傳統人工判讀
」
老婦爆發腦中風「只花90秒鎖定傷區」 AI大數據助急救更迅速
79歲的林女士在廚房做菜時，突然發生左側手腳無力，被家人送到中國醫藥大學附設醫院急診，林女士左側手腳僅能稍微移動、左側忽略症、左側顏面麻痺、嚴重口齒不清，神經部蔡昇達醫師初步研判為右側大範圍腦中風，需要立即進行電腦斷層掃描，幫助找到腦部受損位置與面積。中醫大附醫專家團隊先以無顯影劑的腦部斷層影像確認林女士損傷狀況，為避免長者施打顯影劑可能突發的健康風險，以及加速醫師臨床評估的準確性，中醫大附醫專家團隊隨即啟動人工智慧中心開發的「iStroke腦中風診斷平台」。運用AI大數據建構的人工智慧模型，分析CT腦部影像，並模擬其施打顯影劑後的影像，來預測林女士損傷的腦部區域落點與體積，診斷出林女士為右側中大腦動脈阻塞導致缺血性腦中風，結合後續AI分析CTP得到的可救治區域與不可救治區域等資訊，輔助醫師判斷其治療成效。中國醫藥大學附設醫院神經部蔡昇達醫師，立即建議林女士接受「經動脈腦血栓去除術」，隨即由取栓治療專家神經外科郭政宏醫師進行治療，及時取出動脈血栓。林女士術後恢復狀況良好，不僅降低了大範圍腦中風後的死亡風險，其左側肢體與口齒不清的狀況大幅改善，手腳可以抬高，並從原本臥床狀態進步到可以乘坐輪椅，而忽略症也消失了，後續將繼續復健以強化肢體力量。腦中風發生後會嚴重地影響患者的生理功能，甚至導致死亡，電腦斷層檢查是現今相當重要的高階醫療影像診斷技術，神經部蔡崇豪主任指出，臨床上依據腦部灌流掃描來診斷缺血性腦中風並評估其範圍時，需要花費額外時間來施打顯影劑以及完成腦部掃描。此外，慢病族群、急性腎臟傷害或重度慢性腎衰竭等病人對顯影劑也可能有過敏風險，注射顯影劑時，會發生噁心及嘔吐，若原本意識不清者，可能會因為將食物吸入肺臟而產生肺炎。中醫大附醫神經部與人工智慧中心合作，運用大量NCCT影像資料，設計出『無顯影劑電腦斷層下的缺血性中風偵測系統』，只要約90秒即可判斷有無急性缺血性腦中風，再結合中國附醫開發之『腦部灌流掃描（CTP）成像智慧分析系統』，建立iStroke平台，強化對於腦中風的診斷與治療決策能力。中醫大附醫人工智慧中心許凱程主任強調，「iStroke腦中風診斷平台」平台利用深度學習架構以近400位病人資料進行人工智慧模型的訓練，使模型學習分析NCCT及CTP影像，自動圈選出腦部缺血區域、以及其內部的核心區域和缺血半影區域，以協助醫師準確評估急性缺血性腦中風患者接受緊急處置後的療效。目前該系統對於大於70毫升的腦部缺血體積，達到92.5%的準確率、100%的敏感度、與89.7%的特異性，已突破傳統人工判讀的能力。中醫大附醫神經部呂明桂醫師表示，依據衛生福利部2021年統計顯示，腦血管疾病高居第四位，死亡人數超過1.2萬人。中風對國人健康衝擊甚鉅，且中風造成失能的後遺症，是我國成人殘障的主因之一，存活下來的病人往往會經歷漫長的復健，以期改善生活功能，但仍有許多患者需要長期照護並承受終身失能的痛苦，同時也導致社會與家庭沉重的負擔。呂明桂醫師進一步說明，中風可分為兩大類，其中大約80%的腦中風屬於缺血性腦中風，而20%則是出血性腦中風：出血性中風為突然的激動、血壓升高或其他原因造成腦部的血管破裂，血液進入腦部組織，進而引起腦部大範圍的受損。至於缺血性中風，則是目前台灣最常見的腦中風型態：由於腦血管硬化，導致血管狹窄及閉塞或心臟病引起血凝塊阻塞了腦部的血管或動脈，使腦細胞缺血缺氧受損，呂明桂醫師說，急性缺血性中風的治療具有急迫性，病人被診斷和接受治療的時間越久，可以挽救的腦部缺血範圍就越少。