學術探奇

智能測新冠

竇琪以AI演算法革新肺部病變影像診斷

新冠肺炎肆虐令醫療體系百上加斤,而中大研發的一款人工智能(AI)可望分擔重荷。

竇琪教授研發了一套深度學習系統,可提升檢測新冠肺炎患者的肺部病變。她與計算機科學實驗室的研究團隊通力合作,設計出分散式機器學習系統,可以透過電腦斷層掃描(簡稱CT掃描)檢測胸部,找出新冠病毒導致的肺部病變。

研究成果結合了世界各地共七個醫療中心的數據,涵蓋威爾斯親王醫院在內等三家香港醫院,以及德國和中國內地的醫院。隨着病毒大流行席捲全球,各地的疾病檢測知識相應提高,使用「聯合深度學習」的自動化系統能協調多個醫療系統偵測病變和分享數據,加快偵測新冠病毒。

聯合深度學習令醫療中心之間分享數據時患者私隱得到保護

聯合學習的意思是訓練電腦演算法,在眾多分散式伺服器使用機器學習提高智能,而醫院無須交換患者的數據。此做法提升準繩度之餘,又能保障患者私隱。研究結果已於3月下旬發表於Nature其中一個公開取用的夥伴期刊npj Digital Medicine

每當AI系統掃描到肺部出現異常,醫生會隨之檢查AI的預測是否準確。AI前期篩查可以提高處理醫療數據的準繩度、速度和效率,協助醫生處理大量患者的數據。醫生通常需要五至十五分鐘來判斷醫學影像,AI則可以在幾秒內處理好。該電腦演算法還可以用百分比形式量化病變的確切範圍和嚴重程度,而醫生以往只會按個人見解判斷病例是「輕度」抑或「嚴重」。

人工智能便利新冠肺炎醫療影像分析

跨醫院網絡或跨國使用AI系統的挑戰之一,是每家醫院使用的設備各異,令AI直接比較數據出現困難。不同醫院使用各自的機械裝置,導致設置和結果不盡相同。

「情況猶如我有我的手機,你有你的手機,每部手機拍攝不同的圖像。」竇教授解釋說。「我們的目標是設計一種程式模型,即使醫院使用各自的設備,模型也可以應用於眾多醫院。」

系統判讀新冠病毒病變的準確率達95%。這甚至優勝於用傳統AI偵測癌症,後者的準確率約為90%。

AI在醫療領域的應用最初集中在改善檢測癌症等疾病,以及提高臨床醫護人員的工作效率。但竇教授希望突破AI使用界限。她相信許多相關應用程式會陸續面世,或者只是未受注意。

「我很熱衷涉獵這些新事物。」竇教授說。「研究的首要任務是發現問題,進而定義它。」

竇教授的AI系統還可以協助提升繪製腫瘤面積和範圍的影像質素。目前,腫瘤科醫生需要精準地在屏幕上繪製腫瘤的邊界,以界定其大小和範圍。

她指出:「這種繪圖非常耗時,醫生為每個患者繪圖的時間長達一至兩個小時。我們可以為腫瘤科醫生提供AI影像輸出,然後讓他們修改影像,加以改進。」

系統可以將勾勒腫瘤輪廓的過程縮短至二十分鐘左右。一日之內,能被系統掃描的案例可以增加至少40%。

系統同樣也適用於偵測新冠病毒。這種疾病往往會產生多個肺部病變,有些影響範圍大,但多數病例的影響範圍小。要描述每個病患的病變邊界,就要臨床醫護人員或醫生提供細節,但他們或許會忽略了微小的肺部病變。AI系統能察秋毫之末,篩查海量患者,獲得更精準的結果。

竇教授及其團隊獲2021年度ICRA最佳醫療機械人論文獎,是機械人技術與自動化領域的頂級獎項

竇教授任職於中大計算機科學與工程學系,她也致力開發電腦演算法,為遠程機械人微創手術的系統提供技術。此手術非常獨特,醫生並非和患者、護士與機械人身處同一空間,而每個人都在觀看多個屏幕。

竇教授現時面臨的挑戰之一,是以3D視點實時反映患者的體內實況。就內窺鏡手術而言,傳統方法是採用內窺鏡顯示患者的體內狀況,但是外科醫生只能看到內窺鏡當下拍攝的畫面,每次只能呈現一個視點。

竇教授的系統使用內窺鏡攝影機,將患者和手術部位的數據實時形成3D立體影像。內窺鏡不斷以新數據更新影像,但AI系統能保留之前的視點,為患者繪製更立體的影像。

此技術為外科醫生提供了具深度和新視點的影像,否則他們便要繼續依賴2D影像。AI系統還可以檢測靜脈和神經等重要生物表徵,萬一手術觸及危險區域,會發出警報。

迄今為止,患者的安全完全取決於外科醫生和護理人員的技術,依賴他們火眼金睛緊盯手術部位。竇教授說:「如果我們引入AI,便可視之為手術環境的後備保障。」這有助於提升手術安全,宛若使用影像診斷系統來提高掃描的準確度一樣。

中譯/jennylau@cuhkcontents
攝影/Eric Sin

倘中英文版本出現歧義,概以英文版本為準

標籤
竇琪 人工智能 數據 影像診斷 計算機科學與工程學系