香港中文大學(中大)計算機科學與工程學系教授王平安教授及其研究團隊，最近成功應用人工智能影像識別技術，通過深度學習(Deep Learning)系統判讀電腦斷層掃瞄(CT)及病理組織切片等醫學影像，並針對香港兩大高危疾病──肺癌及乳腺癌的影像進行研究。結果顯示，利用人工智能判讀該兩種癌症的醫學影像，準確率分別高達91%及99%，識別過程只需30秒至10分鐘，可見此技術能大幅提升臨床診斷的效率，並降低誤診率。預計在未來一至兩年，這種自動化檢測技術將可於本地醫療界廣泛應用。
早期肺癌肺小結節自動檢測
通過深層神經網絡自動檢測肺小結節
肺癌是本港頭號致命癌症，早期肺癌多以肺小結節（small pulmonary nodule）的形式出現，即在肺部影像出現細小的團狀陰影。現時，醫生主要通過胸腔CT圖像去檢查是否存在肺小結節，然而，每次檢查都可產生多達數百張斷層掃描圖像，單靠肉眼判斷，往往耗費大量時間精力，準確度或會因醫生的經驗及精力差 異而有所影響。王平安教授及其團隊採用深度學習技術判讀CT掃描圖像，僅需30秒，就能自動識別出可能出現肺小結節的位置，準確度高達九成。一般情況下，每次CT檢查會產生數百張二維切面圖，如逐一以肉眼觀察，每幅花3秒，耗時至少5分鐘。
中大研究團隊早於五年前展開相關實驗，技術走在國際前沿，現今測試效果已取得醫學界的正面回響。王平安教授相信此技術將於未來一至兩年內被廣泛應用，他表示：「深度學習透過先進的方法，提升技術的敏感度，剔除疑似及雜訊的誤報（假陽性），解決了用肉眼檢測影像所遇到的最大挑戰。」他透露，團隊將聯同北京幾所醫院合作開發相關產品，以優化技術，及早識別肺結節病變，為肺癌的早期診斷和治療提供可靠的依據。
自動檢測組織病理學圖像中的乳腺癌淋巴結轉移
自1990年以來，本港乳腺癌新增個案持續上升。乳腺癌是香港女性最常見的癌症，在常見癌症中排名第三。醫生一般要通過乳房X光造影或MR掃瞄，檢測硬塊位置：在檢測淋巴結轉移時，醫生須切取一小塊活組織為樣本，在顯微鏡下檢查淋巴結有否轉移，以及腫瘤是良性還是惡性。一幅數碼活組織全切片圖像的解像度非常高，檔案大小可達1GB（Gigabyte），相當於一部90分鐘高清電影的儲存容量，檢測過程極之費時費力。
中大研究團隊開發了一種嶄新的深層疊卷積神經網絡，分階段處理乳腺癌的切片圖像。首先使用改良版的全卷積網絡（Fully Convolutional Network）——一種對圖像進行較粗略但保持高靈敏度的快速預測模型，重構出更加精密而準確的預測結果，最後定位並挑選出含有淋巴結轉移的圖像。整個自動化檢測過程只需約5至10分鐘，如單靠肉眼查看則病理醫生往往要花費15至30分鐘。準繩度方面，對比資深病理醫生人工檢測的結果，自動化檢測的準確度高出2%，達到98.75%，對乳腺癌的臨床診斷極具參考價值。
人工智能深度學習的優點，是能容納大規模的參數，隨著數據之累積，精準度能夠不斷提升；應用於醫學上的自動篩查及檢測，有如一個永不疲勞的醫護助手，協助醫生快速識別病源，及時制定適切的治療方案，對症下藥。
