AI 醫療應用

醫療影像資料占醫學資訊量 80%，每張醫學影像相關標註，皆是重要的醫療診斷資訊，若可收集放射科醫師平日工作之醫療註解資訊，將可大幅提升人工智慧訓練成效，降低電腦偽陽性與偽陰性之判讀，進而提高AI輔助醫學影像判讀之可行性，提升放射科醫師工作效率。尤其目前醫院在影像醫學科醫師人力普遍不足，預防意識抬頭以至於醫學影像判讀需求遽增，此外先進儀器產生資料量快速增長，皆造成相關工作負荷過重。又特別在偏遠地區專業影像醫學科醫師短缺，若能應用AI輔助醫學影像判讀，提高辨識率外，在影像微小的病灶查找、病灶連續追蹤上，亦可為醫療專業人員強化輔助操作能力。另結合相關檢查檢驗的報告提醒參考與比對，據研究可再提升輔助診斷正確率。最後，將確認的檢查發現導入結構化報告以支持進一步的臨床研究，亦為進入精準醫療目標不可或缺之步驟。本計畫期以建置一套影像AI報告產生平台，使用AI協助醫師更容易撰寫報告，減輕醫師負擔，系統內含可持續提高精準度的AI學習機制。

本系統提出一遷移式深度學習網路，由X光手部影像判別骨齡供臨床醫師診斷評估，係為全台唯一藉由AI深度神經網路的方式結合手骨X光影像輔助判斷，並將AI診斷結果結合門診系統，可讓醫師經由門診系統按鍵自動帶入到AI輔助報告該系統將透過卷積神經網路模型個別對男性及女性之骨齡影像進行訓練以建立自動化骨齡評估系統。

1.建立以國人為樣本的AI醫療影像辨識系統：本計畫使用彰化基督教醫院的國人醫學影像為樣本訓練AI醫療影像辨識模型，並採用CNN提升模型正確性與穩定度，期望從原本之二分法（良惡性）轉變為機率表現之BIRADS分級。 2.提升乳房X光攝影判讀效率與正確性：透過AI輔助，可降低放射科醫師工作量與降低病患等待報告的時間，且可降低醫生主觀判斷的差異並避免人為疏失。 3.為AI醫療影像大數據奠基：與台大生醫電資所合作，提升乳房X光攝影的AI醫學影像診斷準確度，未來可類化至電腦斷層掃描、超音波攝影，奠定醫療大數據的基礎。

1.透過人臉辨識持續監控管制者是否為其本人進行量測，以及其心率狀態是否高於個人的常值。 2.生理資訊檢測：員工及會員於居家期間內的特定抽查時間，進行生理資訊檢測 後，上傳該隔離者的生理資訊量測結果。

生理量值例如生命徵象，其中包含體溫、血壓、脈搏、呼吸、血糖等為居家照護每日必須量測數值，是長者身體狀況定期追蹤之指標，而生命徵象的異常更可作為後續衍生疾病的預警資訊。智齡科技透過合作照護機構蒐集之高齡者生命徵象歷史資料，進行分群（Clustering）與離異值分析（Anomaly detection）找出各分群群體的離異值，來設立每個群體的異常值判斷模型。此外，因生命徵象資料屬性為非均質，且具時間相依性高、資料數量大、個人化差異性顯著，故需要可持續學習新進資料的人工智慧技術，如以RNN (Recurrent Neural Network)、LSTM (long short term memory)來分析生命徵象時間序列。後續可透過每位長者的資料量持續累積，以建立個人之異常值判斷模型，提高適用至個人之模型判斷準確率。當異常值警示出現時，可透過資料庫中各種量測數值的變化軌跡，提供照護者與家人其對應的照護措施與衛教資訊提醒，掌握照護實施的黃金時間。

