今年1月初,四大報紙媒體皆報導AI判讀乳癌影像的準確率更勝於醫師的新聞,如下:

新聞皆引用一篇發布在《自然》(Nature)期刊的研究:International evaluation of an AI system for breast cancer screening.

此篇研究團隊訓練出新的電腦模型,讓新模型判讀來自美國及英國婦女的乳房攝影X光片,並從中識別乳癌。新聞指出,AI在判讀結果的「偽陽性」(false positive)和「偽陰性」(false negative)比例,較醫師的判讀比例低,顯示AI較不容易誤判。新聞提及AI能提高分析醫療影像的準確率,將幫助更多乳癌患者得到救助。

名詞釋義:

  • 偽陽性(false positive):未真實存在的影像物件,卻被錯誤偵測出。
  • 偽陰性(false negative):真實存在的影像物件,卻未被偵測出。

然而,學術研究難免有限制,必須考量應用於臨床診斷時所遭遇的各種挑戰。究竟AI判讀乳癌的研究可以如何協助醫療,專家針對訓練AI判讀影像、臨床篩檢等方面回應如下:

專家怎麼說?

2020年1月16日
美國華府喬治城大學醫學中心放射科及腫瘤科退休教授 婁世鐘

Google團隊領銜的此篇研究,主要是在比較他們所發展出來的人工智慧(AI)和乳房影像醫師以乳房X光照片診斷腫瘤良惡性的能力。運用人工智慧來判讀乳癌已經研發超過35年,可以從兩個層面來瞭解當前的研究及往後可能的研發方向:

影像判讀問題:

臨床上,腫瘤的大小、形狀,以及邊緣特徵是判斷乳癌的主要因素。但是正常的乳房腺體可能會遮擋腫瘤主體或邊緣,尤其有些團塊狀腺體與腫瘤相似,醫師不容易發現,也不容易判別腫瘤的良惡性。這篇論文所用的研究資料樣本比過往的研究更多(使用英國及美國女性的資料共28,953案例),所報告的統計數據相對而言很不錯,結果也相當有科研素質,且這些回顧性實驗統計數據顯示google AI能力可媲美英美的放射科醫師。估量起來,google AI的能力會比目前坊間的人工智慧或電腦輔助診視的能力高出一大截,但不代表就能在臨床上使用,特別是在診斷良惡性腫瘤上。令人洩氣的是原文Fig.4-a中,google AI圈註的一組乳房X光照片的兩個小腫瘤,可能是乳管原位癌(ductal carcinoma in situ – DCIS)。[1] 但是Fig.4-b中由醫師圈註的大腫瘤,屬於惡性的機會較高,反而google AI沒有發現。如果臨床上不能診視到此類腫瘤,後果較為嚴重。

即使某一人工智慧診測歐美女性乳房X-光照片的能力很高,然而因為東方女性乳房中的腺體組織比西方女性厚實,必須要以東方女性的樣本重新訓練。綜合上述,要達到臨床上有效幫助診測乳癌的人工智慧,仍然很困難。

可能的解決方案:
為了解決以上的問題,已經有不少醫院使用X-光及超音波並行做乳癌篩檢,未來人工智慧也必須要同時診視這兩種影像並自動結合判讀結果。引導深度學習卷積神經網路從大量的腫瘤圖片中學習判讀良惡性是不錯的方法,[2][3] 某些數據有很多的參數細節需要調變,仰賴工程師的研究經驗而定。只是臨床應用上,醫師有必要瞭解人工智慧做出該判讀的理由,才可能使用。可能的幫助方法是:

  1. 發展影像中特徵相似的檢索技術(Content-Based Image Retrieval,CBIR),讓電腦從大量的病例中選取多個已經確診的類似案例來證實人工智慧的判斷。[4][5]
  2. 以統計的方法列出腫瘤影像中可疑區域的特徵數值表(meaningful radiomics in statistically significant range)。

若要真正解決腫瘤被腺體遮掩的問題,就必須從新型的X-光乳房斷層合成影像(tomosynthesis images)著手,因為每組乳房斷層照有30-50片,每一片代表某一層約1毫米厚乳房的影像,人工智慧分析時較可能分清楚腺體和病變。[6][7] 若能結合超音波影像的判讀,就會更加完整且精確。