因此快速診斷病人是否罹患急性缺血性中風，並量化可救治的腦部範圍，是病人可以及早接受治療與恢復良好的關鍵之一。中醫大附醫的無顯影劑電腦斷層下的缺血性中風偵測系統在快速識別可接受經動脈腦血栓去除術的腦中風患者方面取得了不錯的成果，發表於台灣神經醫學學會第23屆年會並獲得優秀論文獎項，另外也發表在2022年的亞太中風會議上。該平台能協助醫師提高腦中風的診斷效率，使更多患者能接受緊急治療，改善其病後的生活功能。
AI好給力2／防猝死又不遺漏癌細胞 智慧判讀將「打破名醫迷思」
許多人生病後總會到處尋求知名醫師治療，因此這些名醫的門診往往大排長龍，甚至出現「掛號黃牛」，但隨著人工智慧科技的介入，無論是經驗豐富的老醫師或菜鳥，只要搭配AI判讀，就能更精確判斷病況，可預防心肌梗塞導致猝死、也不會漏掉影像檢查中癌細胞的蛛絲馬跡。75歲陳伯伯有一天起床突然感到胸悶、上腹不適，就醫後診斷為輕度胃食道逆流，但治療一個月後卻始終沒有改善，於是醫師將陳伯伯轉介到心臟內科，在進行運動心電圖檢查後，發現陳伯伯最大心跳為每分鐘139下，呈現輕度缺氧狀態，依照傳統判讀為冠狀動脈血管阻塞50%，屬於中度風險，只要後續追蹤觀察即可。中國醫藥大學新竹附設醫院心臟血液系吳宏彬醫師表示，為精準評估陳伯伯的心血管狀態，於是進一步採用「運動心電圖AI輔助判讀系統」同步判讀，透過大數據交叉比對心電圖的資訊，結果AI報告顯示陳伯伯的冠狀動脈血管阻塞機率已高達72%。這讓吳宏彬提高警覺，立即為陳伯伯進行心導管冠狀動脈攝影，赫然發現陳伯伯血管狹窄程度已高達99%，緊急置入心臟支架於冠狀動脈治療。若是依照傳統判讀結果讓陳伯伯返家觀察，陳伯伯很可能會突然爆發心肌梗塞猝死，但由於AI輔助判讀的介入，才讓陳伯伯逃過死劫。中國醫藥大學附設醫院心臟影像科梁馨月主任表示，運動心電圖是診斷冠狀動脈疾病的重要工具之一，傳統以人工判讀的方式不僅耗時，而且往往難以區別細微的差異性，人工分析的準確率臨床上只有40%~50%。有鑑於此，中國醫藥大學附設醫院人工智慧中心蒐集4年來近千筆冠狀動脈阻塞達70%以上的運動心電圖像，並與心導管資料結合，設計出「運動心電圖AI輔助判讀系統」。人工智慧中心主任許凱程表示，目前AI模型準確度約80%，敏感性為88%，分析後的數據可突破傳統人工判讀的限制。透過大腸鏡檢查及早發現瘜肉可及早偵測大腸癌，但傳統判讀的結果會因醫師經驗而有所不同。（圖／報系資料庫）除了更積極預防猝死之外，AI輔助判讀也能防範連續15年患者人數最多的大腸癌。根據國健署2022年資料顯示，台灣每年有近1萬7000例大腸癌新發生個案，雖然大腸鏡檢查已被證實能有效降低死亡率與發生率，但隨著醫師判斷大腸鏡偵測腺瘤的能力不同，也可能會遺漏危險病徵。台大醫院、國泰醫院、雲象科技因此共同研發「大腸鏡即時AI瘜肉偵測」，跨兩院共收集超過3000位病患、逾40萬張影像資料提供人工智慧訓練，包括一般肉眼不易觀察到的瘜肉，皆能被AI捕獲，準確度高達95%。台大醫院健康管理中心暨綜合診療部主任邱瀚模表示，就算是經驗豐富的醫師，對於小於5毫米的瘜肉遺漏率仍可達23%，但若有AI工具的輔助，精準度就可達9成以上，甚至是難以察覺的扁平型、凹陷型的大腸瘜肉也難逃過AI偵測。國泰醫院消化內科主任洪志聖認為，未來醫師執行大腸鏡檢查時若搭配此AI系統，即可以每秒30張的影像辨識能力偵測腸道並標示出瘜肉，即時、有效判讀大腸鏡檢查影像，不僅更有效率，也能解決醫師間偵測診斷能力的落差問題，讓患者獲得更好的醫療品質。
