- 科技報導
文章專區
2020-07-15判讀肺炎徵狀的AI小幫手－MedCheX
463 期
Author 作者
蔣榮先／成功大學醫學院附設醫院資訊長、成功大學資訊工程學系特聘教授，致力於AI、智慧醫療發展。
2019新冠病毒疾病（COVID-19）的散播造成全球性的嚴重疫情，各大醫療院所與科研單位都在共同合作來防堵疫情擴散，在防疫的過程中，篩檢是非常重要的一環。胸腔X光（X-ray）亦是一項重要的檢查指標，用來判斷病患是否出現肺炎等徵狀。當受檢驗的患者數量過多，或醫護人員人手不足時，便無法即時做出診斷，甚至疏忽掉一些較不明顯的病灶，容易造成防疫缺口並使疫情加劇，需要耗費更多社會資源挽救。因此，MedCheX開發團隊設想利用人工智慧（artificial intelligence, AI）相關技術來輔助醫護人員，在判讀胸腔X光時給予可疑病徵的資訊。
緣起：自發性氣胸的預警模型
該發想開始之前，MedCheX開發團隊原先正專注於開發預警自發性氣胸（spontaneous pneumothorax）的AI模型。該模型可用電腦迅速自動判讀醫學影像，並對自發性氣胸高風險患者示警，為團隊開發MedCheX奠定基礎並累積大量經驗與資源。
團隊採用較常見的UNet與特徵金字塔網路（Feature Pyramid Network, FPN）作為模型基礎，接著利用臨床醫師標註完成的數千筆胸腔X光資料來訓練肺炎偵測模型，並建置預警系統。當患者拍攝胸腔X光時，儲存資料的同時就會經過模型掃描，並針對較高風險的影像發出警訊，提醒臨床醫師優先進行該影像的判讀，而模型也會利用熱區圖（heatmap）來顯示風險較高的區域，以此來輔助醫療人員進行診斷。
具專家註解的資料集誕生
過去，AI醫學影像的發展上，一直存在一個難以跨越的瓶頸：雖然能建立完整的胸部X光影像自動判讀模型，但始終缺乏具有放射學專家註解以及專家評估標準的資料集，使得模型的精準度不足，進而造成實用價值降低。直到在2019年初，美國史丹佛大學（Stanford University）與麻省理工學院（Massachusetts Institute of Technology, MIT）分別公布了美國東西兩岸頂尖醫學中心的醫療影像資料集，才讓全世界的醫療團隊得以經過授權，取得全部的去識別化資料（de-identified data）。
首先是史丹佛大學教授吳恩達，在全世界最頂尖的人工智慧研討會 ──人工智慧促進協會（Association for the Advancement of Artificial Intelligence, AAAI）年會上發表論文公布大型胸部X光資料集CheXpert，並徵求全世界AI高手使用該影像資料集來參與競賽。資料包含超過22萬張胸部X光照片，為過去15年來在史丹佛醫院進行胸部X光檢查的超過6萬名患者所留存，同時還附有完整的相關放射科醫師報告，報告針對像是肺部病變、肺炎或是肋膜積水等14項觀察進行多位專家標注為陰性、陽性或不確定。
麻省理工學院緊接著公布含有超過37萬張胸部X光照片的資料集MIMIC-CXR，提供過去五年來在美國哈佛大學醫學院貝斯以色列女執事醫療中心（Beth Israel Deaconess Medical Center, BIDMC）所收集的部分資料，大家夢寐以求的資料集終於可以公開取得，這也意味著更加精準的胸部X光影像自動判讀模型開發條件已萬事俱備。
影像細部特徵辨識與系統整體的優化
開發初期，團隊使用史丹佛大學釋出的胸部X光影像來開發自動偵測肺炎的AI模型，初期影像的辨識度相當高。接著，利用美國國家衛生研究院（National Institutes of Health, NIH）所公開的胸腔X光資料集，從中挑選具有／無肺炎病徵共3000筆資料進行對AI模型測試，可惜辨識結果一直未達理想標準。