2020年2月3日
長庚紀念醫院林口醫學中心 放射診斷科主任 張潤忠醫師

針對近期發表於Nature(自然)科學期刊的一篇研究報告,提出個人見解。文章題目是International evaluation of an AI system for breast cancer screening。研究資料庫提供來自英國,從2012至2015年25,856例乳房X光攝影的篩檢,包括在39個月内經切片診斷的414例乳癌;及美國從2001至2018年3,097個案,其中確診676例乳癌。從這資料庫中以隨機方式挑選500例作為研究測試,包括125例在27個月(兩年多)內確診乳癌、125例在27個月切片診斷非乳癌病灶及250例沒有切片診斷。文章並沒有交待隨機挑選方法、研究個案數遠少於實際數量、陽性與陰性定義、兩個國家不一致的篩檢設計流程、回溯性研究的缺點、資料來源及篩選,皆可影響結果並造成誤差。雖然根據文獻記載,AI略優於人類單一判讀,如AI判讀的乳癌敏感度較人類單一判讀高了2.7%,特異性高了1.2%),人類判斷乳房攝影對乳癌敏感度約80%,提高至83%在統計學上雖有意義,但是臨床意義並不大。參考原文第90頁,文章並無深度討論偽陽性或偽陰性的結果,也沒有提到具有統計意義。因此文章結論只提出AI功效不低於人類,並可減少88%工作負擔,不解的是如何減輕判讀工作負擔。總結可理解AI能改善誤判,作為診斷參考,待驗證的是面對大量沒有篩選的乳攝影像,成效如何。

乳攝判讀醫師所熟悉的電腦自動判讀輔助系統(CAD)臨床應用已超過十年,CAD在白色的影像背景中找出異常,警示判斷醫師並研判。乳攝診斷醫師多認為AI是進化版CAD,除了幫忙偵測,並可提供參考依據,協助判讀醫師做正確判斷。

乳篩目的是偵測疑似乳癌異常,複檢進一步評估或追蹤。然而面對不顯眼早期乳癌及乳攝上乳腺重曡遮擋障礙,新的乳攝技術發展包括3D斷層乳攝及増強顯影乳攝臨床應用,近年報導優於傳統乳攝。AI的發展可配合單一乳攝或串連多項檢查診斷,研究領域廣闊,未來也可輔助專科判讀醫師進行雙判診斷。

參考文獻:

[1] Hong, Y. K., McMasters, K. M., Egger, M. E., & Ajkay, N. (2018). Ductal carcinoma in situ current trends, controversies, and review of literature. The American Journal of Surgery, 216(5), 998-1003.
[2] Lo, S. C. B., Lin, J. S., Freedman, M. T., & Mun, S. K. (1993, September). Computer-assisted diagnosis of lung nodule detection using artificial convoultion neural network. In Medical Imaging 1993: Image Processing (Vol. 1898, pp. 859-869). International Society for Optics and Photonics.
[3] Lo, S. C., Lou, S. L., Lin, J. S., Freedman, M. T., Chien, M. V., & Mun, S. K. (1995). Artificial convolution neural network techniques and applications for lung nodule detection. IEEE Transactions on Medical Imaging, 14(4), 711-718.
[4] Tao, Y., Lo, S. C. B., Hadjiski, L., Chan, H. P., & Freedman, M. T. (2011, March). BI-RADS guided mammographic mass retrieval. In Medical Imaging 2011: Computer-Aided Diagnosis (Vol. 7963, p. 79632H). International Society for Optics and Photonics.
[5] Abirami, N., & Gavaskar, S. (2019). CONTENT BASED IMAGE RETRIEVAL TECHNIQUES FOR RETRIEVAL OF MEDICAL IMAGES FROM LARGE MEDICAL DATASETS–A SURVEY. International Journal of Advanced Research in Computer Science, 10(1), 50-53.
[6] Hooley, R. J., Durand, M. A., & Philpotts, L. E. (2017). Advances in digital breast tomosynthesis. American Journal of Roentgenology, 208(2), 256-266.
[7] Lång, K., Andersson, I., & Zackrisson, S. (2014). Breast cancer detection in digital breast tomosynthesis and digital mammography—a side-by-side review of discrepant cases. The British journal of radiology, 87(1040), 20140080.

版權聲明

本文歡迎媒體轉載使用,惟需附上資料來源,請註明新興科技媒體中心。
若有採訪需求或其他合作事宜,請聯絡媒體公關:

曾雨涵

haharain331@rsprc.ntu.edu.tw
02-3366-3366#55925