既有的醫(yī)學(xué)影像診斷流程，大略可分拆解為四大步驟：一、至醫(yī)院看病檢查進(jìn)行初步診斷，臨床醫(yī)師會(huì)根據(jù)出現(xiàn)的癥狀，推斷可能患有的疾病；二、開單至放射科照X光、CT、MRI等影像檢查；三、放射科醫(yī)師會(huì)對(duì)影像進(jìn)行分析診斷，最後拿著影像診斷報(bào)告去找臨床醫(yī)師；四、透過報(bào)告分析制定合理的治療方案，而其中最主要的醫(yī)療流程為攝取影像及醫(yī)師判讀兩個(gè)部分。

在AI診斷的部分發(fā)展相對(duì)較早，可以減少醫(yī)師判讀工作，降低誤診及漏診的風(fēng)險(xiǎn)，而AI診斷技術(shù)主要可分為三項(xiàng)：偵測(cè)（Detection）、分割（Segmentation）及分類（Classification）。現(xiàn)在既有的AI偵測(cè)技術(shù)，可從一張影像透過AI精準(zhǔn)地偵測(cè)到單一病灶，例如腫瘤的位置，讓醫(yī)師能快速確認(rèn)而不至於漏看造成嚴(yán)重後果。在AI分割部分，可藉由AI從單一影像中分割出構(gòu)造的輪廓，例如骨骼形狀。最後AI分類部分，可進(jìn)行良性及惡性腫瘤的判別，以及較為簡(jiǎn)單的疾病嚴(yán)重程度分級(jí)，使醫(yī)療資源做有效的分配。

而隨著AI技術(shù)的進(jìn)步，新的AI輔助診斷內(nèi)容，在偵測(cè)的部分，由於一張影像中可能包含許多器官及不同種病灶，因此AI偵測(cè)技術(shù)進(jìn)步至可從一張影像中，偵測(cè)到多重病灶位置以了解整體病因。在分割部分，由於許多時(shí)候會(huì)需要不同種類的影像同時(shí)進(jìn)行診斷判讀，新的AI分割技術(shù)內(nèi)容，演進(jìn)至可同時(shí)進(jìn)行不同種類影像的分割，提供更準(zhǔn)確的影像比對(duì)，增加訊息量。最後是分類，最新的研究為使用AI，可判斷整體器官的健康狀況，以利後續(xù)作更精準(zhǔn)的治療及預(yù)防。

雖然減少了醫(yī)師判讀的困難，但攝取影像流程仍有問題需要克服，包含耗時(shí)、輻射，而針對(duì)這些問題，對(duì)於拍攝影像就產(chǎn)生了額外的需求，例如為了降低輻射劑量，便會(huì)使影像品質(zhì)下降，因此研究指出將AI導(dǎo)入至診斷之前的影像重建部分，僅需耗費(fèi)數(shù)十毫秒便可自動(dòng)產(chǎn)生清楚而準(zhǔn)確的影像，進(jìn)而減少輻射照射時(shí)間。

圖一 : AI診斷技術(shù)主要可分為三項(xiàng)：偵測(cè)、分割及分類。（source：www.ijri.org）

首先是解決在拍攝過程中，受測(cè)者可能會(huì)移動(dòng)，或體內(nèi)含金屬物質(zhì)，而使影像中出現(xiàn)偽影（Artifact）的現(xiàn)象，因此運(yùn)用AI技術(shù)將偽影刪去，以降低後續(xù)錯(cuò)誤診斷發(fā)生的機(jī)率。第二項(xiàng)是AI超解析度（Super Resolution）的技術(shù)，能將影像從模糊轉(zhuǎn)成細(xì)緻，以較少的資料量產(chǎn)生高品質(zhì)的影像，如此便可縮短掃描的時(shí)間，現(xiàn)有研究可以縮短MRI掃描一半以上的時(shí)間。

第三是因輻射問題，低輻射劑量的CT掃描被大家所要求，低劑量CT的輻射量可以降至約0.3~0.55mSv，遠(yuǎn)低於傳統(tǒng)電腦斷層掃描3~27mSv，但降低輻射劑量會(huì)使影像的雜訊提升，而透過AI技術(shù)可將雜訊去除，留下精準(zhǔn)的器官影像。以及最後將AI用於影像配準(zhǔn)技術(shù)（Registration），自動(dòng)偵測(cè)兩種影像得到特徵，然後通過匹配的特徵，進(jìn)行影像配準(zhǔn)輔助不同的影像合併，呈現(xiàn)足夠的資訊，以利後續(xù)的診斷分析。

