用AI辨識CT病灶不用2秒!台科大醫工所王靖維教授團隊獲國際醫療競賽季軍
▲王靖維教授團隊AI辨識CT病灶。(台科大提供)
台科大醫工所王靖維教授團隊開發「通用3D病灶分割AI模型」,用於電腦斷層CT掃描影像,迅速且精準辨識與分割多類別胸腹部病灶。於今(2024)年國際醫療3D CT影像AI競賽(The Universal Lesion Segmentation ’23 Challenge,ULS23),在六百三十二名參與者脫穎而出,榮獲第3名佳績。
傳統電腦斷層掃描影像(CT)在分割病灶的難點包括:病灶識別困難、需大量專業人力分析和手動標註病灶相當耗時,導致診斷效率低下,增加醫療成本。人工標註過程中,容易因疲勞、有限診斷作業時間和經驗不足而漏判。
「全球排名前2%頂尖科學家」的王靖維教授表示,團隊研究開發「通用3D病灶分割AI模型」,可精準辨識多類別胸腹部(包括骨骼、胰臟、腎臟、肝臟、肺結節、肺部、結腸、淋巴結和縱膈)病灶,適用於胸腹部CT影像,可自動化精準標註多種3D CT病灶,幫助放射科醫師以3D形式標註病灶,解決手動標註耗費大量人力成本問題。
「通用3D病灶分割AI模型」除了精準辨識,在處理效率上更充分滿足臨床應用需求。傳統人工標註每案約耗費三十到六分鐘,但團隊AI技術在配備單一T4 GPU的Grand Challenge平台伺服器上處理每個3D病灶資料只需三點二五秒。若使用配備RTX4080的本機PC則不到2秒。
王靖維說明,3D的CT影像病灶分割與2D影像相比,提供更多有助醫師監控病灶成長的資訊,如病灶體積、形狀和空間位置。CT掃描的自動AI病灶分割比手動分割具有優勢,包括提高效率、可重複性、準確性和標準化,從而實現更精確的定量分析,並促進研究成果轉化為臨床實踐。
王靖維研究團隊透過參與競賽,除提升團隊技術實力外,也增強處理大規模、多類別CT影像數據方面的經驗。深入了解如何在真實臨床應用提升AI模型的實用性和穩健性,為未來的研究和應用奠定堅實基礎。
ULS23競賽是為促進在3D CT領域通用型病灶分割模型研究,所舉辦的國際競賽,並在Grand Challenge平台上進行。競賽提供三萬九千五百病灶臨床測試集3D CT,讓參賽者建立與驗證多類別胸腹部(包括骨骼、胰臟、腎臟、肝臟、肺結節、肺部、結腸、淋巴結和縱膈)通用病灶模型,競賽考量臨床實際需求,透過多項指標,評估模型穩健性和精確性,藉由AWS雲端計算,使用未公開的3D CT病灶影像,對參賽者的模型進行自動且公平的量化評估。