美髮連鎖店為了提供更好的頭皮護理服務給予消費者，長期花費大量的金錢與人事成本培訓「頭皮管理師」，培訓時間最少6個月。加上，人員異動頻率高，使人才的養成以及投入成本的回收困難。每位消費者的狀況不同，如何讓美髮師有一個簡單的工具幫助消費者認識與理解自我頭皮的健康狀況，並且能夠將頭皮的問題給予標示清楚，將是頭皮管理致勝的關鍵。堅兵智能打造的第四代膚質檢驗系統，蒐集超過幾十萬張不同圖資，使用電腦視覺深度學習網路，來辨識分析阻塞，油脂，敏感等各種膚質/頭皮的狀況，進而推薦消費者適合他們頭皮狀況的理療項目及產品，取代過去用人眼辨識的做法，大幅提高顧客滿意度。

本骨鬆AI輔助篩檢系統參照現有骨質疏鬆醫學指引作為判斷依據。透過訓練經過電腦比對黃金標準DXA檢測結果的髖部X光影像，本系統能分析髖部X光影像中股骨擁有骨質疏鬆風險，精度達9成以上。可搭配醫院既有X光機設備或現有X光車，並無硬體購置成本與儀器城鄉分布不均限制，且拍攝部位符合骨質疏鬆診斷醫學指引，將可補足骨質疏鬆篩檢市場的缺口，並提供潛在風險患者及早偵測與預防。

糖尿病自1987年以來一直佔據我國人十大死因前5名，而糖尿病患伴隨的併發症更造成我國醫療資源龐大的負擔，其中因糖尿病所衍生視網膜病變，更使得糖尿病患比一般人高出25倍的失明風險，因此國民健康署規定糖尿病患每年至少要進行一次眼底檢查，但經糖尿病共同照護網內之家醫診所統計，眼底檢查率歷年都是指標偏低的項目，原因不外乎診所缺乏檢測設備與眼科醫師，以新北市為例「全區29個行政區，其中13個行政區無眼科診所」，因此本計畫引進工研院開發AI輔助診斷系統，來協助非眼科醫生進行眼底圖判讀，並判斷糖尿病患是否該轉診至眼科，提高糖尿病患視網膜病變的早期篩檢率。 AI眼底圖影像輔助分析是一套針對糖尿病視網膜病變診斷開發的輔助AI系統，透過取得經醫師標註之資料集，設計一個卷積神經網路，採用機器學習技法讓該CNN學習如何從眼底影像萃取糖尿病眼底病變。已於3家醫院及6家診所進行服務驗證，實際受檢測人已超過4,000人次，訓練與測試影像判讀準確率已達 90%，以精準檢測分析數據供醫師作為判斷依據，提高視力醫療照護效率。

本產品專注於研發智慧加護病房(ICU)核心技術，將重症照護流程最適化用以提升醫護工作效率，作業環境無紙化，可降低整體醫療資源支出。經由自動化蒐集和整合醫院電子病歷紀錄與各項儀器之生理數據，進一步進行分析，並以人工智慧技術預測高風險重症病人相關之合併症與併發症(如:敗血症)。除此之外，我們的產品還支援遠端重症ICU照護，可提供遠距多點監控之重症照護服務，有效地解決全球重症照護人力資源短缺問題。

Labelhub 影像標記管理&自動學習及輔助系統，是專門設計給真的需要建模的人使用，它使用半自動化影像辨識的AI架構，結合人工標記的介面，和能自動生成標記資料的AI模型，搭配十足友善的客製化設計介面，協助解決標記影像工作流程中可能出現的各類問題，例如影像資料管理、人員權限控管、系統資源分配、模型版本控制…等。應用領域包括醫學影像辨識、科技業產品良率控管、製造業工安辨識、安全監控…等領域。

本應用核心緣起，即在於改善這些「診間依賴、資料分散、缺乏標準」的問題。藉由推動 722 居家血壓標準（7 天、早晚各 2 次、連續 2 週），並串聯診所、社區血壓站與居家設備的數據，建立一個完整的血壓管理網絡。我們同時導入 AI 技術，協助進行異常數據偵測、長期趨勢分析與個人化衛教，讓醫師與病人都能透過系統即時掌握狀態。

