<p>2019 年，世界衛生組織（WHO）公布中風為全球十大死因中的第 2 名，2022 年，我國衛生福利部公布十大死因的中風排名為第 5 名。此外，依據衛福部研究指出：「年齡每增加 1 歲，腦中風發生機率會增加 0.06％」，且目前罹患中風的年齡分布以 65 歲以上老年族群為大宗。為分擔照護者照顧中風失能老年患者負擔，除了於後期照護面，衛福部提供長照服務協助外，於治療面，現今醫療與科技的結合也能降低中風病患失能風險。</p>
<p>&nbsp;</p>
<p>當醫師收治急性中風病患時，必須在發病 24 小時內的超急性期進行快速的診斷及治療，否則病患可能終身失能或死亡。為了減輕時間壓力，協助醫師診斷腦中風的 AI 模型問世。這類 AI 模型講求快速且精準地判斷出腦部血流出現問題的區域，協助醫師迅速找出病灶點、進行手術，加速整體治療時間，不僅拯救病患的生命，也大幅降低病患因延遲治療而造成後遺症的可能性。AI 模型是如何快速診斷腦中風的病灶點呢？對於醫師來說，此類 AI 模型在進行腦中風治療過程中，有哪些助益？本篇文章將深入探討這些觀點，讓我們一探究竟吧！</p>
<p>&nbsp;</p>
<h2><strong><span style="font-size: 20px;">腦中風診斷 AI 模型帶來哪些助力？</span></strong></h2>
<p>腦中風通常分為「出血性」及「缺血性」兩大類：出血性腦中風是由於腦血管破裂出血，造成血塊壓迫腦部，進而導致神經損傷；缺血性腦中風則是由於腦血管阻塞，導致血流無法通過部分腦區，若延遲治療，易導致腦損傷。這兩類腦中風治療都在與時間賽跑，因此部分醫院開始引進 AI 模型協助診療。以下為 AI 診斷模型協助腦中風診療的實際情形：</p>
<p>&nbsp;</p>
<h3><strong><span style="font-size: 16px;">一、出血性腦中風診斷利器—— DeepCT</span></strong></h3>
<p>針對出血性腦中風的救護措施分秒必爭，否則會造成極高的致死率及致殘率。然而現階段，大型及中小型醫院針對出血性腦中風治療都面臨不同的窘境，因此 DeepCT 成為一大救星。DeepCT 是一款運用深度學習的 AI 腦出血檢測系統，並且在醫院實務上大幅加速了腦出血患者的醫療照護，成為輔助醫療診斷的一大助力。</p>
<p>&nbsp;</p>
<p>DeepCT 是由大量的腦部斷層影像搭配卷積神經網絡（Convolutional Neural Network, CNN）訓練而成，針對出血性腦中風患者無顯影劑電腦斷層影像 （Non-Contrast Computed Tomography, NCCT）能夠迅速且精確地診斷腦部出血位置，協助醫師進行手術以移除血塊。DeepCT 被應用於高雄榮民總醫院兩階段臨床實測：第一階段為小規模臨床測試，在這個階段中，DeepCT 展現判斷腦出血的<span data-component="tippy" data-content="正確預測有腦出血及非腦出血影像資料總數除以全部影像資料數之比率。">高準確率</span>（99.16％）、<span data-component="tippy" data-content="正確預測有腦出血影像資料數除以預測為腦出血的全部影像資料數之比率。
">敏感度</span>（96.43％）及<span data-component="tippy" data-content="正確預測非腦出血影像資料數除以預測為非腦出血的全部影像資料數之比率。">特異度</span>（99.52％）；第二階段則為較大規模的臨床實測，在這個階段，使用 DeepCT 輔助診斷，能夠讓出血性腦中風患者滯留急診時間縮短 3 個多小時，因此也驗證了 DeepCT 在出血性腦中風黃金搶救期中是一大助力。</p>
<p>&nbsp;</p>
<h3><strong><span style="font-size: 16px;">二、醫師好助手——缺血性腦中風的智能影像篩選平臺</span></strong></h3>
