研發乳腺癌智能預測技術

乳腺癌是女性三大癌症殺手之一，需要及時、準確的診斷，以提高治療效果和患者預後。研究團隊與荷蘭癌症研究所（NKI）、馬斯特里赫特大學、拉德堡德大學醫學中心、特溫特醫院集團（ZGT）、特溫特大學、哈加教學醫院和阿姆斯特丹癌症中心合作開展研究，在分子層面探索乳腺癌的癌症預測技術，並利用多模態深度學習方式提升技術的預測效果，為更早期、更精準地檢測乳腺癌開拓新方法。

“多模態”指整合不同數據源或數據擬態來進行分析和學習的方法。傳統上，癌症研究主要集中在檢測腫瘤細胞內的分子層面變化，分析基因突變、表觀遺傳學及癌細胞的其他分子特性，以分類腫瘤類型並找出潛在的靶向治療。研究團隊利用智能技術推進傳統研究方法，整合不同數據類型構建綜合模型，擴大數據範圍至腫瘤周遭的血管、免疫細胞等微環境因素，從多個維度透視乳腺癌的分子複雜性，對腫瘤與其微環境的相互作用產生新的理解，使乳腺癌表型特徵呈現得更為徹底，有助於更準確、具體而快速地評估腫瘤類型。

在技術層面，研究團隊在是項研究所開發的多模態影像分類模型（multimodal image classification model），使用診斷性乳腺攝影、超聲波圖像以深度學習算法進行訓練，自動學習和提取圖像特徵，對乳腺癌的分子亞型進行預測。模型引入內部與跨模態注意力機制，增強跨模態圖像特徵的整合，使其能夠從多個角度評估圖像，從而提高其預測效果。經臨床人員驗證，該模型的預測性對解讀放射圖像有顯著幫助。隨著數據演算不斷深化，模型對乳腺癌分類的精確性和特異性將不斷提高，為乳腺癌的早期診斷與預後帶來助力，也為治療選擇創設更多可能性。

自動化腦腫瘤分割過程

腦腫瘤分割，涉及在磁力共振掃描中精確識別並描繪出腫瘤區域，是腦腫瘤診斷和治療的重要一環，需要醫療人員大量時間、精力與專業投放。研究團隊與哈爾濱工業大學、青島科技大學、日本大阪大學以及NBL Technovator研究所共同合作研發MimicNet，把複雜的磁振造影腦腫瘤分割過程自動化。

MimicNet採用前沿深度學習技術，模仿專家手動描繪行為，在磁振造影中自動描繪出腫瘤區域。它的心臟是大量由專家手動分割的磁振造影數據，以深度學習算法對龐大的數據庫進行演算分析，把專家智慧轉化導入至自動化流程當中。系統能夠過濾複雜的圖像層次，準確識別並分割腫瘤區域。這個過程既仿效專家的細膩工作，也兼具人工智能技術所帶來的效率與一致性。

用於訓練MimicNet的數據涉及T1加權、T1加權對比圖像、T2加權和T2-Flair圖像等多種磁力共振模式，各從不同視角對腦腫瘤提供不同信息。通過整合這些視角，MimicNet能夠較完整地捕獲腦腫瘤的全貌，有助提升腦腫瘤分割的準確性，為制定治療方案提供更為全面的資訊。 

智能評估胎兒肺部發展

產房內讓人期待的是初生兒的第一聲啼哭，宏亮的哭聲代表他們開始呼吸，肺功能開始運作，新生命順利誕生，很大程度取決於其肺部在母胎中的發育成熟程度。研究團隊從醫學影像入手，把智能技術融入胎兒超聲波監測，為評估胎兒肺部發育成熟度研究非侵入性檢測方法，以優化產前照護，維護母嬰健康。

準確評估胎兒肺部成熟度相當複雜，傳統方法往往需要進行羊膜穿刺術，這項侵入性檢查易使孕婦感到焦慮，具一定的潛在風險。研究團隊因而研究使用智能算法分析胎兒超聲波影像，以評估胎肺的成熟度。在技術層面，以深度學習模型結合圖論研究，把超聲波數據轉化為圖形，細緻分析影像中各種變數的潛藏關係，進而提升胎肺評測效果。有關評估辦法充分體現“以人為本”思維，有效減低傳統產前胎肺檢測相關的身心風險。

是項研究由澳理大研究團隊聯同來自多所高校、研究中心與醫療機構的專家學者共同開展，當中包括：華東師範大學、西安交通利物浦大學、利物浦大學、中醫藥智慧康復工程研究中心、上海交通大學醫學院附屬第六人民醫院、南京醫科大學附屬蘇州醫院、人工智慧創新中心，以及海軍醫學大學。團隊匯集來自人工智能、數學、醫學和超聲技術等不同領域的專家學者，充分體現智慧健康跨學科協同創新的特質。

開發臨床診斷預後輔助工具

解讀醫學影像需要醫療人員用肉眼逐一檢查影像以識別異常部位，在臨床工作當中對醫療人員個人的時間、精力等有著高度的要求。研究團隊從臨床工作流程的角度以智能技術開發醫學影像解讀輔助工具，協助醫療人員釋放更多精力治療患者。

