- IEK產業情報網,
- 2019/6/3 上午10:47
- 1056
根據世界衞生組織WHO(World Health Organization)的資料顯示,中風自1990年以來是已開發國家中繼缺血性心臟病、癌症之後的第三大死因。全球每年約有550萬人死於中風,其中有三分之二來自於已開發國家和開發中國家。台灣的腦血管疾病自96年起便位居第三,死亡率高於日本、新加坡及大多數西歐國家。腦血管疾病在105年仍然高居十大死因的第四位。除了腦部大血管疾病造成的腦梗塞、腦出血、蜘蛛網膜下腔出血之外,大約有五分之一來自於腦部小血管疾病的病變。
腦小血管疾病的多變性 增加診斷與治療難度
腦小血管病(SVD)是醫界常用術語,用於描述結合了臨床醫學,人體感知,神經影像學和神經病理學的合併症。腦小血管病被認為是由於疾病影響灌注腦的穿孔小動脈,毛細血管和小靜脈,並產生腦白質和深部灰質腦損傷所造成的。這些穿孔小血管對於維持大腦的最佳功能非常重要。腦小血管病導致的腦部病變問題十分嚴重且常見,並導致大量認知病變、精神和神經方面疾病,及身體殘疾。而且佔全球中風病因約五分之一強,增加未來中風風險一倍以上,並造成高達45%的老年癡呆症。其造成社會成本之巨大,可想而知。因為致病的原因是未知的,以致於目前的預防和治療都效果不佳,主要仍依靠經驗治療,因此導致治療的危險性。
目前醫學界對腦小血管病知之甚少,因為腦小血管病導致的腦部病變臨床表現非常多種,單靠臨床病徵和一般電腦斷層掃描來分辨非常困難。除了臨床上的多種表徵,腦小血管病在影像上的表現也非常多變且缺乏一致性。
建立多模定量性影像判讀是未來趨勢
當病人表現出神經學上的徵兆或缺損,但是在影像學上卻沒有明顯的大血管狹窄或堵塞,或是新發生的腦部梗塞,神經科醫師們往往難以提出好的解釋或治療方式。在神經影像學的判讀上,由於磁核造影中腦小血管病的影像表現有各式多變的表現,每一個人也都有各種不同程度的小血管病變,這些在影像上偵測到的腦實質變化,對於人體神經學上有什麼樣的改變,目前仍不得而知。甚至由於其資料之龐大及多變性,導致無法有效地對其進行研究,以解決這個在臨床上極為常見,並對個人、家庭和社會都有極大影響的疾病。
衛生福利部雙和醫院利用台北醫學大學的巨量影像資料庫,對腦小血管病的數種影像變化,做出定量和定性的分析,並希望能利用此分析,結合電腦深度學習之優勢及(臺北醫學大學附設醫院、雙和醫院、萬芳醫院)的各式資料庫,達成預測病人未來得到各式腦血管病變的可能性。
整合跨院醫療影像 增加人工智慧判讀準確性
除既有之醫療影像外,雙和醫院亦整合三院(臺北醫學大學附設醫院、雙和醫院、萬芳醫院)之影像資料庫,並擴大至整合各結盟醫院資料。機器學習方面,將結合國立中央大學人工智慧團隊,並導入目前醫療影像與人工智慧分析技術最為成熟之飛利浦平台與經驗,以增加研發效能與後續可能之技轉。
圖 1、流程架構示意圖
本計畫預計於三年內完成,目前已達成第一年目標,建置過去十年病例,並整合北醫已建置之三院資料庫,未來將每年增加約1,500例病例,合併成北醫體系巨量醫療影像與臨床資料整合資料庫。
第二年將建立自動化多模影像標註機器,由放射科醫師與影像分析專家進行標示病灶位置、類型以及特徵。利用機器學習進行影像分析,建立自動化病灶判讀之系統,並和人工判讀結果比對,期望自動判讀能得到定量化(quantitative)之各種多模式磁振影像指數。
第三年起導入人工智慧機器學習,將得到之多模式影像指數和臨床表現資訊整合並進行訓練,期望能建立小血管疾病在影像及臨床表現上的關連性。醫師更可從小血管疾病評量之綜合指標分數,直接預測未來中風或出血危險性,以及預測未來認知功能障礙與失智危險性。整合上述資訊,並以放射科醫師建構之文字報告模板,期望透過機器學習自動生成人工智能建議之影像報告。
透過以上方式,雙和醫院將透過人工智慧建立多模性小血管疾病影像自動化標註機器,強化臨床影像判讀效率與精確性。小血管疾病的影像影像生物標記(imaging biomarker)可幫助區分個人化的疾病嚴重度與危險性;同時結合臨床資訊,建立影像-臨床表現預測機器,由此協助醫師加速臨床治療決策,並應用於藥物試驗之療效追蹤,早偵測中風機率。
更多新聞
- 人工生殖法修法 公聽會意見分歧
- 基米傳捷報 接單海內外
- 先益強打工控醫療產品
- 原創生醫 今登興櫃
- 上海新增生醫投資逾15億
- 產值百億 台東長照園區拚5年完工
- 新品效益 視陽Q1營運不看淡
- 祥翊今年估績增四成
- 台塑生醫攻智慧回收
- 人源外泌體可做化粧品原料