傳統電腦斷層（CT）掃描影像在分割病灶時，有病灶識別困難、需大量專業人力分析、手動標註病灶耗時，導致診斷效率低下並增加醫療成本。如再加上人工標註過程容易因疲勞、有限診斷作業時間與經驗不足等因素造成漏判。
全球排名前2%科學家、臺科大醫工所教授王靖維與團隊開發出通用3D病灶分割AI模型，用在電腦斷層掃描影像，可以快速精準辨識並分割多類別胸腹部病灶，在今年國際醫療3D CT影像AI競賽，自62國、632名角逐者中，脫穎而出拿下第三。
王靖維說，團隊研究開發通用3D病灶分割AI模型，可精準辨識多類別胸腹部，包括骨骼、胰臟、腎臟、肝臟、肺結節、肺部、結腸、淋巴結和縱膈等病灶，適用胸腹部CT影像，可自動化精準標註多種3D CT病灶，幫助放射科醫師以3D形式標註病灶，解決手動標註耗費大量人力成本問題。
通用3D病灶分割AI模型除精準辨識，在處理效率上更充分滿足臨床應用需求。傳統人工標註每案約耗費30-60分鐘，但團隊AI技術在配備單一T4 GPU的Grand Challenge平台伺服器上處理，每個3D病灶資料只需3.25秒。若用配備RTX4080的本機PC，則不到2秒。
王靖維說，3D的CT影像病灶分割與2D影像相比，提供更多有助醫師監控病灶成長的資訊，如病灶體積、形狀和空間位置。CT掃描的自動AI病灶分割比手動分割具有優勢，包括提高效率、可重複性、準確性和標準化，從而實現更精確的定量分析，並促進研究成果轉化為臨床實踐。
王靖維研究團隊表示，透過參與競賽除提升團隊技術實力，也增強處理大規模、多類別CT影像數據方面的經驗。深入了解如何在真實臨床應用提升AI模型的實用性和穩健性，為未來的研究和應用奠定堅實基礎。
ULS23競賽是為促進在3D CT領域通用型病灶分割模型研究，在Grand Challenge平台上進行。競賽提供39,500病灶臨床測試集3D CT，讓參賽者建立與驗證包括骨骼、胰臟、腎臟、肝臟、肺結節、肺部、結腸、淋巴結和縱膈多類別胸腹部通用病灶模型。
競賽考量臨床實際需求，透過多項指標，評估模型穩健性和精確性，藉由AWS雲端計算，使用未公開的3D CT病灶影像，對參賽者的模型進行自動且公平的量化評估，瞭解更多。
延伸閱讀
