眼底鏡影像偵測糖尿病視網膜病變

根據國家衛生研究院「2019台灣糖尿病年鑑」統計，國人糖尿病盛行率超過9.32％，糖尿病人逾220萬人。其中，糖尿病會併發各種血管病變，是成年人失明主因之一。故糖尿病人每年至少進行一次眼底攝影檢查，預防因嚴重糖尿病視網膜病變，造成視力受損。

隨著糖尿病人與日俱增，接受篩檢的可近性也不足，導致無法於第一時間將病人轉介至眼科專科給予即時治療。為使臨床作業更為順暢 (協助家庭醫學科、新陳代謝科、內科等第一線醫師診斷糖尿病視網膜病變) ，並且降低病人失明風險，本院人工智慧中心與專業眼科醫師團隊合作開發糖尿病視網膜病變輔助診斷暨分級系統，依病灶嚴重程度區分3個級別。

系統表現：AUC (ROC曲線下面積) 0.986 (Grade 0) 、0.902 (Grade 1)、0.952 (Grade 2)，除糖尿病之外，本院亦積極開發其他眼底鏡病灶輔助判讀，如：青光眼。

臨床AI門診按鈕示意圖

眼底鏡AI輔助判讀流程

本系統應用場域更擴及南投縣信義鄉地利村之遠距會診，讓糖尿病人在診間做眼底鏡檢查，經過AI系統判讀給予醫師建議，同時會診中國附醫的眼科醫師即時看到病人的檢查影象及報告，診斷視神經盤有無異常。AI與遠距醫療的結合落實醫療在地化，為偏鄉病人提供醫學中心等級的醫療服務。

中國醫藥大學附設醫院投入南投縣信義鄉地利村並設立地利門診服務

AI輔助急性心肌梗塞臨床決策支持系統與AIoT遠距應用

心臟病高居台灣死因第二位，每年耗用的醫療資源相當龐大，其中以急性心肌梗塞尤甚，據健保署統計2018年因心肌梗塞就診的病人有4萬8千多人，而且每8個病人就有一個人不滿50歲，已經有年輕化的趨勢。

一般來說，急性ST段上升急性心肌梗塞醫療準則建議從病人踏入急診，到心導管實施氣球擴張恢復心臟血流的這段時間(Door-to-balloon time, D2B) 應在90分鐘內。然而，由於部分胸痛病人為非典型症狀表現或因心電圖延遲判讀，這些病人在過去經常束手無策而延誤治療時機，故此突顯了早期診斷並即時打通阻塞血管之重要性。

為提供急診病人即時與有效的醫療照護，爭取黃金救援時間，本院由人工智慧中心與心臟血管中心組成跨領域合作團隊，研發AI輔助STEMI心電圖判讀系統。本系統利用AI演算法分析心電圖訊號變化，搭配手機即時傳送訊息機制，大幅縮減D2B時間。「24/7急性心肌梗塞智能輔助系統」更於2020年榮獲第17屆國家新創獎殊榮。

目前之系統表現為：ACC (準確度) 99%、Precision (精確度) 80% Sensitivity (敏感度) 99%。本系統台灣及美國醫藥證許可同步審核中。

人工智慧輔助急診心肌梗塞臨床決策支持系統

今年則進一步與QT medical進行軟硬體的合作，結合QT medical開發的便攜式心電圖設備 PCA 500與人工智慧輔助急診心肌梗塞臨床決策支持系統，完成了「STEMI院前遠距輔助診斷系統」，讓最前線的EMT救護人員能夠在接觸患者的第一時間進行STEMI的人工智慧輔助診斷，同時將心電圖及輔助診斷結果傳輸至心臟專科醫師手機進行再次確認。

截至本年度9月底，STEMI院前遠距輔助診斷系統已於台中及南投兩地區消防局共計11個分隊實際上線，已總共協助近55位疑似心肌梗塞的民眾就醫，達到良好臨床成效。

應用於台中及南投消防隊救護車臨床實例

骨齡AI輔助判讀與身高預測系統

人類骨骼形態從嬰幼兒時期到成年人階段會隨著發育時期而有所變化，而骨骼成熟的特徵在手骨特別明顯，因此臨床常透過手骨X光攝影進行骨齡的判別與分析。

骨齡評估（Bone Age Assessments, BAAs）是兒科判斷骨骼發育程度的重要臨床指標，通過拍攝手部X光方式，再根據同年齡段、同種族兒童的平均數據綜合而成，臨床也會透過BAAs評估結果和實際年齡間差異來協助評估受檢者是否有內分泌及代謝相關疾病，同時也能應用在肢體長度有差異的病人身上，選擇在最佳的時間以藥物等方法介入治療。

