北京醫院 數字肺 計劃: CAD肺癌篩查平台

醫學影像大數據 關聯智能醫療發展 2018-10-13經濟日報 翁永全通常醫學影像大數據是指數據量和數據，形式如數字、文字、圖像、聲音等。目前90％以上的醫療數據都來自影像，利用智能醫療來與醫學紀錄交叉比對，可幫助醫生精準診斷，挽救患者的生命。IBM的Watson 計畫，進行智能醫學影像分析，並收購醫學成像設備商Merge Healthcarec，幫助醫生及醫院儲存分析CAT、X射線及其他醫學影像；IBM計劃將Merge整合到自身的Watson人工智慧技術，使兩者資源合一，相互提供資源。大數據快速發展，使醫院改變傳統的醫療模式，達到疾病早期預防、診斷及治療。北京醫院等知名醫院聯合展開中國人的『數字肺』計劃，揭示支氣管、肺血管和肺實質結構與肺部的疾病關係，便是採用數據挖掘與量化分析技術，獲得重大的成效表現。上海多家大型醫療機構也合作展開『上海地區早期肺癌的影像篩查及診斷研究』項目，建構早期肺癌篩查平台影像大數據。該項目通過多家醫院多中心採集，研究肺癌病例數據樣本，建立了肺癌篩查及早期診斷的標準流程，幫助醫生減少漏診。早肺癌難以發現、容易漏診，肺癌篩查平台融入肺癌計算機輔助檢測（CAD），可自動精準識別影像中直徑更小的肺結節，提供大小、密度等參數供醫生參考；實施『雙盲模式』，第一份報告不參考CAD 檢測作為初診，第二報告參考CAD 完成終審報告，人機戶對照參考，改變醫生主觀診斷，減少漏診機率。影像大數據挖掘大致分為結構和非結構數據挖掘。前者包括：數值型數據、字符型數據，日期型數據；非結構數據挖掘有常見的自然語言、文本數據、各種圖像數據、音頻數據等。醫學影像數據挖掘屬於非結構挖掘，特點有：1.影像數據，一般具有相對的含義，而結構化數據則是絕對含義；2.影像內容的理解具有主觀性的特點，對影像信息有多種不同理解；3.影像信息種包含影像數據對象空間關係。影像數據挖掘方案，主要有功能驅動型模型及信息驅動型模型，包括：影像採集模塊、預處理模塊、搜尋引擎、知識發現模塊。信息驅動型模型分為象素層、對象層、語義層、知識層等四個層次。象素層跟對象層主要進行影像處理、對象識別和特徵提取。語義層跟知識層主要進行影像數據挖掘和知識整合。醫學影像及智慧醫療大多檢索國外分析的案例，新創公司Heartflow 2007年在美國成立，主要以心臟影像CT來解決冠狀動脈，提供心臟影像，非侵入式檢測冠狀動脈狹窄的程度。2015年才有具體進展，目前已有368 件專利申請，共募資4.7億美元，並有多國專利佈局，其專利價值指標分析落於3-50%，屬於高標，但品質指標較低。大數據醫療結合AI智慧醫療，加上專利權受重視，對人類未來醫學的演進將有重要影響。透過大數據分析計算，將以往的醫療紀錄加以比對，很多無法解答的問題一一破解。中國人口眾多，在政府扶持下，醫療數據快速累積，加上AI智能化發展，將不斷創新。企業要長久維持不斷創新，創新的技術要成為企業的資產，必需把技術專換成專利，才能成為公司的資產。新公司不在擁有多少廠房資產，專利數為公司技術的認定指標。專利數量在國際上不斷增加，數量呈跳躍式成長，電子業的專利權與侵權報導每日都有，醫療專利的報導相對較少。台灣過去處於劣勢，近年已有大轉變，台灣很多專利不再與國外侵權，甚至專利被國外侵權並訴訟成功。（本文作者簡天保：高全存企業董事長/高雄科技大學模具工程系 應用工程科學進修部碩士）