既有的醫學影像診斷流程，大略可分拆解為四大步驟：一、至醫院看病檢查進行初步診斷，臨床醫師會根據出現的症狀，推斷可能患有的疾病；二、開單至放射科照X光、CT、MRI等影像檢查；三、放射科醫師會對影像進行分析診斷，最後拿著影像診斷報告去找臨床醫師；四、透過報告分析制定合理的治療方案，而其中最主要的醫療流程為攝取影像及醫師判讀兩個部分。

在AI診斷的部分發展相對較早，可以減少醫師判讀工作，降低誤診及漏診的風險，而AI診斷技術主要可分為三項：偵測（Detection）、分割（Segmentation）及分類（Classification）。現在既有的AI偵測技術，可從一張影像透過AI精準地偵測到單一病灶，例如腫瘤的位置，讓醫師能快速確認而不至於漏看造成嚴重後果。在AI分割部分，可藉由AI從單一影像中分割出構造的輪廓，例如骨骼形狀。最後AI分類部分，可進行良性及惡性腫瘤的判別，以及較為簡單的疾病嚴重程度分級，使醫療資源做有效的分配。

而隨著AI技術的進步，新的AI輔助診斷內容，在偵測的部分，由於一張影像中可能包含許多器官及不同種病灶，因此AI偵測技術進步至可從一張影像中，偵測到多重病灶位置以了解整體病因。在分割部分，由於許多時候會需要不同種類的影像同時進行診斷判讀，新的AI分割技術內容，演進至可同時進行不同種類影像的分割，提供更準確的影像比對，增加訊息量。最後是分類，最新的研究為使用AI，可判斷整體器官的健康狀況，以利後續作更精準的治療及預防。

雖然減少了醫師判讀的困難，但攝取影像流程仍有問題需要克服，包含耗時、輻射，而針對這些問題，對於拍攝影像就產生了額外的需求，例如為了降低輻射劑量，便會使影像品質下降，因此研究指出將AI導入至診斷之前的影像重建部分，僅需耗費數十毫秒便可自動產生清楚而準確的影像，進而減少輻射照射時間。

圖一 : AI診斷技術主要可分為三項：偵測、分割及分類。（source：www.ijri.org）

首先是解決在拍攝過程中，受測者可能會移動，或體內含金屬物質，而使影像中出現偽影（Artifact）的現象，因此運用AI技術將偽影刪去，以降低後續錯誤診斷發生的機率。第二項是AI超解析度（Super Resolution）的技術，能將影像從模糊轉成細緻，以較少的資料量產生高品質的影像，如此便可縮短掃描的時間，現有研究可以縮短MRI掃描一半以上的時間。

第三是因輻射問題，低輻射劑量的CT掃描被大家所要求，低劑量CT的輻射量可以降至約0.3~0.55mSv，遠低於傳統電腦斷層掃描3~27mSv，但降低輻射劑量會使影像的雜訊提升，而透過AI技術可將雜訊去除，留下精準的器官影像。以及最後將AI用於影像配準技術（Registration），自動偵測兩種影像得到特徵，然後通過匹配的特徵，進行影像配準輔助不同的影像合併，呈現足夠的資訊，以利後續的診斷分析。

在影像合併診斷的部分，除了透過AI進行影像配準合併影像雖有不錯的效果，但運用AI合成醫學影像，進行影像合併診斷仍有困難需要克服，例如CT與MRI的成像效果並不相同，有時需搭配診斷呈現足夠的資訊，但即便是低劑量CT仍然是一種具輻射的影像檢查，因此透過AI從MRI合成CT影像，直接就可以將影像合併進行診斷，省去拍攝兩次影像以及接收輻射的問題。

另外是在PET的部分，主要有PET／CT及PET／MRI兩種方式，臨床上PET／CT主要藉由轉化CT值與線性衰減係數值之間的能量轉換關係進行衰減校正，而因CT輻射問題，PET／MRI逐漸獲得關注，但MRI無法直接得到衰減係數，需要通過特殊的方法進行，較CT複雜許多，因此有研究一樣提出運用AI從MRI合成出CT影像，並計算出CT值比較容易且快速完成PET的衰減校正。

最後是探討AI合成醫學影像的技術，除了可以解決影像合併診斷所遇的困難外，亦有研究探討幫助AI的模型訓練。現有許多的AI系統存在很大的問題，在於模型需要大量的資料來訓練，但要取得醫學影像資料是相當困難的，包含最大的問題在於醫學影像牽涉到病患的隱私，以及影像的品質、種類等篩選工作繁複，使現有很多AI模型在訓練時都有很高的準確度，但一落地實際進行診斷，準確度就下降很多。

