「創新人工智慧驅動之數位病理」研討會之二

AI如何真的幫到病理醫師? 北榮、林口長庚、中正大學、成大專家詳解做法

撰文記者 巫芝岳
日期2024-05-25
EnglishFrenchGermanItalianPortugueseRussianSpanish
AI如何真的幫到病理醫師? 北榮、林口長庚、中正大學、成大專家詳解做法。 (攝影/巫芝岳)
 今(25)日,由台灣個人化醫學研究學會主辦、台灣病理學會協辦的「創新人工智慧驅動之數位病理」研討會,下半場由台北榮總、林口長庚的兩位病理科醫師,以及中正大學與成功大學專精AI技術開發的教授,分享AI在數位病理應用的實際狀況、與演算法開發過程。
 

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)