人工智慧AI檢測肺癌成績亮眼
撰文／陳敦理
診斷早期肺癌困難重重
肺癌是肺、氣管或支氣管細胞發生異常分裂增生形成惡性腫瘤，與良性腫瘤不同的是惡性腫瘤生長不受限制，會透過淋巴、血液等轉移入侵、破壞身體其他器官，即使開刀切除仍可能復發。
吸菸是肺癌最大的危險因子，另外患有相關疾病像結核病、慢性肺病、家族成員曾經罹患肺癌、暴露在空氣污染、油煙、二手菸、石綿環境中都增加罹患肺癌的風險。肺癌也成為最近幾年許多國家民眾十大癌症死因第一位，臺灣每年超過九千人死於肺癌，美國每年也有十六萬人死於肺癌。
防治肺癌的最好方式就是早期診斷，不但可以防止癌細胞擴散也能提升病患生活品質與存活機率，然實務上面臨許多問題。肺癌早期診斷的困難在於症狀不明顯，等到身體出現異狀就診時大多晚期相當嚴重或癌細胞巳經轉移。病患若罹患肺癌早期診斷出來並接受治療存活率最佳，以低劑量電腦斷層掃描 （Low-dose computed tomography，LDCT)）檢驗肺癌雖然比傳統胸部X光加上痰液檢驗更有效，可以減少病患肺癌死亡率達百分之二十到百分之四十三，卻有費用昂貴、長期追蹤輻射暴露劑量高、準確度仍不足、過度診斷等問題。美國加州谷歌健康研究中心（Google Health Research）研究團隊發現電腦人工智慧可以判讀電腦斷層掃描影像協助醫師診斷早期肺癌，初步測試效果很好，準確率與放射學家不相上下。
電腦深度學習協助檢測肺癌
研究團隊運用電腦深度學習 （Deep learning) 演算法分析芝加哥西北大學醫院電子資料庫裡面四萬二千多筆低劑量電腦斷層掃描影像。
電腦深度學習巳經應用在我們生活中許多角落，像是智慧手機、生活助理的語音辨識、車輛自動駕駛等。深度學習是電腦機器學習的其中一種，特別的是在設計理念上仿照人體神經系統網絡結構，讓電腦能夠進行複雜運算、像人類般統整資料做出判斷。而判斷的優劣則取決於神經網路設計、訓練過程與訓練資料充足與否。深度學習的神經網路結構有好幾種，各有其擅長領域，有的適合處理時間、語意資料，有的協助電腦管理正在進行的工作流程，影像辨識則是卷積神經網路（Convolutional Neural Network，CNN）的強項，擅長處理空間數據資料。
人工智慧在深度學習的幫助下，功能變得相當強大，用在影像辨識上效果非常好，醫療方面Google人工智慧巳經在協助病理學家由組織切片顯微影像分辨癌症、協助眼科醫師為糖尿病患者看眼疾，不過還有許多限制需要突破。研究團隊教電腦辨識不同影像的特徵模式，像肺結核、癌症、骨折等。這套聰明的神經網路系統會按照一系列的指示來操作與反應，接著他們給電腦分析許多病患的斷層掃描影像，影像有原始電腦斷層影像和早期電腦斷層影像兩種，這些病患都巳經確診，其中有罹患肺癌、沒有肺癌、還有本來是腫瘤後來惡化成肺癌。早期肺部電腦斷層影像十分有用，可以顯示腫瘤生長速度是否異常，以此判斷為惡性腫瘤。完成調教後這套自動影像評估系統不用人協助即可從提供的影像判斷病患是否罹患肺癌。
AI檢測肺癌值得期待
研究團隊把電腦自動評估系統與六位放射學家的診斷一起進行比較，這些放射學家的臨床經驗最短有四年最長二十年。測試資料總共有6716名肺癌確診病患的電腦斷層影像，結果發現這套自動評估系統的準確率高達94%。如果沒有早期電腦斷層影像，系統判斷出肺癌的假陽性數目比放射學家減少百分之十一，假陰性數目減少百分之五，在有早期電腦斷層影像時，系統準確率和放射學家一樣好。這套模擬人體神經網路系統那麼聰明的原因在於放射學家通常是檢視上百張肺部平面電腦斷層影像，而電腦自動評估系統則檢視大量的立體斷層掃描影像，這需要非常大量的電腦運算。電腦透過立體影像比人透過平面影像更容易發現早期肺癌，再加上兩個不同時間點的影像，就巳經來到4D的層級。電腦深度學習科技讓早期肺癌診斷更加準確，也可以把特定病變分類做得更好。
電腦不但可以診斷出罹癌病患，也幫助沒有罹癌的民眾脫離昂貴、風險又高的侵入試肺癌檢驗。不過這套電腦肺癌自動評估系統還在研發階段，需要更大規模的臨床實驗來驗證其效果。一旦未來研發成功投入醫療，將成為肺癌防治的生力軍。
參考資料
- Ardila, D., Kiraly, A.P., Bharadwaj, S. et al. “End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography.”, Nature Medicine. 2019.
- 周秉誼。淺談Deep Learning原理及應用。 國立台灣大學計算機及資訊網路中心電子報。2016。
(本文由教育部補助「AI報報─AI科普推廣計畫」執行團隊編譯)