加州大學聖地亞哥醫療中心使用 AWS 在 10 天內實作了人工智慧影像處理模型

當新冠肺炎疫情於 2020 年春季在美國爆發時，加州大學聖地亞哥醫療中心研究人員已經使用機器學習開發出一種影像識別模型，以在難以檢測的病例中識別肺炎。由於肺炎正迅速成為新冠肺炎病患嚴重感染的主要指標之一，加州大學聖地亞哥醫療中心臨床研究資訊主任 Mike Hogarth 博士要求 Amazon Web Services (AWS) 協助設定在臨床環境中套用該模型的系統，讓醫療從業人員能夠將資訊用於診斷和治療。

在醫療保健環境中使用病患檔案和資訊時，資料安全性至關重要。套用人工智慧模型的系統需要讓加州大學聖地亞哥醫療中心能夠符合 HIPAA 的嚴格規定，以便在臨床環境中使用。加州大學聖地亞哥醫療中心過去曾在 AWS 上設定同樣合規的解決方案，而這項經驗讓加州大學聖地亞哥醫療中心的團隊在短短 10 天內就使用 AWS 建置了想要的系統。

加州大學聖地亞哥醫療中心是全球排名前 15 大的研究型大學加州大學聖地亞哥分校醫學院每年進行數百項臨床試驗，而 UCSD 健康服務研究中心則專門收集和分析健康成果資料來支援研究。2018 年，加州大學聖地亞哥醫療中心的團隊在加州大學聖地亞哥分校醫學院放射學副教授 Albert Hsiao 的帶領下，開發了一種利用機器學習在 X 光影像中檢測肺炎的方法。「我們用顏色編碼建立了一個概率圖，以顯示肺炎的不確定性或確定性。」Brian Hurt 醫生 (Hsiao 博士團隊中的住院醫生) 表示。根據Hsiao 博士的說法，「一般人通常會做的是建立一個模型，能簡單回答是或沒有結果，指出這是否為肺炎。但是我們認為，產生影像非常重要，因為這樣才能標示出異常的位置」。 該團隊於 2020 年初發表了有關這些成果的論文。

加州大學聖地亞哥醫療中心團隊之前就擁有使用 AWS 為其研究資料建立安全、符合 HIPAA 規範的環境的經驗。「我在加州大學聖地亞哥醫療中心的首要工作之一就是建立一個環境，在這個環境中可以根據需要運算並移動受保護的健康資訊。」Hogarth 博士表示，「我們的團隊和 AWS 每週會開會，討論如何將其最佳化，當新冠肺炎疫情嚴重時，AWS 詢問能提供什麼樣的協助，以及是否有任何我們想要做的事情。」 Hsiao 博士團隊的模型立即浮現在腦海中。

目標是實施一個能夠在臨床環境中拍攝 X 光影像的系統，在上面執行該模型，並快速傳回結果以協助診斷。「在類似我們這樣的實驗室中建立的許多模型都很有可能成功，但如果沒有實際將它們建置到臨床工作流程中，則發揮不了太大助益。」Hsiao 博士表示。這種實作可能會影響新冠肺炎病患的診斷，治療和成果。「新冠肺炎的發現基本上和任何其他病毒性肺炎的發現相同。」Hsiao 博士表示。「Brian 訓練的模型在這個族群中表現良好，因為一般來說這種模型適合用來檢測肺炎。」 該模型的用途有兩種。首先，如果在 X 光影像中檢測肺炎，如果之前的試驗結果是 (可能是偽陰性) 陰性，它會提示進行測試或重新測試。其次，在已知感染的病患中，在 X 光影像上發現肺炎可顯示疾病的嚴重程度和預後狀況，並通知治療。

加州大學聖地亞哥醫療中心的研究團隊已經建立了模型來拍攝影像，並將影像以顏色編碼的覆蓋圖傳回。它只需要一個可以和臨床影像系統連線的雲端解決方案，即可接收影像並將其直接輸出到病患的檔案中，讓醫療專業人員便於存取和檢視影像。由於團隊已經在 AWS 上建立了符合 HIPAA 規範的環境，僅需 10 天就能讓專案啟動並開始執行。「它在 AWS 上執行的第一天，該模型處理了大約 400 張 X 光影像，失誤非常少。」Hogarth 博士表示，在實作後的 6 個月內，該模型處理了超過 65,000 張 X 光影像，每張在 3 到 4 分鐘內完成。

該模型能發揮如此大助益的原因是其在照護點為醫生提供資訊的能力，而讓這一切不僅可能而且簡單易維護的重要關鍵正是 AWS。根據Hogarth 博士的說法，加州大學聖地亞哥醫療中心的 500 人資訊技術團隊中，單一成員就能驗證對 HIPAA 和 AWS 環境中其他法規的持續合規性，這屬於其職責的一部分。而說到實作由 Hsiao 博士的團隊在臨床環境中建立的模型，主要需要 Amazon Elastic Compute Cloud (Amazon EC2) 執行個體。該環境提供團隊所需的安全組態，並且很容易即可隨著運算容量的增加而調整大小。

由美國急診醫師學會 Open 雜誌最近發表的一篇論文指出，實作此模型已經影響了 20％ 的臨床決策。「我們知道的事情中很少有真正影響臨床決策到這種程度的。」Hsiao 博士表示。該模型的初始準確率為 86%，該團隊很快就會部署更精確的版本，以解決發生在心臟後方時經常被忽視的肺炎病例。

在現有照護點工作流程中評估以機器學習為基礎的臨床決策支援非常重要，但卻相對較少見。儘管對此影像分析工具的評估仍處於起步階段，但有非正式的證據顯示這種工具正在產生積極影響。最近，一名 78 歲的病患因發燒和腹痛而入院。醫生尚未考慮進行新冠肺炎診斷，但該模型在胸部 X 光影像上顯示出肺炎的徵兆。因此，他們對該病患進行了試驗，結果病毒檢測為陽性。

Hsiao 博士的團隊計劃繼續改進該模型，但在照護點評估機器學習和人工智慧演算法的想法在其他各種醫療保健研究中也有潛在的應用方式。「對我們來說，這是一個資料和決策支援管道。」Hogarth 博士表示，「我們已經透過這些影像證明了管道的用途，但也可能有許多其他的應用方式。」