學研新創 - 智慧醫療與健康科技
人工智慧篩檢X光影像之骨質疏鬆風險
2020-12-23
裴育晟部長團隊/長庚醫療財團法人林口長庚紀念醫院

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。
2023年度精進成果
本團隊過去開發深度學習演算法,可由常規骨盆X光攝影偵測骨質密度。核心技術的層面我們開發了新的深度學習演算法,應用於胸部X光影像、KUB影像、手部影像開發演算法。團隊亦申請中國大陸智財專利之申請審核中。團隊參加國科會補助舉辦之TSHA醫材證計畫,將模型與六家醫學中心資料影像驗證完成,現正合作進行TFDA取證作業。透過與長庚醫學科技公司的合作,將本演算法包裝成智慧軟體醫材並建置QMS。本案與台塑生醫已完成技轉流程,系統正進入臨床測試使用,並發展網與衛教APP提供使用。團隊將骨質密度評估之演算法與和鑫生技開發股份有限公司洽談合作事宜,手部X光判讀骨質疏鬆症朝產品化發展。最後本團隊正進行三項論文撰發表中。
團隊簡介
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
本網站中所有資料(包括影音.文字.圖表.數據等) ,均屬於本中心或各該新創企業團隊之專屬財產,如有引用,請確實註明出處來源。 <完整資訊>
財團法人生技醫療科技政策研究中心 版權所有
Copyright © 2012 - 2024 Research Center for Biotechnology and Medicine Policy (RBMP). All Rights Reserved