AI 提升醫學影像速度與準確性

Alteplase 是具侵入性的血液稀釋劑，用於溶解中風患者腦中的血栓。雖然 Alteplase 可以大幅降低中風的長期影響，但也會帶來內出血的風險。此外，這款藥必須在中風初期症狀出現後三小時內施用。

醫師判斷能否施用 Alteplase 的唯一方法，就是利用電腦斷層 (CT) 掃描或是其他類型的醫學影像。醫學影像技術在最近這幾年有長足進步。然而，要在這些影像中辨認出有害的人體組織仍舊是繁瑣耗時的工作，即使由訓練有素的專家執行也是一樣。

對此，許多醫療機構正在採用 AI 技術來執行醫學影像分析。AI 模型是以數十萬名患者的資料訓練而成，醫師可以借助這些模型來大幅提升診斷速度與準確性。

JLK Inspection 推出的 AIHub 平台即是這樣的解決方案。

開拓醫學影像新視野

AIHub 是一套支援人工智慧的軟體模組，可針對人體 14 個部位找出 37 種不同病況（圖 1）。這些模組依據韓國各地大學附設醫院病患的資料，針對 MRI、CT、X光機、超音波及其他設備所拍攝的醫學影像執行推論演算法，準確度超過 99.5%。

然而這款平台與其他支援人工智慧的影像解決方案的不同之處，在於其能夠部署在雲端上，或是在本機伺服器上執行，甚至可全程在醫療終端裝置上執行。醫療終端裝置在這裡指的是臨床工作站，或是直接連接影像設備的 Intel^®​​​ NUC 迷你電腦之類的輕巧裝置（圖 2）。

在這些低成本 NUC 上執行時，AIHub 的 Atroscan 大腦老化和失智症分析演算法等模組僅需 15 分鐘即可完成影像分析。其他解決方案可能需要長達 24 小時的時間。

醫師和專家可以在執行 AI 影像分析的地點或附近，以近乎即時的方式在電腦平台上檢視生成的影像——徹底改變醫學影像分析的樣貌。

此外，要實現這一切，並不需要更換或升級現有設備，或投入高昂成本翻新基礎架構。資料分析完成之後會以符合 HIPAA 的格式，透過簡單的乙太網路連線傳送至醫院的「醫療影像儲傳系統」(PACS)。此外，如有需要，也可以將資料儲存在符合 HIPAA 的雲端環境中，例如 AWS 或 Azure。

在一般規格硬體上實現更快影像分析速度

AIHub 演算法完全由 CPU 核心進行處理，而不會使用 GPU。此外，JLK 效能評定顯示，NUC 上的模型平均載入時間約為 5.61 秒，而所需平均累計推論時間為 0.98 秒。相較之下，同時搭載多核心 CPU 和最先進 GPU 的傳統工作站分別需要 80.17 秒和 15.16 秒。

再者，考慮到每當有新病患需要造影時，可能需要載入新的模型並加以執行，因此從整體來看，分析時間就不只是減少一個數量級。然而，電腦效能上的明顯差異如何達成這一切？

JLK Inspection 開發了 AIHub 模組，使用 Intel^® OpenVINO^™ 工具組，這是一款軟體開發套件，能加速電腦視覺與深度學習工作負載（圖 3）。OpenVINO 包含模型最佳化工具、推斷引擎，以及進階 OpenCV 和 OpenVX 程式庫，可讓 AI 演算法在各種 Intel^® 運算架構中以更快速度執行，且使用更少的記憶體。

將醫學推論技術普及至大眾

有了 AIHub 等新一代醫療造影選項，自然就會以大型醫院或專門影像設施為中心來思考。但在醫療照護生態系統的底層一樣能感受到真實世界的衝擊。

JLK Inspection 採用了 AIHub 演算法，能辨識結核病等疾病，而且可以在搭載 Intel^® Core^™ 處理器、低至 8 GB RAM 和 180 GB SSD 的筆記型電腦上執行。這樣的系統無需網路連線或穩定的電源，且可用低至 700 美元的價格購入。

事實上，由於透過技術堆疊來實現最佳化是非常重要的事，因此 JLK 最近推出了 HANDMED，這是一款整合式胸部X光相機與 AI 分析解決方案，可以在 3 秒內完成肺部影像分析，準確度超過 99%。

現在請想像一下這種技術可以如何造福現場第一線救護人員，以及在開發中國家或偏遠地區實施手術的醫師。如果能以如此低廉的成本精準且有效率地診斷病況，那麼醫師用在分析資料的時間就會大幅減少，因此得以用更多時間來履行踏上行醫之路的初衷——照顧病患。