研究團隊與上海交通大學、英國卡迪夫大學、日本東京大學、天津大學合作總結現有人工智能醫療影像研究，以目前存在人工智能和機器學習技術優化X光、電腦斷層掃描、磁力共振等醫學影像的解讀能力。綜合海量影像數據、實驗室檢測結果、人口學信息、家族史、治療反應率，以及影響疾病進程的不同因素，從診斷至預後構建智能演算系統，協助醫療人員較全面地瞭解患者情況，推估在不同治療方法下疾病的發展進程，以為患者制定相應的治療策略。

智能演算系統能有效對醫學影像進行初步分析與病症分類，24小時恆常運作大幅減省在重覆性工作所耗費的時間與精力。基於影像自動分析的診斷與預後結果能快速送達醫療人員手中作進一步深入解讀，可有效縮短患者等待檢測結果的時間，使病症能儘早治理，研究結果為利用人工智能提高醫療效率、為醫療資源不足的地區優化醫療服務提供技術參照。 

醫學影像智能解讀推進人類視覺

應用科學學院副教授檀韜是該學院人工智能醫學影像分析技術研究團隊的領軍人物，醉心於研究人工智能技術在醫療影像學的臨床應用。對於人工智能技術的應用價值，他淺言，“在於高速分析海量數據並識別當中細微規律與模式的能力，具備潛力為醫學影像領域帶來應用導向的突破。”臨床醫學提供大量臨床數據與疾病知識，是訓練人工智能模型與系統的寶貴資源。在臨床醫學理論與數據的支持下，智能系統能實現個人力所不及的工作，對數萬以至數百萬醫學影像進行同步分析，尋找各種可能超越人類視覺的微細規律。研究團隊放眼於輔助醫療人員提高診斷與治療效率，而與此同時，希望透過智能系統匯聚專家級影像分析能力帶至全球不同地方，為聯合國就全球健康的可持續發展目標作出貢獻。

培養智慧健康青年研發人才

教研合一有助啟迪學生對知識的追求和未知的探索，增進學術能力。王榮勝是澳門理工大學大數據與物聯網學位課程的碩士生，於今年參加的全球醫學影像學大賽中，從全球近2,000支參賽隊伍中脫穎而出，勇奪銀獎，而檀韜副教授在是次比賽中擔任他的指導老師。

“檀韜副教授與我們進行多次討論和交流，幫助我們理解乳腺鉬靶圖像的特點和診斷規律，指導設計多任務和多信息融合的算法框架，就數據處理和特徵提取方面提出寶貴建議。”王榮勝認為，參加競賽是一次展示和驗證研究成果的機會：“大賽讓我有機會與全球頂尖學府、醫學實驗室和專業人士合作，利用他們提供的豐富乳腺鉬靶圖像數據集進行研究和實踐。”

回想碩士一年級修讀機器學習，王榮勝初次接觸有關競賽平台。“當時的實踐作業需要在平台上完成提交。通過這門課程，我瞭解到那是一個許多國際組織發起數據科學競賽的開放性平台，接受來自全球的數據科學家提交解決方案。在此平台上，北美放射學會組織了一場醫學影像學大賽，旨在開發一個機器學習算法，提升乳腺疾病的篩查精確性和效率。比賽分為公開階段和私有階段，我們在公開階段排名第50，在私有階段排名第56，證明算法具有顯著泛化性和可靠性，最終贏得全球競賽的銀牌。” 

AI醫學影像未來可期

研究團隊在醫療保健創新領域的領先地位，突顯人工智能與傳統醫學相輔相成。團隊利用先進技術，如人工智能和機器學習，有效地推進醫學發展，並展現出技術與臨床科學之間的協同作用，使我們對疾病有了更深入的理解和改善了臨床管理能力。跨學科的努力彰顯跨領域研究在醫療保健發展中的重要作用，無論是在預測癌症子類型的準確性，還是在使用人工智能改進醫學影像診斷的預測和診斷，到提升產前護理，都表明科技和醫療保健必須成功地結合以推動醫學的未來發展。我們對人工智能在醫學影像學中角色的探索，為一個共同努力提升健康結果的未來鋪平道路，期待這個領域的不斷演進。

“目前的機器學習模型只能在單一場景下的單一任務中工作，相信未來會有更加統一的機器學習模型，來同時完成多場景下的多任務，ChatGPT的出現讓我們看到這樣的可能。”王榮勝不僅關注醫學對話大語言模型，也積極投身大模型與醫學的交叉研究工作。“在檀韜副教授的指導下，我們推出了澳理大第一個醫學大語言模型IvyGPT，這項工作已在醫學評測基準榜單中力壓ChatGPT，取得出色的表現，未來將繼續深入研究有關課題。”

推動高新產業有助支撐醫療康養、健康管理、生物技術、藥物研發等大健康產業發展。檀韜副教授和王榮勝深信，人工智能在醫學影像分析方面具有巨大潛力，可以幫助醫生作出更準確的診斷，並提供個性化的保健治療方案，實現全民精準健康保障。 

 

澳門理工大學相關研究全文：