經過團隊與臨床醫師數次的密集討論，發現最可能的原因應是公有資料集影像品質不佳、資料來源過於複雜、不同等級的醫院所拍攝之影像目的不盡相同、標註水平參差不齊等。上述問題，在過去從未被研究人員提出，直接導致傳統AI模型在臨床上不能被使用。
瞭解問題來源後，研究團隊更改策略，在深度學習中使用容錯性更佳的網路架構ResNeXt進行調整與訓練。為加強模型對細緻特徵的擷取，團隊更改策略並重新調整模型網路架構，在對病患影像特徵從粗糙到細緻的計算過程中，能更有彈性地保留原始真實資訊。另一方面，團隊利用「金字塔型特徵萃取法（pyramidal feature representations）」，以階層式的設計強化模型的感知視野，讓模型在大小不同的病徵影像上有更好的識別能力。
此外，為便於使用，開發團隊著手建置透過胸部X光影像自動偵測肺炎的AI模型平台，使用以超文本預處理器（php）作為程式語言所搭建的Laravel框架，打造出這套網頁應用程式，目前部署伺服器為阿帕契（Apache）。資料庫端使用Laravel Eloquent ORM〔註一〕與MySQL〔註二〕相配合，達到能夠快速開發與維護的程式 品質。認證部分使用Laravel框架中驗證（authentication）與授權（authorization）等多項所預先配置的認證系統，藉以實現安全的使用者認證。通過Laravel Queue〔註三〕的統一應用程式介面（application programming interface, API），配合後端為Redis〔註四〕進行多項管理任務。
結語
藉由上述機制建構出安全及可靠與快速的服務。使用者能夠透過此平台，自行上傳資料進行影像預測。基於病患個資的保護，本系統目前僅接受影像檔（如jpg、png等常見的影像格式），避免使用者有使用DICOM〔註五〕時所擔憂的個資問題產生。MedCheX是因應COVID-19所導致的全球性疫情而開發，現階段最大的目標，包括在醫療場域上協助防疫檢測、輔助醫護人員（paramedic）、快速找出潛在患者，以及降低社區感染風險。
在輔助醫護人員吃緊的地方，MedCheX可能成為過濾新冠狀病毒的第一道防線，當醫護人員透過系統快速得到初步預測結果，也可從中逐漸瞭解新冠狀病毒在胸腔X光影像中所表現的症狀，讓醫護人員能專注在治療高風險病患上，將資源最大利益的分配。
〔註一〕這是免費開源php網頁框架Laravel 內一個名為Eloquent的物件關聯對映（object relational mapping, ORM）結構。它可以幫助使用者更簡便、安全地從資料庫中讀取資料，透過程式語言（如Ruby或 Java）來操作資料庫語言（如SQL）。
〔註二〕結構化查詢語言（structured query language, SQL）是用於訪問數據庫的標準化語言，而MySQL則是一個由甲骨文（Oracle）公司所支持的數據庫管理系統。
〔註三〕這種隊列（Queue）服務為不同的隊列後端系統提供一個統一的API，使用者可透過這項服務，將一個耗時的任務做延遲處理，如寄送 e-mail；如此一來，應用程式對網頁的請求反應就會更快。這個概念如同一家餐廳的運作，當客人的訂單（queue）送進廚房（Redis），廚師（Queue Worker）便會依訂單（queue） 上的食譜（Job）執行任務。
〔註四〕Redis是一個記憶體內（in-memory）的鍵值資料庫（key-value database），因此常常被用在需要快取（cache）一些資料的場合，藉此減輕後端資料庫的壓力。
〔註五〕醫療數位影像傳輸協定（Digital Imaging and Communications in Medicine, DICOM）是一組對於醫學影像的處理、儲存、列印和傳輸等方面的通用標準協定，包含檔案格式的定義及網路通信協定。