從2012年之後，人們發現到類神經網路演算法與深度學習的優越性，在影像辨識上利用深度學習及多項任務的效能都超越了其他傳統方法。而越來越容易取得的大型資料集正是推動深度學習研究發展的主要動力之一。目前醫學影像的傳輸與儲存已經有很好的標準及系統，所以我們有很多的影像資料。然而，大部分的醫學影像缺乏完整的標註和整理，難以用來做人工智慧的訓練。

在進行一些放射治療計畫的時候，醫師必須要在影像上將病灶標註出來，以利治療計畫的進行。在腦部的立體定位放射手術（Stereotactic radiosurgery, SRS），對於精確度的要求更高，醫師必須仔細將影像上的病灶（如腦瘤）畫出來，一點都馬虎不得。也因此，醫師對病灶的標註，就變成了人工智慧的訓練最好的材料。目前放射手術的對象較為侷限，大部分都是各式腦瘤和一些血管畸形，但若深度學習可以在此成功，同樣的技術也可以拓展到其他腦部的病變，如中風、外傷、退化等影像。

自2018年開始，我們利用臺大醫院電腦刀（CyberKnife）中心的部分資料，擷取了約1500組已標記的腦瘤MRI影像，經去識別化處理後，當做訓練資料，每年舉辦「腦瘤分割挑戰賽」，讓學生們運用深度學習的AI技術，在100組測試影像上，自動找出腦瘤並將輪廓畫出（圖一）。第一年時的成績稱不上理想，若以專科醫師的標註當作100分，冠軍團隊也就只拿到56分，可說是還不及格。然而，隨著技術的進步，近年的第一名已可超過80分。事實上，我們曾經算過，兩位專科醫師的一致性大約是86分。也就是說，AI已經很接近人類專家的水準了。

圖一 腦瘤分割之範例，實線為專家標註，虛線為自動分割，多數腫瘤都可自動找出來，少數不明顯的小腫瘤仍無法自動找出。

國際上另一個行之有年的腦瘤分割比賽Brain Tumor Segmentation（BraTS）Challenge只包含膠質瘤，腫瘤體積較大（中位數約30cc）。而我們提供的腦瘤影像包含了腦轉移、腦膜瘤、聽神經瘤、垂體瘤，以及其他較罕見的腦瘤，而且腫瘤體積較小（中位數約3cc），但是AI也大多能幫我們把腫瘤找到，並且畫出來。

當然，我們自己也想利用越來越成熟的AI技術，來幫助臨床工作。因此，和廠商合作，對於要接受電腦刀治療的病人，利用AI在MRI影像上初步畫出腦瘤輪廓，醫師再繼續來把它畫完。根據我們的統計，比起全部由醫師自己畫，大約可以節省1/3～1/2的時間。此外，對於多發性腦瘤（如腦轉移），醫師可以輕易找到較大的腫瘤，但要找到微小的腫瘤就較困難。雖然這些很小的腦瘤也可先觀察，不一定要馬上治療，但AI能幫醫師找到較小的疑似腫瘤，讓醫師決定是否要治療。合作廠商也很快就利用我們整理好的資料，開發出全球第一個通過美國FDA認證的腫瘤自動圈選AI系統。事實上，目前已有數家公司開發出類似的產品，國內也早已經有醫院將類似的系統導入門診，讓AI先看過片子，找出腦瘤並測量腫瘤體積。若有前一次的片子，AI也可以判斷腦瘤是否變大，或有新的病灶，提供醫師更多資訊來考慮後續的臨床處置。

近來，生成式AI（Generative AI, GenAI）已變成熱門的話題。除了利用AI繪圖之外，在紅得發紫的ChatGPT當中，G其實也是Generative的縮寫。我們也趕上了這個潮流，利用現有的腦瘤影像為基礎，訓練AI合成腦瘤影像（圖二）。合成的腦瘤影像非常的逼真，利用合成影像來訓練腦瘤分割模型，成效也很好。我們也把這些合成影像資料公開，希望促進腦瘤影像的研究。

圖二 AI可以合成各式腦瘤的3D影像。各位可以看出腦瘤在哪裡嗎？

總之，資訊科技的發展，讓我們能累積並運用各種影音、文字等資料，並開發出驚人的應用，迅速改變我們的生活。同樣的技術，也正在帶動著臨床診療的變革，為醫師提供更多更全面的病人資訊，協助醫師更快速、更準確地診斷和治療疾病，同時也提高醫療機構的管理效率和質量，為病人提供更好的醫療服務。

延伸閱讀

1. 病理 x 人工智慧

外科部神經外科主治醫師 蕭輔仁 網頁分享：