AI乳篩一條龍


  我國政府提供45-69歲和40-44歲具有乳癌家族史的婦女每2年1次的乳房X光攝影檢查,透過定期檢查方式,早期發現異常,早期接受追蹤治療,降低乳癌死亡率。而根據109年6月我國衛生福利部公布108年國人死因,其中惡性腫瘤(癌症)、心臟疾病和肺炎名列前三名[1]。女性因乳癌死亡人數由107年的2511人上升至108年的2633人,並且在女性主要癌症排名中乳癌由107年的第4位前進至第3位,如圖1所示。此外,WHO公布去年全球新發癌症中,女性乳癌首次超過肺癌,佔新發癌症病例的11.7%[2]。由此可知,乳癌仍是一種需要持續關注的疾病。

女性主要癌症死亡之統計表

(截錄自[3])

圖1 女性主要癌症死亡之統計表

  常見的乳房X光攝影有兩種方式,一是在醫院內拍攝,另一是透過乳房攝影巡迴車,其流程如圖2所示。拍攝後的數位乳房X光影像儲存成「醫學數字成像和通信」(Digital Imaging and Communications in Medicine, DICOM)格式,然後存放在醫院的「醫療影像儲存通訊系統」(Picture Archiving and Communication System, PACS)。經過醫院系統分配,放射科醫師對個案的乳房X光影像內容進行檢視,偵測乳房內是否出現病變,並依據「乳房攝影報告與資料分析系統」(Breast Imaging Reporting and Data System, BI-RADS)分級規則,對個案的乳癌風險程度進行評估,以完成乳房篩檢報告。另外,依照衛生福利部國民健康署的規定,當檢查結果出現BI-RADS 0、3、4、和5級的疑似陽性個案時,必須對個案進行病情追蹤。

 

乳房X光攝影和篩檢程序

(截錄自計畫書簡報)

圖2 乳房X光攝影和篩檢程序

 

  圖2中顯示乳房X光攝影和篩檢流程,依照現有程序執行時則會出現下列問題:

A. 人工篩檢的耗時

放射科醫師需要同時檢視單一個案的四張乳房X光影像(左、右側乳房,加上頭腳向和斜位向拍攝),偵測乳房中的腫塊、鈣化等病變,並且評估病變的良惡性程度,進而對該個案使用BI-RADS分級評估,因此檢視過程十分耗時。

B. 人工篩檢的誤判

由於亞洲女性多屬於高緻密型乳房,因此醫師不易察覺被乳腺體遮蔽的病變,甚至將正常組織誤判成病變。此外,醫師經驗是影響乳房病變判讀的一項因素。

C. 不當乳房拍攝造成影像無法判讀

有時放射科醫師檢視乳房X光影像後評斷該個案為BI-RADS 0,此時多數原因是該個案的影像難以判讀,有可能是乳房拍攝時放射師不當操作、受檢者不當行為等因素造成影像品質不佳。此時,醫院需要通知受檢者到院重新拍攝乳房X光影像。

D. 受檢者耗時等候報告或通知重拍

根據國健署規定,於篩檢日一個月內須郵寄通知受檢者的乳房X光攝影檢查結果[4],一旦發生需要重新拍攝的情況時,則受檢者將延遲收到檢查報告。

   為了解決上述問題,資策會數位所團隊自2017年執行「人工智慧產業關鍵技術拔尖計畫」,開始規劃將AI技術導入乳房X光影像,提供AI乳篩一條龍的服務。首先,團隊將深度學習(deep learning)技術導入乳房X光影像的病變偵測與良惡性程度辨識[5],協助放射科醫師精準偵測出病變,並且降低AI模型的偽陽率,其運用於圖2的導入點1。緊接著,事先透過判讀病變的良惡性程度,進一步將個案區分成紅燈和綠燈兩類的嚴重程度[6],透過嚴重程度做為提供放射科醫師閱片的順序,縮短陽性個案召回醫院進行深度檢查的時間,進而協助患者盡早治療,其運用於圖2的導入點2。

  由於二維乳房X光影像屬於投影方式成像,因此對於緻密型乳房容易遮蔽病變,導致醫師未能發現病變。近年來,國內醫院開始導入三維乳房X光攝影,稱之為數位乳房斷層合成攝影(Digital Breast Tomosynthesis, DBT),其可以產生數十張乳房切面影像,解決病變被乳線遮蔽的問題,醫師可透過檢視多張影像找出病變。然而,DBT產生的影像數量遠多於二維乳房X光影像,如此大幅增加判讀的時間與困難度。數位所團隊基於早期研發乳房X光影像病變偵測模型,加速開發基於DBT影像的病變偵測模型,並且提升病變偵測的準確度,該運用仍屬於圖2的導入點1。

  放射科醫師將無法判讀的影像將其歸類為BI-RADS 0,意謂需召回受檢者進行重新拍攝影像,不但延長乳篩判讀時間,同時造成受檢者的心理陰影。為此,數位所團隊基於國健署乳攝品質的標準[4],導入影像組學(radiomics)和深度學習技術偵測乳房X光影像異常擺位的問題,評量影像品質,以提供放射師當作拍攝操作的參考依據,更可以運用於放射師專業能力的客觀評量,該運用屬於圖2的導入點3。

  因此 AI技術未來導入乳篩服務時,可預先評量拍攝影像的品質是否合格,減少BI-RAD 0級影像的發生率,並且降低召回受檢者重新拍攝的頻率;緊接著,當拍攝影像傳送至醫院PACS過程中,可以偵測且辨識乳房病變的嚴重程度,執行個案乳房X光影像檢視的次序,加速陽性個案的偵測;最後,透過深度學習模型偵測腫塊、陽性鈣化點等病變,協助放射科醫師精準閱片。

 

參考文獻

[1] https://www.mohw.gov.tw/cp-16-54482-1.html

[2] https://heho.com.tw/archives/153677

[3] 108年國人死因統計表, https://www.mohw.gov.tw/dl-61912-c189168f-f107-4a4b-9b10-b18789a2a4e9.html

[4] https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=&ved=2ahUKEwjS3__i2L7wAhVKFogKHQVfBFMQFjAAegQIAxAD&url=https%3A%2F%2Fwww.hpa.gov.tw%2FPages%2Fashx%2FFile.ashx%3FFilePath%3D~%2FFile%2FAttach%2F1094%2FFile_451.pdf&usg=AOvVaw1xWvVSjxj8dkK98ADUSjg7

[5] 人工智慧在醫學影像分析 (三):使用深度學習偵測乳房X光影像的病變,https://www.find.org.tw/index/knowledge/browse/034755a513f0b769eb86a4894a8ade63/

[6] 人工智慧在醫學影像分析 (四):乳房X光影像BI-RADS分類與嚴重程度排序,https://www.find.org.tw/index/knowledge/browse/9b34da012654561c46b129ea66d9793a/