我國糖尿病患者視網膜病變盛行率約35％，且十分之一將會發展至威脅視力程度的增殖性糖尿病視網膜病變，造成巨額醫療照護支出。台灣糖尿病眼底拍攝需求大，但篩檢率低(約33%) ，透過「糖尿病眼部影像AI決策支援系統」能協助醫師短時間內更精確的診斷，並輔助非專科醫師/視光師初步快速篩選可能視力病變的病患，以提早控制與治療避免疾病惡化。工研院服科中心「AI+一站式視力健檢」採用嵌入式糖尿病眼底病變辨識系統，連接至數位眼底鏡，利用人工智慧之深度學習方法，醫生對糖尿病眼部專業經驗病變影像判讀的建模，從巨量醫療資料學習出糖尿病視網膜病變辨別模型，可直接完成糖尿病視網膜病變嚴重度判讀輔助即時診斷。「糖尿病眼部影像AI決策支援系統」整合眼底鏡設備，完整AI系統移植於不到10公分長的智慧閘道器，整合十餘款不同廠牌型號的眼底鏡設備；內含由數十萬張影像資料、統計分析及決策支援系統，所發展出高鑑別度、眼底影像AI模型篩出率(二分類正確率：93.86%) 截至2018年底已媲美Google來到世界第3。目前已成功導入企業健檢、醫院健檢中心、家醫科診所、眼科及視光中心…等。

狀態預測、故障診斷，提高血液透析設備可用度：台灣洗腎人數愈9萬人，洗腎(血液透析)，是一種高風險的醫療行為；患者須至特定醫療場所接受每周三次，每次4-5小時的治療。血液透析機是血液透析期間最重要的設備，治療前或期間如發生異常事件，不僅影響病人的治療安全，也影響床位的可用度。 以預測性維護方式，達到提升設備使用率的預期效益，計畫透過大數據，運用A.I.預測架構，以主動式「預測維修方式」取代「故障時才維修處理」的被動方式，提升血液透析機的可用度，不僅減少時間耗費和人力成本，也保障患者生命安全，期望降低(解決)血液透析機的非正常的狀況。 故障診斷-即時作業方式，當血液透析機有狀況時，可以根據設備實時狀態及相關參數，對這些參數進行數據清洗與分析，判斷診斷設備是否正常或故障因素。

如何避免用藥疏失是值得探討的一個重要課題在一般的用藥疏失事件中，配藥錯誤主要的因素，而造成配藥錯誤的主要原因，是由於藥名或包裝類似造成。慧誠智醫透過“AI機器學習技術”利用智慧視覺的辨識技術，對放入與取出的藥劑及劑量與數量進行確認，智慧藥櫃可減少人為錯誤導致拿錯藥品及數量等問題，避免醫療糾紛，以達到安全用藥的目標。

LibraLung天秤肺影為電腦輔助偵測系統(Computer-Aided Detection, CADe)，以人工智慧(AI, Artificial Intelligence)技術，輔助專科醫師判讀胸腔電腦斷層(CT, Computed Tomography)之肺結節影像。本系統以網頁介面操作，具備「肺結節偵測」及「輔助自動報告」兩大功能。 當系統偵測肺部電腦斷層影像疑似肺結節存在，系統自動於影像中標記肺結節之VOI(Volume of Interests)，以及對應肺結節之類型(Class)、肺葉位置(Lobe)、長短軸(Axes)及體積(Volume)資訊，並經由橫切面、矢狀面、冠狀面、最大投影橫狀面觀察肺結節型態。輔助肺結節偵測範圍，包含肺結節最大直徑尺寸為4 mm(含)至30mm(含)，類型不限為實質(Solid)、非實質(Non-Solid)或部分實質(Part-Solid)。 本產品經國內醫學中心測試，模型在偵測肺結節之FROC表現，平均每例偽陽個數(average number of false positives per scan)為2時，靈敏度(Sensitivity)為94 %；在肺結節之類型分類表現為Precision=0.93, Recall=0.93；在肺結節所在肺葉位置分類表現為Precision=0.99, Recall=0.99。