在影像合併診斷的部分，除了透過AI進(jìn)行影像配準(zhǔn)合併影像雖有不錯(cuò)的效果，但運(yùn)用AI合成醫(yī)學(xué)影像，進(jìn)行影像合併診斷仍有困難需要克服，例如CT與MRI的成像效果並不相同，有時(shí)需搭配診斷呈現(xiàn)足夠的資訊，但即便是低劑量CT仍然是一種具輻射的影像檢查，因此透過AI從MRI合成CT影像，直接就可以將影像合併進(jìn)行診斷，省去拍攝兩次影像以及接收輻射的問題。

另外是在PET的部分，主要有PET／CT及PET／MRI兩種方式，臨床上PET／CT主要藉由轉(zhuǎn)化CT值與線性衰減係數(shù)值之間的能量轉(zhuǎn)換關(guān)係進(jìn)行衰減校正，而因CT輻射問題，PET／MRI逐漸獲得關(guān)注，但MRI無法直接得到衰減係數(shù)，需要通過特殊的方法進(jìn)行，較CT複雜許多，因此有研究一樣提出運(yùn)用AI從MRI合成出CT影像，並計(jì)算出CT值比較容易且快速完成PET的衰減校正。

最後是探討AI合成醫(yī)學(xué)影像的技術(shù)，除了可以解決影像合併診斷所遇的困難外，亦有研究探討幫助AI的模型訓(xùn)練。現(xiàn)有許多的AI系統(tǒng)存在很大的問題，在於模型需要大量的資料來訓(xùn)練，但要取得醫(yī)學(xué)影像資料是相當(dāng)困難的，包含最大的問題在於醫(yī)學(xué)影像牽涉到病患的隱私，以及影像的品質(zhì)、種類等篩選工作繁複，使現(xiàn)有很多AI模型在訓(xùn)練時(shí)都有很高的準(zhǔn)確度，但一落地實(shí)際進(jìn)行診斷，準(zhǔn)確度就下降很多。

透過AI從既有的影像中，合成出MRI或CT影像來訓(xùn)練AI診斷模型，藉此方式即可解決醫(yī)學(xué)影像隱私的問題，且影像中病灶的位置、大小與種類皆可隨意的無限變化，針對(duì)不同疾病自動(dòng)提供齊全且低成本的影像資料，使AI診斷模型的訓(xùn)練可以更加的完備。

透過AI得以解決醫(yī)師人工閱片，以及攝取影像的許多問題，但導(dǎo)入AI至醫(yī)學(xué)影像醫(yī)療流程中，仍存在些許困難。例如在開發(fā)AI系統(tǒng)前，需蒐集大量醫(yī)學(xué)影像資料，交由一些資深的醫(yī)師標(biāo)註出病灶位置，產(chǎn)出有標(biāo)註病灶的影像資料，供AI模型進(jìn)行訓(xùn)練，但如此便會(huì)占用到許多資深醫(yī)師的時(shí)間。而在另一部分，AI模型訓(xùn)練對(duì)醫(yī)師來說為一黑盒子，AI研發(fā)業(yè)者須與醫(yī)師進(jìn)行許多的溝通討論，校正AI模型，費(fèi)時(shí)且人力成本高昂。

雖然透過AI解決了影像重建和診斷的問題，但延伸至前後的醫(yī)療流程也仍存在一些難題尚未解決，例如初步診斷的部分大多皆為病患發(fā)病了之後才前來檢查，無法做到疾病預(yù)防的效果，且許多時(shí)候無法準(zhǔn)確判斷該拍攝何種影像。而在後續(xù)診斷報(bào)告的撰寫，對(duì)放射科醫(yī)師而言相當(dāng)耗時(shí)，且難以有效地搭配病患的病歷資訊，以及最後產(chǎn)出報(bào)告上的資訊都較為專業(yè)，有待醫(yī)師細(xì)心解釋了解影像資訊。

圖二 : 在AI導(dǎo)入的過程中，需適時(shí)地創(chuàng)造新的服務(wù)加以協(xié)助。（source：Muhendisbeyinler.net）

以上AI導(dǎo)入醫(yī)療流程的困難，需要更大規(guī)模的流程整合，因此如何將AI技術(shù)延伸至診療流程的前置處理與後期判讀，更為重要。

首先是在AI導(dǎo)入的過程中，需適時(shí)地創(chuàng)造新的服務(wù)加以協(xié)助，如上述提到的標(biāo)註問題，則可提供AI輔助標(biāo)註系統(tǒng)，透過另一AI半自動(dòng)地完成粗略的病灶標(biāo)註，且自行區(qū)分出標(biāo)註的難易，將尚未確認(rèn)的標(biāo)註影像，分派給資深及資淺的醫(yī)師分工進(jìn)行後續(xù)檢查核準(zhǔn)，則可使標(biāo)註的效率大大的提升。

