密西根大學附設醫院將AI實際用在開刀房改進腦癌診斷流程

最新刊登在⟪自然-醫學⟫（Nature Medicine）學術期刊上的腦癌診斷論文，密西根大學醫學院附設醫院結合SRH（Stimulated Raman Histology）成像技術與深度學習技術，可以在手術的時候，將診斷腫瘤所需要的時間，從原本的30到40分鐘，縮短至不到3分鐘。

研究人員使用了一種稱為SRH（Stimulated Raman Histology）的成像技術，能在床邊快速取得腫瘤組織圖像，而這代表醫生不再需要等待處理、染色和解釋樣本等複雜手續，就能查看圖像，另外，研究人員應用深度卷積神經網路演算法，學習常見的10種腦癌特徵，對SRH圖像進行精確的預測。這項研究進展不只使得醫師能以傳統方法10倍以上的速度，掌握腦癌患者病情，而且達到更高的診斷精確度。

由於腦癌患者通常事前只曉得需要進行手術，但無法明確知道自己腦中的腫瘤是哪一種，而手術團隊也需要採集樣本，並交由神經病理學家處理之後才會知道答案。在收到檢驗結果之前，外科醫師無法進行手術，密西根大學醫學院附設醫院神經外科住院醫師Todd Hollon表示，這個過程的時間太長。

不過，在醫院使用SRH顯微鏡檢查技術之後，這個篩檢的過程得以縮短，醫師只要在病床旁，幾分鐘內就可以快速地取得數位圖像，並對患者說明詳細的病情，同時還能用來了解手術進行的狀況，判斷手術成功與否。但SRH顯微鏡檢查技術還是有其限制，特別是應用在膠質細胞瘤等特定的腦癌上，其結果仍然不夠理想，但是要進行手術，必須做出精確的判斷，因此研究人員想借助人工智慧的能力，改善診斷結果。

Todd Hollon以450位患者250萬張去識別化圖像訓練卷積神經網路，要以神經網路模型來預測腦癌類型，這些訓練圖像都是以SRH顯微鏡獲取，主要為常見的腦腫瘤類型。研究團隊為了要試驗傳統篩檢方法與人工智慧方法的差異，找來278名患者以兩種方法進行診斷，一種是從患者身上取得樣本，以傳統的方法染色和處理樣本，另外一種則是使用SRH成像，再以神經網路進行預測。

實驗結果顯示，利用卷積神經網路的診斷精確度為94.6％，而傳統篩檢方法則為93.9％。Todd Hollon表示，這項研究的價值在於，他們進行了將人工智慧應用在手術室的前瞻性研究，讓人工智慧工作流程真正用在臨床上，除了實際改變腦部腫瘤的診斷方法外，還提供了一種高度標準化的工具，可以用來廣泛地診斷腦癌患者。