男子以為胃食道逆流 AI及時判斷「血管堵塞72%」逃過猝死
75歲陳伯伯平日生活習慣良好，有高血壓病史，有一天起床時陳伯伯忽然感覺胸悶心悸，原以為是胃食道逆流，到中國醫藥大學附設醫院尋求協助，經消化內科再轉介到內科部心臟血管系，吳宏彬醫師建議陳伯伯使用運動心電圖檢查心血管狀態，運動心電圖顯示陳伯伯運動最大心跳每分鐘139下，ST段輕度下降呈現缺氧，依傳統人工判讀與風險因子評估僅為冠狀動脈中度風險（冠狀動脈血管嚴重阻塞程度50%），屬於後續追蹤觀察，無需介入檢查。為幫助精準評估陳伯伯的心血管健康狀態，吳宏彬醫師採用中國醫藥大學附設醫院今年五月起推行的「運動心電圖AI輔助判讀系統」同步判讀，透過大數據交叉比對心電圖的資訊，AI報告顯示：陳伯伯的冠狀動脈血管嚴重阻塞機率已高達72%。於是吳宏彬醫師進一步建議，應進行心導管冠狀動脈攝影作內部精密檢查，結果顯示，陳伯伯左前降支狹窄竟已高達99%，吳宏彬醫師當下立即經皮冠狀動脈介入，並緊急置入心臟支架於冠狀動脈治療，陳伯伯萬幸逃過心肌梗塞一劫。陳伯伯出院後，胸悶狀況明顯改善，且配合飲食調整、運動養成及藥物控制，目前心臟狀況良好，持續在門診穩定追蹤。中國醫藥大學附設醫院心臟血液系吳宏彬醫師指出，心臟本身所需的氧氣主要透過三條分枝的冠狀動脈供給，讓心臟保持完整的功能；當供給心肌血氧的任何一條冠狀動脈發生狹窄或阻塞時，就會阻斷心臟的氧氣及養分供給，導致心肌缺氧，抑制心肌收縮，使心臟無法搏出正常血液量，嚴重者引起心衰竭或心律不整，一般而言，心絞痛、心肌梗塞是中高齡常見的冠狀動脈心臟病，更是形成猝死的主要原因。吳醫師分析，冠狀動脈阻塞通常是由於多重因素，例如抽菸、年紀大、糖尿病、高血酯等形成「動脈粥樣硬化」瘢塊而限縮血管的管徑。當病人運動的時候，因為管徑縮小造成供應心臟的血流不足，病人因而會有胸悶、呼吸喘等癥狀，臨床上稱為「冠狀動脈疾病或心絞痛」。當動脈粥狀硬化瘢塊發生破裂與血管內的血小板和凝血因子交互作用，快速形成血栓便完全塞住了血管，造成血管下游的心肌損傷甚至死亡，就是臨床上的急症「急性心肌梗塞」。 中國醫藥大學附設醫院心臟影像科梁馨月主任說，衛福部統計民國110年國人十大死因，心臟疾病依然是高居國人第二大主要死因，僅次於癌症，且因心血管疾病死亡的人數每年持續上升，顯示國人心血管健康議題，需要被重視，梁馨月主任進一步分析，運動心電圖是診斷冠狀動脈疾病的重要工具之一，然而，傳統的人工判讀十多張心電圖不僅耗時，且往往難以區別細微的差異性，人工分析準確率臨床上只有40%-50%。有鑑於此，中國醫藥大學附設醫院人工智慧中心蒐集四年來近千筆冠狀動脈阻塞達70%以上的運動心電圖像，並與心導管資料結合，設計「運動心電圖AI輔助判讀系統」。許凱程主任表示，「AI透過深度學習架構進行訓練，透過擷取運動心電圖3個時間點的訊號，使模型學習由靜態至動態運動心電圖訊號的變化；此外，AI模型也挑選10個量測特徵和2個衍生特徵訊號，如過去病史、最大做工等，一同輸入至模型中進行訓練，用以判別患者冠狀動脈是否嚴重狹窄超過70%。目前模型準確度約80%，敏感性為88%，分析後的數據可突破傳統人工判讀的限制」。梁馨月主任進一步建議，中高齡族群為了瞭解與維持自身心血管健康，每年健檢不妨增加運動心電圖，進一步分析心臟運作，若增加透過人工智慧輔助分析，更能精準地預測心血管疾病演變，及早給予治療，防範未然。