,亦成為榮總首波發展AI 輔助診療的基礎。 榮陽團隊在吳育德帶領下,投入腦瘤人工智慧自動判讀的研發工作, 僅花6 個月便完成初代的「DeepBT 」AI 辨識系統。
吳育德說,在聽神經瘤訓練上,北榮資料庫中涵蓋516 位病人1, 927 筆多時間點資料,比國際上最大的250 筆單時間點資料庫還 多。除此之外,北榮長久以來也維持同樣的MRI 切面厚度參數( 一張影像約3mm 厚度),數據累積上不只多、品質還很一致, 很適合做模型訓練。
有這樣的優勢,「DeepBT 」系統也完整複製醫生智慧, 包含整合不同參數影像的特徵, 以深度學習模型辨識出各種不同紋理組合( 如實質與囊狀不同程度混合)的腫瘤,目前只需20 秒,AI 系統就 能達到與專業醫師手動圈選的水準(精準度達90 %), 大大節省醫生時間。
DeepBT 預測治療效果 增加醫病互信關係
更重要的是DeepBT 能從MRI 影像預測治療後聽神經瘤的大小 走向。郭萬祐說,經過加馬刀照射腫瘤通常慢慢會變小, 但不是每個患者都這麼幸運,有些患者腫瘤會先腫脹再慢慢縮小, 也有患者則是治療後,腫瘤體積沒有改善反而增大。
因此,「有預測治療變化的能力尤為重要」。郭萬祐解釋,事先透過 AI 系統預測,若患者腫瘤屬於治療後腫脹會縮小, 醫師可減少加馬刀劑量,同時也提醒患者會有不舒服的情況發生, 若是屬於治療後反應不佳者,醫師則可增加加馬刀的劑量。
「所以這不僅對醫生治療計畫就很有幫助,也增加醫病之間的互信, 在醫學上很有價值的貢獻,能解決醫生與患者的需求也是AI 醫療發 展的目的。」吳育德笑說。
此「預測能力」 的成果主要由榮陽團隊子計劃主持人盧家鋒副教授利用影像圖譜學( Radiomics )揪出腫瘤的不同異質性(Heterogen eity )所完成。DeepBT 在多參數預測聽神經瘤研究結果, 也於今年6 月和11 月已分別發表在《Artificial intelligent in Medicine 》與《Radiotherapy and Oncology 》國際知名期刊上,同時也積極申請台、 美技術專利。
打破個資壁壘 聯邦學習將納入不同醫學中心影像
使用民眾健保資料的數據做研究,亦是目前AI 發展必經過程, 而醫療數據要跨院應用,最大挑戰即是個資問題, 解決問題方式就是「不把資料帶出醫院」。
因此榮陽團隊也領先導入「聯邦學習(Federated Learning )」,以數據不出醫院的方式, 讓更多醫院的醫療數據來共同強化這套系統以及未來開發的議題。
吳育德說,透過訓練好的種子模型拿到各醫院, 用醫院的資料訓練後,再把模型帶回中央系統, 這樣帶出的就不是資料而是模型。 榮陽團隊也進一步證實利用聯邦學習模式讓新的參數來進行下一回合 訓練,和集中式學習(centralised learning )有相似的預測精準度。
目前榮陽團隊利用NVIDIA 開發的開源聯合學習Clara 軟體 ,使用北榮與網路公開影像資料,在聯邦學習架構下建立「Deep BT-Pro 」版本也誕生,進階版的AI 系統, 不但可以自動圈選聽神經瘤,還可以自動圈選其他腦瘤如腦膜瘤、 腦下垂體瘤、膠細胞瘤、神經瘤等。
吳育德說,接下來榮陽團隊利用研華的WISE-PaaS/ AIFS 平台,要將DeepBT 做到網路化、自動化, 把種子模型送進更多醫院,讓端點醫師透過種子模型訓練, 打破各醫院、儀器廠牌數據差,使正確率、精準度不斷提升, 同也也會在美國尋找對應醫院,以加速美國FDA 認證申請。
2017年Google 首次提出聯邦學習概念,時隔兩年Goog le 發表論文,宣布建構出大規模聯邦學習系統, 數據安全隱私問題的解決方案終於浮出水面。 榮陽團隊在這波趨勢上抓住先機, 在健保署各項醫療影像人工智慧應用計畫推動與支持下, 領先各界首先發表聯邦學習研究成果,「台灣醫療影像AI 正走在聯 邦學習的世界前沿」吳育德說。
更多台灣生醫產業新聞請進一步閱讀:https://news. gbimonthly.com/