本院蔡輔仁教授表示：傳統之骨齡判讀除了須經驗累積之外，仍須對照厚重的醫學圖譜才能下診斷，故判讀的過程相對枯燥與費時。

為加速骨齡繁瑣之判讀流程，中國附醫人工智慧中心、兒童醫院蔡輔仁教授與長佳智能共同合作開發「骨齡AI輔助判讀與身高預測系統」，利用深度神經網路和自動化影像處理輔助骨齡判定，並透過比對生理年齡預測最終身高，如同一位資深可靠的兒童遺傳學專家協助判讀。

目前之系統表現，經臨床醫師驗證：一歲內準確度高達90%。本系統已取得台灣專利 (I684997) 及TFDA許可證，美國FDA同步申請中。

骨齡AI輔助判讀與傳統圖譜對照法比較

骨齡AI按鈕與AI結果報告，提供兒童骨齡評估值及身高預估

染色體數量異常偵測

人體內有23對染色體（共46條），依長短、次序等，在醫學上被編列為第1號～第23號染色體。在醫學遺傳學上，染色體與基因扮演相當重要的角色，也對嬰幼兒死亡和先天殘疾有深遠影響。

利用染色體基因晶片檢測可診斷相關遺傳疾病，如染色體數目異常相關疾病有：唐氏症（第21號多一條）、艾德華氏症（第18號多一條）、巴陶氏症（第13號多一條）和透納氏症（失去一條X染色體）等。

由於傳統染色體檢測方式重人工作業、工時較長，相關醫療服務仍存極大提升空間。為解決上述染色體遺傳檢測的臨床問題，本系統利用大數據、人工智慧等技術，訓練顯微鏡下之基因影像，不僅可以快速排列出人體23對染色體，更可快速篩檢出有潛在異常的染色體 (如數目異常)。針對異常染色體提供AI結果報告予臨床專科醫師做進一步確認。

傳統判讀一例須2.5小時；而AI輔助完成一位病人的染色體核型分析僅須0.001秒即可產出報告，大幅提升染色體分析效率。當前系統準確率：92%。

染色體數量異常偵測與自動排列示意圖

骨密度判定模型

骨質疏鬆症通常是經過多年的累積，使骨骼變得愈來愈單薄、愈來愈脆弱。因此必須在骨骼還沒有遭到嚴重破壞，以及骨折發生前，確認是否患有骨質疏鬆症，並趕緊進行治療與預防，使病情不再繼續惡化。

骨質疏鬆症是個隱形殺手，通常不會產生任何疼痛，所以病人往往等到發生骨折之後才知曉。除了病況不易察覺外，一般骨密度檢測需要透過專業儀器檢測，但並非每家醫院都有此設備，故此皆為不容忽視的臨床痛點。

為了及早發現骨質疏鬆的問題，本系統利用髖部X光為訓練資料集，開發「骨密度判定模型」，AI自動計算骨密度測值評分，並提供醫師是否進一步安排骨密度檢查之參考。

本系統有極高發展性，由於缺乏骨密度檢測儀器的南部醫院或是醫療資源較缺乏的偏遠地區，只要衛生所有相關X光設備，就可將拍攝完的影像做遠端傳輸後，快速進行AI輔助篩檢骨質疏鬆症。當前系統準確率為：MAE (平均誤差值) 0.048g/cm2。

骨密度判定模型AI報告結果

顱內出血AI判讀

顱內出血 (Intracranial Hemorrhage, ICH) 每年每100,000人就有24人發生顱內出血的情形，死亡率高達30%，為一分秒必爭的緊急情況。以台灣急診現況而言，腦傷病人致死率高，甚至可能引發中風後遺症。

如要為病人進行診斷，研判有無腦出血的症狀，通常醫師須借助判讀大量腦部電腦斷層掃描影像 (CT) 來進行診斷與後續醫療決策。為把握救治病人之黃金時間並加速醫院轉介流程溝通作業，本案利用未施打顯影劑之CT影像為訓練集，建立可精準識別五種顱內出血型態之模型 (EDH / SDH / SAH / ICH / IVH)，可快速通知醫護、減少病人等待時間，使其立即接受妥善診療。判讀影像腦出血的準確率達到 98.6%。

可偵測5種出血型態 (EDH / SDH / SAH / ICH / IVH)

護理語音助理

因應護理人員工作量繁重，為縮短護理人員文書作業時間(如交班、書寫護理紀錄)，人工智慧中心與醫院各科護理師合作，共同開發AI護理語音助理軟體，可以讓護理人員以口說取代文字書寫，將護理相關工作內容記錄及交班事項自動產出並存檔。

