由於醫生在為病人進行大腸鏡檢查的時候,有機率疏漏病人大腸中的息肉,因此Google使用機器學習,以改善大腸鏡的檢查結果。Google所開發的深度學習C2D2方法,可以透過捕捉影像深度,對大腸進行3D重建,顯示已被檢測與未被檢測的部位,藉此提升大腸檢查覆蓋率。而實驗證明,機器學習能有效解決大腸鏡篩檢覆蓋率(Coverage)不足的問題。

大腸癌目前是致死癌症的前幾名,在臺灣,大腸癌致死率是所有癌症的第3名,在美國則是排名第2的致死癌症,每年因大腸癌死亡的美國人達到90萬人,而Google提到,在真正癌變之前,可以透過去除大腸中的息肉來預防大腸癌,且只要息肉檢出率能提升1%,大腸癌的發生率就能降低6%。

大腸鏡被列為移除息肉的黃金標準程序中,但文獻指出,醫生在進行大腸鏡檢查的時候,平均會漏掉22%到28%的息肉,而且會漏掉20%到24%可能會癌變的腺瘤(Adenoma)。主要原因有2個,有可能是雖然息肉出現在大腸鏡的畫面中,但是因為息肉形狀扁平較小,導致醫生漏看,另一種原因則可能醫師在操作內視鏡的時候,檢測範圍沒有覆蓋所有相關區域,導致息肉沒有出現在視野中,醫生也就無法發現所有息肉。

在Google發表的研究,期望利用深度學習演算法C2D2,來解決大腸鏡檢查覆蓋率不足的問題,而所謂的檢測覆蓋率,就是在檢測過程中,涵蓋了大腸相關區域的百分比,Google提到,比回顧性分析更有效果的方法,是直接在醫生進行大腸鏡檢查時,能即時地提醒醫生覆蓋範圍不足的部分,醫生能夠立即針對這些區塊,再次進行檢測,透過提高檢測覆蓋率,就有可能發現更多的息肉。

C2D2演算法分為兩部分,第1部分計算每一影格的深度圖,計算深度圖包括了深度估算以及姿勢估算,也就是內視鏡在空間中的位置和指向,而第2部分則是利用深度圖計算覆蓋率。為了從深度圖計算出覆蓋範圍,Google使用合成以及真實兩種影片資料訓練C2D2,合成影片使用大腸的圖像模型創建,而真實影片資料則使用去識別化的大腸鏡檢查影片,但這些真實影片沒有覆蓋範圍資料。

Google請醫生以及C2D2演算法,同時對合成影片進行息肉檢查,發現C2D2的平均絕對誤差為0.075,而醫生的平均絕對誤差則為0.177,醫生的平均絕對誤差明顯較大,C2D2的精確度是醫生的2.4倍。

更為重要的是兩者在真實大腸鏡影片上的表現,不過,因為真實影片缺乏基準真相,因此不知道實際的覆蓋範圍,而且因為專家醫生的精確度不足,所以也無法直接使用專家提供的標籤,Google改變驗證方法,讓C2D2為真實影片產生覆蓋分數,並且由專家評估分數的正確性,C2D2所產生的分數,專家認為有93%是正確的。

透過提醒醫生疏漏的大腸壁範圍,C2D2可讓醫生發現更多的腺瘤,間接降低大腸癌發生率,除了檢查覆蓋範圍之外,Google也正在著手開發能夠自動發現息肉的演算法。

熱門新聞


Advertisement