而AI模型訓(xùn)練黑盒子的問題，則可透過AI可解釋化技術(shù)，呈現(xiàn)出AI的訓(xùn)練過程、正在執(zhí)行的任務(wù)、訓(xùn)練次數(shù)及成效，則可拉近AI模型與醫(yī)師的距離，產(chǎn)生較多的互動(dòng)，節(jié)省溝通的時(shí)間與成本。在導(dǎo)入新的AI工具的同時(shí)，需有新的服務(wù)加以協(xié)助，則可改變既有的工作流程，並創(chuàng)造新的工作模式。

接著，透過AI進(jìn)行醫(yī)院既有系統(tǒng)的優(yōu)化，業(yè)者可開發(fā)各式AI系統(tǒng)整合至醫(yī)院的各個(gè)系統(tǒng)當(dāng)中，包含上述所提到的AI影像處理系統(tǒng)，及AI診斷系統(tǒng)，就必須與醫(yī)學(xué)影像儲(chǔ)傳系統(tǒng)（Picture archiving and communication system；PACS）進(jìn)行整合。

至於另一AI可以將醫(yī)學(xué)影像資訊自動(dòng)轉(zhuǎn)成文字，並生成報(bào)告，解決醫(yī)師撰寫報(bào)告的耗時(shí)問題。在報(bào)告生成的同時(shí)，可開發(fā)其他AI，結(jié)合放射科資訊系統(tǒng)（Radiology Information System；RIS）及電子病歷系統(tǒng)（Electronic Medical Record；EMR），將病患的個(gè)人歷史影像，及非成像的病歷數(shù)據(jù)結(jié)合至報(bào)告當(dāng)中，使診斷報(bào)告的資訊更加完備。

而下一步可運(yùn)用AI完成自動(dòng)化分析，結(jié)合至臨床資訊系統(tǒng)（Clinical Information System；CIS），提供風(fēng)險(xiǎn)評(píng)估、臨床諮詢、輔助診療等決策參考，提高醫(yī)護(hù)人員的工作效率，另一方面將報(bào)告內(nèi)容呈現(xiàn)簡(jiǎn)易化資訊，讓病患明確知道該注意哪些事項(xiàng)。最後結(jié)合醫(yī)院資訊系統(tǒng)（Hospital Information System；HIS），可實(shí)現(xiàn)自動(dòng)化排程透過AI進(jìn)行病患篩選及設(shè)備選擇，以實(shí)現(xiàn)最有效率的疾病預(yù)防與資源分配。

圖三 : 醫(yī)學(xué)影像醫(yī)療流程延伸問題（資料來源:資策會(huì)MIC／2020年1月）

AI醫(yī)學(xué)影像醫(yī)療流程延伸出新應(yīng)用，如上述提及AI亦可協(xié)助處理其他非成像的數(shù)據(jù)，例如病患的病歷資訊，並於後續(xù)結(jié)合其他新興技術(shù)，例如可將AI系統(tǒng)建置在雲(yún)端平臺(tái)上，方便串接至各個(gè)醫(yī)院系統(tǒng)當(dāng)中。而如後續(xù)結(jié)合5G技術(shù)，則可打破醫(yī)院地域的限制，改變既有在單一醫(yī)院拍攝影像並診斷的模式，未來則可將菁英的醫(yī)師集中，共同研究新的治療技術(shù)，同時(shí)仍可提供各地區(qū)的病患做診療的諮詢，使資源做有效的分配。

而結(jié)合區(qū)塊鏈技術(shù)，則可使病歷資料獲得更安全的保護(hù)，在未來也可以改變病歷的管理模式，例如英國(guó)的Medicalchain公司，便提供病患管理自己病歷的平臺(tái)，將病歷資訊紀(jì)錄在區(qū)塊鏈上，而病患可自由地授權(quán)自己的病歷給醫(yī)院、藥局，或保險(xiǎn)公司等與醫(yī)療資料有關(guān)的機(jī)構(gòu)，逐漸改變病歷資訊管理者的身分。未來可再將更多的技術(shù)及應(yīng)用結(jié)合至醫(yī)療領(lǐng)域當(dāng)中，並透過這些價(jià)值延伸，將能提升臺(tái)灣的醫(yī)療產(chǎn)業(yè)能量，創(chuàng)造新的商業(yè)價(jià)值。

（本文作者張軒豪為資策會(huì)MIC產(chǎn)業(yè)分析師）