護理人員臨床應用流程

本系統透過利用自動語音識別 (Automatic Speech Recognition, ASR) 技術，由AI自動生成一文字紀錄，可支援中英夾雜、醫療專有名詞及標點符號，並提供即時回饋功能，以修正並優化模型。

當前系統之正確率85.5%。本系統已申請台灣專利 (CP- 5299-TW) 及美國專利 (CP- 5299-US)。

護理語音臨床介面示意圖

ICD-10 智慧自動編碼

國際疾病分類系統的主要目的是為了讓不同國家或不同地區，將其所蒐集到的疾病診斷或相關健康問題資料，經由統一標準的分類，以便進行衛生健康資料比較分析，提供各國衛生機關決策參考。

此外，正確的疾病分類有助於DRGs (Diagnosis Related Groups，診斷關聯群住院支付制度) 給付申請，進而影響醫院CMI (Case Mix Index，病例組合指標)。然而，相較於前一代疾病分類碼 (ICD-9 CM)，第10代診斷碼數量近7萬個、是前一代的5倍，而編碼的組成規則，也有極大差異，複雜程度大為提升。由於編碼作業十分繁雜，大部分臨床流程為：醫師看診時，先選擇疾病分類相近之診斷碼，之後再由疾病分類師來再度核對，確認最終編碼。

鑒於人工編碼耗時、費力、容易出錯等問題，本院人工智慧中心以AI自然語言處理的技術，對非結構化電子病歷資料 (包含：出院病摘、住院紀錄及病程紀錄等)進行模型訓練，開發ICD-10智慧自動編碼系統。

當前系統表現為：AUC (ROC曲線下面積) 82%、Sensitivity (敏感度)78%、F1 score (F1分數) 82%，期望提升ICD-10編碼之效率、品質與完整性及節省編碼時間，優化DRGs權重計算，並提升醫院總體CMI值。

ICD 智能編碼使用介面

敗血症疾病風險預測

敗血症即全球絶大多數感染症導致死亡之最終共同路徑，全球每年4千7百至5千萬例的敗血症中，至少1千1百萬例死亡案例。當敗血症發生時，根據新版國際指引建議，為降低病人死亡風險，應在確診後 1 小時內靜脈投以經驗性廣效抗生素。然而，傳統檢測（如血液培養）有將近 5 成無法檢測感染病原，檢測陽性率低、檢測時間長等問題。

為有效提升檢測陽性率，縮短檢測時間，及早協助醫師進行臨床用藥調整，本院利用深度學習技術訓練病人的歷史生理數據及血液檢驗報告，開發「敗血症之人工智慧輔助醫療診斷系統」，協助醫師及早發現敗血症，提升病人之存活率。

本系統整合於本院智抗菌平台之預測端，如果系統警示病人併發敗血症的可能性高，醫護人員就能預先強化醫療照護與生理數值監控；於急診方面，醫療團隊能及時給予抗生素及輸液治療，並根據各器官受損程度，給予治療建議。

系統準確率：ACC (準確度) 87%、Sensitivity (敏感性) 78%、Specificity (特異性)，本系統已申請台灣專利 (CP-5298-TW) 及美國專利 (CP-5298-US)。

AI自動敗血症輔助診斷系統臨床應用實例

基因晶片插補技術 (SNP Array Imputation)

人類基因體是由23對染色體所組成，影響人體遺傳基因個體差異。人體中大約有30億個DNA鹼基對，每隔100至300個鹼基就會存在一個SNP位點。根據美國生物科技資訊中心 (NCBI) 的資料，已標記出人體約一億多個SNP位點。目前針對SNP位點已有系統性的檢測，且建立SNP位點與疾病之間的相關資料庫，促成個人化醫學及精準治療的發展。

為增加人體基因之推估位點以利個人疾病預測與用藥，本案將Taiwan Biobank所釋出的1361位台灣人全基因定序 (Whole Genome Sequence，WGS) 的資料作為參考序列集 (Reference Panel)，將DNA微陣列 (Microarray) TWB 2.0 經過品質控制後所留下44萬點，利用AI模型Beagle 5.2 搭配連鎖不平衡 (Linkage Disequilibrium) 的原理推算出最可能的1500多萬個位點，除可提升DNA微陣列之總體性價比外，更可整合SNP基因檢測結果、所處環境狀態、營養狀況及生活型態等因素，再應用大數據資料庫的分析預測各項疾病風險與性狀特徵的結果。

基因插補技術運作圖