醫學成像中須關注的AI技術趨勢

作者 : Ivan De Backer,IDTechEx技術分析師

自從2010~2014年影像辨識軟體中導入深度學習,AI醫學成像診斷市場便進入了技術快速發展的階段。AI公司不斷嘗試擴充其產品功能和應用範圍,以在競爭激烈的市場中增強自己的影響力。該產業的主要創新圍繞著:提高資料的使用效率、提高AI技術的可用性,以及提高AI技術在放射科醫師眼中的價值。

人工智慧(AI)相關業者不斷完善和訓練他們的演算法,以改善使用醫學診斷成像檢測疾病的水準。

到2030年,醫療診斷中AI的市場將超過30億美元。根據IDTechEx的《2020~2030年醫療診斷中的AI:影像辨識、播放器、臨床應用、預測》報告,到那時,由於AI能比人類更高效地分析資料,醫學影像辨識AI的使用將成長近3,000%。透過簡化影像分析過程,這項技術可望改善診斷方案,最大程度地縮短治療時間(圖1)。

圖1 影像辨識AI是一種決策支援工具,可針對患者病情快速生成有效資訊。(圖片來源:IDTechEx)

自從2010~2014年影像辨識軟體中導入深度學習,AI醫學成像診斷市場便進入了技術快速發展的階段。AI公司不斷嘗試擴充其產品功能和應用範圍,以在競爭激烈的市場中增強自己的影響力。

該產業的主要創新圍繞著:提高資料的使用效率、提高AI技術的可用性,以及提高AI技術在放射科醫師眼中的價值。本文描述醫學成像中AI影像辨識技術的五大關鍵趨勢。

邁向高水準疾病檢測

在評估影像辨識AI對醫學診斷的價值時,其準確性是其首要考慮指標,AI業者正朝著實現高水準疾病檢測的目標努力。目前,儘管AI有可能徹底改變疾病診斷的過程,但其價值仍低於大多數放射科醫師的期望。

許多AI廠商優先考慮的是改進演算法。例如,荷蘭新創公司SkinVision成功提高了軟體的疾病檢測性能,以增強其作為決策支持工具的可信度。2014年,SkinVision的應用程式檢測到了81%的皮膚癌病例,人們認為這一比例還不足以準確地檢測黑色素瘤。到2019年,這一資料已攀升至95%,是市場上準確度最高——遠遠超過皮膚科醫生人工診斷70~80%的準確性(圖2)。

圖2 醫療診斷中的影像辨識AI。在不同疾病的檢測中,演算法診斷與人工診斷的表現進行比較。(圖片來源:IDTechEx)

如今,演算法的準確性是其第一大賣點,演算法準確性高的公司擁有極大的競爭優勢。高準確性有助於他們的技術被醫療機構採用,因為採用自動化定量分析所帶來的好處將超過改變工作流程引起的短期不便。

增加訓練資料集的多樣性來擴展軟體適用性

AI業者越來越重視擴展其軟體的適用性。目前,影像辨識AI演算法的局限性通常在於其應用限於特定人群類型。因此,如果患者資料與軟體先前接觸的資料類型不匹配,軟體的疾病檢測能力就會降低。

為了解決這個問題,AI廠商在演算法訓練中包含了更多樣化的資料集,並漸漸形成一個共識:訓練資料應涵蓋多種類型的患者——無論患者是何種族、遺傳背景或生理狀況,以便演算法可以辨識異常。例如,Lunit的INSIGHT MMG軟體檢測乳腺癌的準確率為97%,這是因為該公司對其演算法進行了訓練,可以辨識出不同密度和脂肪組織組成的乳房中產生的病變。

AI技術能成功處理數量龐大的患者,這凸顯了其技術和業界優勢。隨著軟體適用性的擴展,其使用率獲得提升,可用於更多的患者。

確保高影像解析度以最大化演算法效能

為使AI疾病檢測性能最佳並提高診斷的可靠性,高解析度影像的取得是關鍵。訓練期間使用劣質資料會影響深度學習演算法的進步過程和性能水準,模糊的影像會降低AI診斷的準確性,從而降低廣泛應用AI的可能性。

為此,AI公司正在尋找擷取更好影像的方法,以提高醫療診斷中影像辨識AI的價值。用來評估或改善影像品質的AI工具已經商業化,例如,美國的Subtle Medical使用影像辨識AI將不能進行分析的模糊影像轉換為高解析度的掃描影像。

印度Artelus使用了另一種方法,該公司開發了一種可以在採集影像後立即評估影像品質的系統,用以確定影像是否足以進行可靠的診斷,或者是否應該重新拍攝影像。

從單個影像檢測多種疾病

多種疾病的檢測是影像辨識AI應用的另一個重要趨勢。業者以前更願意專注於單一疾病的檢測,因為這種方法的成本要低得多,耗時也少得多。因此,現今許多AI分析工具能辨識出的疾病種類有限,他們的演算法可能會忽略或誤解那些未學習過的疾病,導致誤診,因此這些AI工具在放射學實踐中的價值並不是很大。

有些醫生需要多功能決策支援工具,為了增加產品對這些醫生的吸引力,AI廠商正在投入更多的資源,以便從單個影像或資料集中辨識出多種疾病。例如,DeepMind Technologies和Pr3vent的解決方案旨在從單個視網膜影像中檢測出50多種眼部疾病,而VUNO的演算法可以檢測到12種疾病。

對醫院和AI業者而言,能夠檢測多種疾病的軟體相較檢測特定疾病的軟體具有更大的價值。如果一次掃描檢測出多種疾病,就可以減少患者確診所需的檢查次數,從而將醫療費用降至最低。多種疾病檢測軟體適用範圍更廣,可以在醫院作為日常診斷工具使用。

將AI軟體整合到成像設備中

將影像辨識AI軟體直接整合到醫療掃描器中變得越來越普遍。當前,放射科的AI軟體通常是透過雲端平台部署,或是直接安裝在醫院內部伺服器上。採用這種做法,放射科需要適應新的工作流程,這將導致生產力降低,使醫院更不願意使用影像辨識AI。

AI廠商越來越願意直接將軟體整合到掃描器中,以促進醫學影像分析的自動化。AI軟體提供了強大的分析功能,可使醫院每日問診達到最多人數,並改善患者預後狀況。這種做法已經越來越多,最近的例子有,Lunit將INSIGHT胸部X光(CXR)檢查整合到GE Healthcare的胸腔護理套件中,以及MaxQ AI的顱內出血(ICH)檢測技術被嵌入到飛利浦(Philips)的電腦斷層掃描系統中。

(參考原文:Five AI technology trends to watch in medical imaging,by Ivan De Backer)

本文同步刊登於EDN Taiwan 2020年3月號雜誌

 

 

 

 

 

加入LINE@,最新消息一手掌握!

發表評論