榮獲2021 第18屆國家新創獎

隨著人工智慧的發展，深度學習模型開發及應用已逐漸成為病理學領域的研究及發展方向。近年來，數位病理AI因為卷積類神經網路(Convolutional Neural Network, CNN)在影像辨識領域的優異表現而受到重視，不僅能輔助病理師更精準的判斷癌症病灶，更可能減少誤診的可能。然而，數位病理全玻片影像(whole slide image)的解析度非常高，由於用來做計算加速的圖形計算卡(graphics processing unit, GPU)上面的記憶非常有限，無法容納解壓縮後的全玻片影像内容，以及在深度神經網路計算過程中產生的中間產物，因此要在一般電腦伺服器運算下，用如此高解析度的病理影像訓練深度神經網路是非常困難，目前常見的解決方法是由病理醫師在病理影像進行細節標註，再將影像切成小圖(patches)以進行AI訓練，這種方式在標註及訓練上非常耗費人力、時間及運算資源。本研究技術的特色為僅需影像級標註，不需花醫師人力作細節標註，即可訓練深度神經網路對切片進行準確之癌症區域偵測，並可達到很高的影像辨識正確率，此技術可大幅降低病理醫師在診斷上的時間、提升準確率，更重要的是此方法對於推動數位病理AI的發展將會有非常大的貢献。本研究後續發展之優化技術，能達到在一周內完成數千張病理全玻片影像之訓練和獲得之優異訓練成果，同時在相同癌症類別之全玻片病理組織切片之次分類準辨識確度上達到95%以上的區辨力之表現，將大幅提升其臨床應用價值。