會員登入
註冊
北榮梁文議：「經費昂貴」成病理科數位化最大障礙
台北榮總病理檢驗部醫師梁文議 (攝影/巫芝岳)
台北榮總病理檢驗部醫師梁文議，介紹數位病理在個人化醫療中的應用。他表示，醫療影像中數位化最快的為放射科，相形之下，病理科數位化速度則非常緩慢，多半還是得使用傳統顯微鏡進行，並且需製作出實體玻片費工費時。其中，設備費用昂貴、需持續投資的儲存空間、網路環境要求高、需額外聘僱人力掃片等，都是病理數位化困難的原因，且這些費用醫院難以從健保中尋得回饋。
梁文議分享，在北榮病理科內部，目前已有多項實際使用的AI演算法，包括：神經腫瘤中的突觸素(synaptophysin-Ki67)雙重染色、抗酸性細菌(acid-fast bacillus)、大腸癌淋巴轉移偵測等。
他也分享北榮團隊使用AI開發平台的經驗，其經過腫瘤轉移病灶標記、訓練模型，約一個月時間，就能產出一項用於協助病理影像標記的AI模型，最終敏感度可超過99%。這項演算法目前已經實際用於80個臨床病例。
林口長庚王翔生：「AI如何導入工作流程」 重要性恐勝優化AI本身
林口長庚解剖病理科醫師王翔生 (攝影/巫芝岳)
林口長庚解剖病理科醫師王翔生，與陳澤卿主任團隊開發出一套能讓研發人員不需寫程式(coding free)、能自動調整訓練迴圈、有AI協助標記，且具增強訓練(enhancement training)機制的數位病理AI開發平台「Easy Path」。
王翔生強調，「將AI放入臨床工作流程」有時其實比優化AI模型更重要，例如醫師若能直接在數位玻片系統中，順暢連結到AI標出的結果，不需額外再開程式，就會方便許多。他也表示，以病理科醫師角度而言，期望的AI工具是標記容易、訓練容易、推論容易的，才能在不需花費醫師過多精力的情況下開發，且易於導入臨床工作流程。
王翔生表示，目前病理科對於定量分析的AI應用，包括mitosis、Ki67、PD-L1表現的密度分析等，都是較常使用到的。
他也分享，AI也能夠有機會提供許多醫學未知的新資訊，例如臨床上發現部分FISH影像和HER2表現較低者，也可能對抗癌藥Herceptin治療有效，這與過去試驗的數據完全不同。他們也對此進一步研究發現，AI確實能數出人工「數不到」的生物標記表現，進一步回溯分析也發現，許多人為判定是陰性、AI判定陽性的患者，確實用藥治療後有一定的療效。
中正大學余松年：胃癌MSI自動偵測模型 AUC達0.99
中正大學電機系教授余松年 (攝影/巫芝岳)
中正大學電機系教授余松年，分享其團隊運用AI辨識胃癌「微衛星體不穩定性」(MSI)的研究成果。
MSI不但是致癌的關鍵因素之一，且也可作為是否適用新型免疫治療的評估因子(MSI陽性者適用)。余松年表示，MSI為一項不容易在影像中辨認出的基因亞型，傳統上需使用全基因體定序檢測，但費用昂貴、耗時較長，因此近年開始被探討能否以病理學方式檢驗。
余松年團隊先是進行病理切片影像提取、排除影像中組織稀疏的區塊，篩選出適用訓練的影像，且須經過顏色正規化等影像前處理。
在建構深度學習模型方面，他們使用卷積神經網路(CNN)、殘差網路(ResNet)、殘差注意力網路(Residual Attention Network)等學習技術，以及非局部網路模型(Non-local Operation)等技術優化；並且經影像後處理過程，讓腫瘤影像更明確。
團隊最終建構出能分辨正常細胞、微衛星穩定(MSS)和MSI的AI模型，曲線下面積(AUC)達到0.99。
未來，他們也期望進一步探討腫瘤旁的正常組織，與無腫瘤正常組織的差異，其他基因亞型，和其他部位腫瘤的MSI，也是其將拓展研究的方向。
成大詹寶珠：聯邦學習平台、知識蒸餾技術 突破AI病理跨院障礙
成大電機系特聘教授詹寶珠 (攝影/巫芝岳)
成大電機系特聘教授詹寶珠，則分享其團隊在病理AI的研究。她表示，數位病理工具發展中，標註零碎且耗時的工作，以及不同醫院間影像差異大，而降低AI模型可攜性，和資料量不平均等，都是目前遇到的問題。
因此，他們在一項整合型計畫中，透過ALOVAS平台和聯邦學習機制，希望達到能善用未標注資料訓練、強化模型強健性、容許粗略標註、具有跨院互通性，以及建構能持續性學習的學習策略。
詹寶珠表示，針對跨院使用的問題，必須在資料轉換過程中保留語意特徵(semantic feature)，才能解決因為如光線等些微的影響差異，導致AI判讀錯誤的問題。不過，由於醫院資料難以外流，因此他們使用知識蒸餾(knowledge distillation)方式，讓B醫院的AI去訓練A醫院的AI，突破不能直接取出Ａ醫院資料的問題。
另外，他們也使用交叉偽監督(Cross Pseudo Supervision)的監督學習機制，以及結合ranking和mixing機制，發展允許粗略標記的技術。
(報導/巫芝岳)