<p>為使急性缺血性腦中風患者獲得最佳治療時機，臺北榮民總醫院及中國醫藥大學附設ctp醫院分別引進不同的 AI 軟體協助診斷。這類軟體能在短時間內判斷出腦灌流及腦血管阻塞的區域，協助醫師及時決策。醫師在使用 AI 影像篩選軟體的實際情形與感受又是如何呢？臺北榮民總醫院腦血管科李怡慧主任及中國醫藥大學附設醫院人工智慧中心許凱程主任與科技魅癮分享了他們的一手心得。</p>
<p>&nbsp;</p>
<p>李怡慧主任提及，針對急性缺血性腦中風，藥物治療方式採用靜脈內注射血栓溶解劑（Intravenous Thrombolysis），但此一療程須在症狀發生 4.5 小時內進行，越晚治療，越容易增加腦出血等副作用。相較之下，動脈血管內血栓移除術（Endovascular Thrombectomy）能延長治療時間至症狀發生 24 小時內進行，避免血栓溶解劑的神經興奮毒性，顯著改善患者的預後。雖然病患治療的黃金期延長了，但對於醫療人力不足的醫院或離島，全時段 24 小時內及時治療腦中風，仍是各家醫學機構的一大考驗，因此 AI 影像篩選軟體就成了極為關鍵的角色。</p>
<p>&nbsp;</p>
<p>李怡慧主任以衛福部金門醫院與北榮串聯相同的 AI 影像篩選軟體「RAPID」和緊急醫療網路一同治療離島患者為例，透過此軟體協助判斷患者的腦部缺血情形為可逆或是不可逆，就能有效篩選可逆性腦缺血的情況，讓位在金門的腦中風患者搭乘醫療專機，轉院至臺北榮民總醫院，及時進行血管內血栓移除術。同時，臺北榮民總醫院也能同步接收金門患者的腦部影像，包括電腦斷層檢查（Computerized tomography, CT）、電腦斷層血管攝影（Computed Tomographic Angiography CTA）、腦部灌流掃描（Computed Tomographic Perfusion, CTP），以及 AI 軟體的判讀結果。此外，RAPID 影像分析僅需數分鐘，因此在病患轉院途中，醫師也能藉機商討治療對策，盡可能將大中風的傷害化為小中風，降低腦出血的風險，使患者在超急性期 24 小時內獲得最有效的治療，將傷害降到最低。</p>
<p>&nbsp;</p>
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2023/09/6-1_670x460.jpg" /></p>
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">人力判讀腦部斷層掃描結果，存在肉眼無法精細判讀初期腦中風跡象的問題。</div>
</div>
</div>
</div>
</div>
<p>&nbsp;</p>
<p>此外，中國醫藥大學附設醫院人工智慧中心亦開發「腦中風診斷平臺」（Artificial Intelligence for Stroke Image Analysis, AISIA），除了 CTP 影像之外，此平臺亦能夠針對 NCCT 預測缺血性腦中風，造福對顯影劑過敏的患者。</p>
<p>&nbsp;</p>
<p>人工智慧中心許凱程主任說道，每位病患腦部檢查中，通常包含近 30 張 NCCT 影像及 160 張 CTP 影像，且急性中風病灶不易以肉眼判斷，所以醫師必須耗費大量時間判斷病灶點，然而運用此平臺的「NCCT 缺血性中風偵測系統」與「CTP 成像智慧分析系統」強化對於腦中風的診斷與治療決策能力；前者僅需 90 秒即可判斷有無急性缺血性腦中風，而後者僅需 60 秒即可判斷可挽救區域及不可挽救的壞死區域。平臺使用也極為便利，從判讀系統至門診系統的整合，臨床醫師透過連結按鈕（AI Button）便能直接讀取檢查影像、 AI 標記和自動生成結構化報告，在疾病預測、病灶圈選、報告生成等工作中都是強大的助力。</p>
<p>&nbsp;</p>
