人工智能视觉应用于医疗保健
http://bit.ly/2OcOpuE
勤业众信(Deloitte)与经济学人研究指出，全球医疗保健(Healthcare)支出规模估计在
2020年应该可达到8兆7千3百亿美金，而InkWood Research评估2016年以人工智能(AI)技
术应用在医疗保健中产业规模约12亿美金。
在医疗场域中，病理检验专科医师每天分析各种影像与整合判断，例如：
分类任务：从MRI脑部扫描影像判断是否为出血性中风？
辨识定位：超音波影像中肾脏在哪里？
扫描侦测：肺部CT扫描影像中所有的肿瘤？
圈选区块：肺肿瘤患者是否应该进行手术，如果是，切除范围应该是多少？
在单纯面对影像辨识时，医师像挑战“威利在哪里”(Where's Wally?)，在大片影像中找
出特定形体。
人工智能下的分支领域：深度学习(deep learning)，发展在1980年代遭遇瓶颈，直到
2012年多伦多大学AlexNet的深度网络结构获得重大突破后，影像辨识技术逐渐成熟，
2018年Google DeepMind以更优化网络，与英国眼科医院合作标注上万份视网膜扫描影像
中的病变区，训练的AI能正确辨识青光眼等疾病，早期测试错误率低于人类医师，排定计
画用于临床治疗。在医疗场域累积大量影像与AI视觉技术进步下，两者结合成近年热门研
究主题。
对于当前医疗保健产业，形成值得关注的核心议题：
有什么型态的AI视觉应用？
驱动什么具体的成果？
有以下4种形态的AI应用在医疗保健产业中：
1.诊断决策支援
MaxQ AI 提供设备和AI影像识别软件，协助医师找出脑部扫描中罕见异常，辅助在人眼观
察影像时，因感知误差而未被注意到的状况。
微软InnerEye让医师上传病人三维的X光扫描影像，显示可能是肿瘤或其他异常区域，让
医师更进一步观察这些部分。微软强调工具不是取代医师而是协助诊断，让原本由医师人
眼观察数小时，到由AI辨识缩短至数十分钟，即得到更精确诊断。InnerEye已通过FDA认
证。
2.减少临床试验的损耗
AiCure透过AI视觉与数据分析提供完整解决方案：建立病患、疾病和治疗处方之间联系，
用APP与影像辨识来确认病患摄取处方药，协助药物研究人员监测病患对处方的依从性，
减少病患中途脱离临床试验过程。
3.医疗影像
Arterys 4D Flow可在MRI扫描患者心脏后，显示3D模拟的心脏影像，让医师更加真实地了
解患者心脏状况，而无需耗时进行高风险的侵入性手术。透过上传未标记的患者扫描影像
，算法能够判断患者心脏是否健康或功能失调。Arterys 4D Flow已通过FDA认证。
4.手术
Gauss Triton让医师拍摄上传血淋淋的手术海绵影像与抽吸罐收集的失血，以视觉和重量
分析，让医生在手术过程即时监控失血状况，内部研究显示相较于没有使用工具，在剖腹
产时使用可以较少的血液产品在患者身上。此外，其住院时间也较短。Triton已通过FDA
认证。
目前最可行AI视觉应用还是在放射医学，其解决方案通常协助医师从X光、MR、CT扫描诊
断疾病和病症。而确认AI解决方案的关键之一，是拥有资讯科学或机器学习博士的高阶管
理者，还有能掌握大量影像资料与医学专业标注能力也是关键。在不久的将来，会有更多
医疗保健领域使用AI影像识别，协助医师在重复且容易造成感知误判下的辨识决策，还给
医师有更多时间建立良好的医病关系与整合分析研究。