學研新創
首頁 > 學研新創 > 智慧醫療與健康科技 >第十七屆
加入書籤
人工智慧篩檢X光影像之骨質疏鬆風險
團隊照片2

裴育晟、陳嶽鵬、范佐搖、何長軒、郭昶甫

本案作為迅速補足骨質密度篩檢能量不足之技術,以骨盆部位X光做為輸入,輸出骨質密度預測值。主要因為此X光影像快速便宜且易於取得,其本身已有大量醫療市場。過去雖有許多技術理論支持X光影像具有預測潛力,卻無法克服市場上的變異性而遲遲無法應用。藉此本案找到一個切入點,憑藉深度學習技術,突破過去限制達到高效預測與泛化能力。另外,其他量測骨質密度之方案其效率也無法與我們技術並齊。我們就技術理論、獨特性、創新關鍵優勢利基、潛在優勢詳述如下:
技術理論
本案應用Deep convolutional neural network 技術,可由骨盆部位X光(pelvis X-ray)影像計算股骨(Femur bone)的骨質密度(bone mineral density, BMD),進而與常模比對換算出T評分(T-scores),用於診斷骨質缺乏(osteopenia, -2.5 < T-scores < -1)以及骨質疏鬆(osteoporosis, T-scores < -2.5)。其原理在於骨質缺乏時,骨礦物密度下降,使得骨內微結構(microarchitecture)變化,出現疏鬆結構,使得骨品質變差而導致乘載力下降,若此現象出現於平時承重較高之骨頭,抑或於意外跌倒常額外受力之骨頭部位,可能產生骨折。一般量測骨質密度是使用雙能量 X 光吸收儀(dual-energy x-ray absorptiometry, DXA),其原理是採用兩種不同能量之X光照射後,依據吸收強度之對比計算出特定部位之骨質密度。X光檢查與DXA不同之處在於,X光為單次照射,雖能量較高,但無對比強度可參照,故無法計算骨質密度。儘管如此,人體因骨質流失而產生的微結構變化,在骨盆X光上仍然是可被清楚察覺,例如骨頭之內部與外部因厚度差異使得X光穿透後產生不同對比;因為細微之紋理(textures),例如像素密度與像素排列方向皆能提供骨質密度資訊。據此,若使用一強大的特徵擷取工具與機器學習工具,自動學習並串聯高低維度的圖像資訊,有很高機會僅從X光攝影萃取出重要判別特徵並用於推量其骨質密度。而過去技術採用人工定義特定特徵萃取方法,並使用於建構預測之模型,其嘗試成果皆無法達到臨床效用。本案創新的建構模型流程,是使用相近時間拍攝之同一病患之骨盆X-ray與真實骨密度量測值,以期骨質密度能互相符合,接著使用軟體自動擷取X光中股骨(Femur bone)影像,最後訓練一深度迴歸學習模型自動抓取特徵與擬合骨質密度,此深度學習模型超越以往技術表現,已達到臨床使用程度。最後,我們創新了一個遮罩模式以揭示模型判讀依據,完成一可解釋人工智慧(explainable AI)臨床應用方案。

[獨特性]
臨床上對於骨質密度之初篩方法有三: 1. 理學檢測。2. 定量超音波式(Quantitative Ultrasound, QUS)。3. X光檢測。若出現可疑症狀者,會接受DXA測定作為最後確認。就準確度而言,理學檢查僅提供參考,而QUS與真實骨質密度誤差高僅呈現低相關,X光檢測只憑藉專業人員之視覺觀察後評斷病患罹患骨鬆可能性。本案提供一更快速準確的篩檢方案,得以迅速從X光檢測評估骨質密度,具有下列獨特性:
(1) 經市場探詢後,概因過去技術突破未達臨床門檻所致,因此市面上尚無相關產品、尚無相關專利、尚無相同臨床操作技術。僅有文獻記載形式概念。
(2) 技術方面,本案採用人工智慧模型作為評估方式,其效力遠高於過去文獻嘗試使用的規則訂製(rule-based)模型。
(3) 與其他快篩方案比較,如定量超音波式(QUS)與骨密相關性係數低於0.6,本案使用X-ray與DXA之相關係數可達到0.85以上, 提供了一個新式快篩檢測方案。
(4) 本技術可導入常規X光攝影,我們研發內容已結合了自動分割(segmentaion)、骨質密度數值判讀、判讀依據解釋三項要素,已達成輸入影像後自動判別的完整流程,若妥善調整排程可無需額外人力介入,亦不取代現有人力。
(5) 必要求骨質檢測目的即可進行篩檢(screening),即以常規X-ray檢測後即可使用本案技術推斷骨質密度,可提前預警出具有低骨質密度風險病患。且因常規X-ray檢測量大,在快篩服務上具有規模上優勢。

國內於骨質保健意識是不普及的狀態,國人50歲以上人口高達98%未曾接受DXA檢測,相較之下,每年有大量的病人或是健檢組群進行常規X光檢查。本案所發展之深度學習法,正是使用X光開發,本技術能從低單價之X光推算出其骨質密度質,且其骨質密度質可用於推斷病人是否已有骨鬆,由此我們列出以下利基:
(1) 配合每年常規X光篩檢,可進行大量之快篩。本技術本身具有規模市場利基。
(2) 早期投入資源開發,後續維護成本低,可壓低成本。
(3) 不取代現有人力資源,且模型軟體使用不需額外教育訓練或增加操作人力。
(4) 不需額外實施X光檢查。
如本案之服務推斷為骨鬆之高度危險, 則轉介接受黃金標準(Gold Standard)之DXA檢查以做確認。如此一來,可以避免低度風險之病人重複檢測會造成醫療能量耗損,亦能篩選出高風險病人,使其被導入適合之檢查及治療臨床路徑,可大幅度提升高風險病人實際接受骨密檢測。另外,現行健康保險對DXA量測骨質密度的補助上,已明定病理上高度疑慮之患者可實行,而一生只限補助三次,額外實施需要自費,產生病況追蹤難度,本技術具有輔助追蹤的應用潛力。最後,因應高齡化趨勢,高齡者因跌倒導致骨質疏鬆骨折風險提高,因此提早偵測骨質密度不足之需求日漸趨重。若能及時診斷骨質疏鬆並投以藥物,可節省更多高齡者因骨質疏鬆骨折所伴隨的經濟與社會成本。

評審推薦
1.運用X光影像以深度學習演算法進行骨質特徵影像辨識,直接估出近似真實之骨質密度,判斷骨質疏鬆風險,突破以往需骨質密度儀才能實行之限制,增加骨質早篩準確率與普及率,具市場機會。
2.未來將整合至X光機中,系統即時輸出其預測骨質密度,並可將文字內容自動上傳至醫院PACS中。
3.初期商模清楚,已規劃推出單機版分析,以服務案例數進行分潤。
學研新創獎 智慧醫療與健康科技類獲獎
1
1
2
4
5
團隊照片1
裴育晟  
學歷 長庚大學醫學系醫學士
美國Johns Hopkins University醫學院神經科學博士
現職 林口長庚復健部部長、教授級、及主治醫師
經歷 桃園長庚復健科主任
研發動態
 
第17屆國家新創獎 (2020) 精華集錦
 
白袍創業風氣興起!醫生也拚創新...
「第17屆國家新創獎」授獎典禮...
新創年度6強Demo Pitc...
新件參賽申請
新創精進申請
到訪人次:6,996,575
更新日期:2021-04-13
財團法人生技醫療科技政策研究中心 版權所有
Copyright © 2012 Research Center for Biotechnology and Medicine Policy (RBMP). All Rights Reserved