<p>對於醫師使用 AI 影像篩選軟體的感想，李怡慧主任認為，以往單靠人力判讀急性缺血性腦中風患者常遇到兩大困境：一是在醫學中心全天候 24 小時治療時間內，若急診室同時送來多名腦中風患者，人力判讀的成本和速度還是不及 AI 影像篩選軟體；二是肉眼極不易判讀超急性期的缺血性腦中風的腦部缺血帶斷層影像，而 AI 影像篩選軟體能適當地調整斷層影像，並將影像中的每個腦區成像量化為數值，因此能達到精準判讀。在這方面，許凱程主任認為 AI 輔助醫療的最終期望，是能夠在醫療領域中，提供高效準確的診斷和治療建議，使病患得到更好的照護、減輕醫療人員的負擔，並且降低國家醫療成本與資源浪費，最終創造三贏的醫療環境。</p>
<p>&nbsp;</p>
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2023/09/6-2_670x460.jpg" /></p>
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">腦中風智能影像篩選及診斷平臺的操作，醫師僅需透過手機或電腦，即可獲取病患腦部 AI 預測結果及電腦斷層影像資訊。</div>
</div>
</div>
</div>
</div>
<p>&nbsp;</p>
<h2><span style="font-size: 20px;"><strong>醫療 AI 的未來展望</strong></span></h2>
<p>AI 在協助診療疾病上帶來極大助益，從大局觀，不僅能解決現今醫療院所面臨的診斷判讀時間壓力，以及偏鄉醫事人力不足等問題，也能為醫師爭取時間，研討出最佳治療對策；於小處看，AI 模型能夠找出肉眼所不及的現象。正如李怡慧主任提及精準醫療的過程中，要從巨量的人體資訊中，找尋重要且細微的關鍵因子，實為超出人類能力所及，但 AI 能做到，因此也期望未來 AI 在醫療上能加速治療技術的突破。</p>
<p>&nbsp;</p>
<p>此外，針對 AI 未來的發展與建議， 許凱程主任提出 4 點：1. 對於預測結果提供合理解釋，以增進人類對於 AI 預測結果的信任度；2. 保障醫療數據隱私安全；3. 發展 AI 與醫護人員有效協作的模式，使 AI 在診斷醫療價值中最大化；4. AI 模型需納入多種族及地區的訓練數據，才能確保其在全球的適用性及普遍性。</p>
<p>&nbsp;</p>
<p>AI 於醫療應用上於現階段確實能減輕醫事負擔，同時也被賦予眾多期望。除了技術上的突破，AI 與人類的合作模式也備受探討，隨著改進與磨合加速進行，AI 與醫療共榮的世界指日可待！</p>
<p>&nbsp;</p>
<div class="py-6">
<div class="jsx-3968805167 flex justify-center -mx-2">
<div class="jsx-3968805167 px-2">
<div class="jsx-3968805167 relative overflow-hidden"><img decoding="async" class="jsx-3968805167" src="https://www.charmingscitech.nat.gov.tw/backend/wp-content/uploads/2023/09/6-3_670x460.jpg" /></p>
<div class="jsx-3968805167 absolute w-full left-0 bottom-0 p-4 text-white text-[13px]" style="background: rgba(0, 0, 0, 0.66); display: block; line-height: normal;">AI 成為醫療助手的過程中，訂定最佳人機協作模式也是重要的一環。</div>
</div>
</div>
</div>
</div>
<p>&nbsp;</p>
<p>（客座總編輯｜國立陽明交通大學數位醫學暨智慧醫療推動中心 楊智傑主任；研究顧問團隊｜中國醫藥大學附設醫院人工智慧中心 許凱程主任、臺北榮民總醫院腦中風中心 李怡慧主任；責任編輯｜曹盛威、劉品萱）</p>