透過AI從既有的影像中，合成出MRI或CT影像來訓練AI診斷模型，藉此方式即可解決醫學影像隱私的問題，且影像中病灶的位置、大小與種類皆可隨意的無限變化，針對不同疾病自動提供齊全且低成本的影像資料，使AI診斷模型的訓練可以更加的完備。

透過AI得以解決醫師人工閱片，以及攝取影像的許多問題，但導入AI至醫學影像醫療流程中，仍存在些許困難。例如在開發AI系統前，需蒐集大量醫學影像資料，交由一些資深的醫師標註出病灶位置，產出有標註病灶的影像資料，供AI模型進行訓練，但如此便會占用到許多資深醫師的時間。而在另一部分，AI模型訓練對醫師來說為一黑盒子，AI研發業者須與醫師進行許多的溝通討論，校正AI模型，費時且人力成本高昂。

雖然透過AI解決了影像重建和診斷的問題，但延伸至前後的醫療流程也仍存在一些難題尚未解決，例如初步診斷的部分大多皆為病患發病了之後才前來檢查，無法做到疾病預防的效果，且許多時候無法準確判斷該拍攝何種影像。而在後續診斷報告的撰寫，對放射科醫師而言相當耗時，且難以有效地搭配病患的病歷資訊，以及最後產出報告上的資訊都較為專業，有待醫師細心解釋了解影像資訊。

圖二 : 在AI導入的過程中，需適時地創造新的服務加以協助。（source：Muhendisbeyinler.net）

以上AI導入醫療流程的困難，需要更大規模的流程整合，因此如何將AI技術延伸至診療流程的前置處理與後期判讀，更為重要。

首先是在AI導入的過程中，需適時地創造新的服務加以協助，如上述提到的標註問題，則可提供AI輔助標註系統，透過另一AI半自動地完成粗略的病灶標註，且自行區分出標註的難易，將尚未確認的標註影像，分派給資深及資淺的醫師分工進行後續檢查核准，則可使標註的效率大大的提升。

而AI模型訓練黑盒子的問題，則可透過AI可解釋化技術，呈現出AI的訓練過程、正在執行的任務、訓練次數及成效，則可拉近AI模型與醫師的距離，產生較多的互動，節省溝通的時間與成本。在導入新的AI工具的同時，需有新的服務加以協助，則可改變既有的工作流程，並創造新的工作模式。

接著，透過AI進行醫院既有系統的優化，業者可開發各式AI系統整合至醫院的各個系統當中，包含上述所提到的AI影像處理系統，及AI診斷系統，就必須與醫學影像儲傳系統（Picture archiving and communication system；PACS）進行整合。

至於另一AI可以將醫學影像資訊自動轉成文字，並生成報告，解決醫師撰寫報告的耗時問題。在報告生成的同時，可開發其他AI，結合放射科資訊系統（Radiology Information System；RIS）及電子病歷系統（Electronic Medical Record；EMR），將病患的個人歷史影像，及非成像的病歷數據結合至報告當中，使診斷報告的資訊更加完備。

而下一步可運用AI完成自動化分析，結合至臨床資訊系統（Clinical Information System；CIS），提供風險評估、臨床諮詢、輔助診療等決策參考，提高醫護人員的工作效率，另一方面將報告內容呈現簡易化資訊，讓病患明確知道該注意哪些事項。最後結合醫院資訊系統（Hospital Information System；HIS），可實現自動化排程透過AI進行病患篩選及設備選擇，以實現最有效率的疾病預防與資源分配。

圖三 : 醫學影像醫療流程延伸問題（資料來源:資策會MIC／2020年1月）

AI醫學影像醫療流程延伸出新應用，如上述提及AI亦可協助處理其他非成像的數據，例如病患的病歷資訊，並於後續結合其他新興技術，例如可將AI系統建置在雲端平台上，方便串接至各個醫院系統當中。而如後續結合5G技術，則可打破醫院地域的限制，改變既有在單一醫院拍攝影像並診斷的模式，未來則可將菁英的醫師集中，共同研究新的治療技術，同時仍可提供各地區的病患做診療的諮詢，使資源做有效的分配。

而結合區塊鏈技術，則可使病歷資料獲得更安全的保護，在未來也可以改變病歷的管理模式，例如英國的Medicalchain公司，便提供病患管理自己病歷的平台，將病歷資訊紀錄在區塊鏈上，而病患可自由地授權自己的病歷給醫院、藥局，或保險公司等與醫療資料有關的機構，逐漸改變病歷資訊管理者的身分。未來可再將更多的技術及應用結合至醫療領域當中，並透過這些價值延伸，將能提升台灣的醫療產業能量，創造新的商業價值。

（本文作者張軒豪為資策會MIC產業分析師）