學研新創 - 智慧醫療與健康科技
以人工智慧的集合型模組,從脊椎側面X光影像,自動輔助判讀胸腰椎骨折
2021-12-27
周伯鑫醫師團隊/臺北榮民總醫院

周伯鑫、盧鴻興、劉建麟、張明超、王世典、吳宏達、陳泓勳、林希賢、姚又誠

集合型模組的穩定判讀
應用集成學習的概念,將三種人工智慧模組 (ResNet34、DenseNet121、DenseNet201)合而為一,形成集合型模組 (ensemble model),使得整體的判讀,有比較穩定且可信任的結果。將三個模組各取其優勢之處,同時運用於脊椎骨折判讀。只要三個單一模組之中,有兩個判讀有骨折,集合型模組就會認定此脊椎節可能有骨折。(圖一)

根據Genant分期,自動計算脊椎骨折等級
Grade I為 ≦20%至25%脊椎體高度減少。Grade II為26%至40%脊椎體高度減少。Grade III為≧41%以上脊椎體高度減少。只要集合型模組脊椎骨折節判斷正確,其骨折節分類等級,準確度為100%。利用電腦程式的自動計算骨折等級,可以節省臨床醫師,利用公式進行量測計算的時間。(圖二)

已於醫院臨床PACS系統實際使用
目前已於臺北榮總幾部特定的電腦,進行註冊後,便可以直接於臨床電腦操作與使用。本介面優點:1. 直接在PACS系統下,進行操作並上傳DICOM格式檔案,無須經過再次轉檔。2. 操作者只要在滑鼠上按右鍵”send to AI”鍵,等待大約60至90秒,再按一次"View AI Result"鍵,即可看到人工智慧判讀結果。(圖三)

提供雲端使用介面,直接於遠端使用
使用者可以從任何地方,將胸腰椎X光側面照的DICOM檔案,上傳至http://vf.biobank.org.tw/,即可進行脊椎骨折節的圈註與骨折自動分級之輔助診斷。(圖四)

評審推薦
1.由臺北榮民總醫院主導與交大共同開發以人工智慧於脊椎側面照映之X光影像,自動輔助判讀供腰椎骨折之應用,具跨領域之合作之特質。
2.集合三個單獨人工智慧模組的預測結果,集合型模組的操作使用介面,判讀結果和醫師之間有高度的一致性,可於臨床 (PACS)系統下直接使用
3.臨床資料集的訓練、驗證與測試和外部驗證接完成,從介面操作至自動判讀的結果呈現約60至90秒,符合預期之需求。
團隊簡介
周伯鑫
學歷 國防醫學院醫學系
國立陽明大學臨床醫學研究所博士
現職 臺北榮民總醫院骨科部脊椎外科主治醫師
臺灣脊椎外科醫學會理事
經歷 臺北榮民總醫院脊椎外科臨床研究員
臺北榮民總醫院蘇澳分院骨科主治醫師
臺北榮民總醫院蘇澳分院急診室主任
美國芝加哥Rush Medical Center進修一年
台灣脊椎外科醫學會秘書長
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 Research Center for Biotechnology and Medicine Policy (RBMP). All Rights Reserved