（大公文匯全媒體記者 鍾健文）為推進醫療保健領域發展，協助醫生提高診治的精準度和效率，香港科技大學研發出4個嶄新的人工智能（AI）醫學大模型，涵蓋乳癌診斷、病理輔助和全科醫學等，可為多達30種癌症及疾病提供診斷和預後評估。當中，針對乳癌診斷而設的MOME是全球首個以大模型方式分析多參數磁力共振（MRI）影像的AI模型，可協助醫生快速分辨乳房腫瘤屬良性或惡性，其準確度達90%以上，可媲美具有5年或以上經驗的專業放射科醫生，更可預測患者對化療的反應，為患者開創非入侵性及個人化的治療管理作出幫助。另外，團隊亦研發出被稱為「醫學界GPT」的MedDr多模態語言模型，可為患者進行初步診斷，被評為全球同類模型中性能最佳的AI系統之一。
科大首席副校長郭毅可與負責領導研究的科大計算機科學及工程學系助理教授陳浩今日（31日）就4個AI醫學模型的研究成果與應用潛力進行介紹。陳浩表示，這次歷時近3年的研究是透過科大的人工智能運算設施進行，在充足的運算力下，這些AI醫學系統得以由大量數據建構而成，結合團隊創新的機器學習訓練策略，性能表現比其他現有模型更為優秀，例如單是其中一個針對病理學而設的AI基礎模型，便曾處理逾1.6億張醫學圖像，涵蓋32癌症類別。
有見乳癌是本港女性最常見的癌症之一，陳浩指出，針對乳癌的診斷，團隊研發出名為MOME的AI模型，它以大模型方式分析多參數磁力共振影像，能夠協助醫生分析患者的乳房MRI影像，輔助他們快速區分乳房腫瘤屬良性或惡性，從而盡量避免病人進行不必要的病理穿刺化驗；此外，該AI模型更能預測患者對化療的反應，為病人制定適合的治療方案；而該系統的準確度可媲美具有5年或以上經驗的放射科醫生，對為病人開創非入侵性及個人化的治療管理有莫大幫助。
陳浩表示，MOME模型採集了內地5間醫院逾1萬多個病例的數據，並在此大規模的數據基礎上，採用先進技術去透過多模態混合專家模型，來實現對多序列MRI影像的具體判斷，包括病灶的檢測、分割及良好性等，「根據AUROC這個非常客觀的指標，目前該模型的準確度可達90%以上。」他透露，現時正逐步擴大數據庫及收集更多醫生的反饋以進行分析和優化，正與包括香港和內地的醫院保持密切溝通，目標是在下一階段實現有10家以上醫院的數據。
病理檢查是世界認可診斷癌症的「黃金標準」，但撰寫病理報告的過程非常耗時且容易出錯，為了改善該流程，團隊亦建構了稱為mSTAR的病理輔助工具。陳浩介紹，它是世界領先的病理學基礎模型之一，與一般模型不同，mSTAR並非將整張切片分割及獨立分析，而是將整幅病理全景影像作分析，並引入多模態知識增強識別能力，有助病理學家執行多達40項診斷和預後任務，減低病理分析所需的時間，並提升診斷的準確性。
另外，陳浩指出，團隊也研發出有如AI全科醫生的MedDr多模態語言模型，能夠解答問題、撰寫醫療報告，並根據醫學圖像為病人作初步診斷等，是目前全科醫學中最具規模的開源軟件，有助醫生做出快速、準確及可靠的診斷，被形容為醫學界的「GPT」。他續指，在上海人工智能實驗室近日進行的一項評測中，MedDr更被評為全球同類模型中性能最佳的AI系統之一。
而為了提升醫療人員對AI模型的信任度，團隊亦開發出一個創新的AI框架——XAIM（可解釋的人工智能），用於剖析各個AI醫學模型系統是如何作出決策，並為系統的診斷結果提供圖像及文字解釋，以提升醫療人員對系統分析結果原由的理解，彌補現時不少AI系統準確度甚高但透明度欠奉引起疑慮的缺點。
身兼科大與華中科技大學同濟醫學院附屬醫院「醫工交叉聯合創新中心」主任的陳浩強調，這些AI模型絕對不能取代真實醫生，但期望它們能成為醫生的得力助手，達致「人機協同」，協助完善診斷、促進個人化治療並簡化流程工作，「在目前的成功基礎上，我們正研發一系列針對不同臨床任務的AI系統，包括精準腫瘤學和計算機輔助介入等醫療工作。同時，我們亦會繼續收集更多數據作訓練，以不斷優化現有的AI模型。長遠而言，我們冀透過與臨床合作夥伴保持緊密合作，為病人謀福祉。」
AI模型助省逾30%診斷時間
作為這次科大AI醫學大模型研究團隊的合作夥伴之一，暨南大學第二臨床醫學院深圳市人民醫院放射科主任醫師吳明祥表示，中國每年共有接近100億人次就診，醫生人數遠遠不足以支援幫助之餘，每天還要面對不同其他的工作量，因此能夠用在閱讀和分析磁力共振（MRI）影像的時間十分有限。他以乳腺癌的MRI影像為例，患者大約需時半小時完成檢查，之後醫生需要約20分鐘「看片」，「這只是普通病例，如果遇到複雜病例，可能會需要半個小時以上，所以它是一個很耗時的工作。」
不過吳明祥指出，使用MOME人工智能模型可以幫助提高一定的準確度和效率，例如它在AUROC和AUPRC的準確度都達到90%以上，可減少百分之三十至四十的診斷時間，也能在乳腺癌病症早期發現一些新的影像，從而幫助醫生作出正確判斷，「這樣一來，我們可以省卻大量時間，把精力放在診斷過程中的關鍵環節。」另外，他又提及，一些特別微小的病灶在早期很容易被漏診，但MOME模型能夠對此向醫生作出提醒，防止被漏診。
吳明祥認為，基於MOME人工智能模型可以對乳腺癌發揮全流程的作用，從最早的腫瘤篩查到最後的預後評估都可以給醫生提供幫助，因此能夠拓展醫生的診斷範圍和能力範圍。他指出，該模型目前處於數據分析階段，正在繼續通過收集更多數據和調參來對其進行優化，使它更加真實可用，並保證其準備度和安全性，以備未來用在臨床過程中，「希望隨着模型的逐漸完善和普及，它會成為醫生的一個得力助手，能夠最終提升我們整個醫療質量。」
冀提供更多臨床樣本數據
另一合作夥伴，南方醫科大學基礎醫學院病理系/南方醫院病理科主任梁莉強調，病理診斷被稱為疾病診斷的黃金標準，不僅作為癌症治療的最後診斷，還對臨床治療有重要的指導價值。但是，她指出，病理醫生需要在顯微鏡下從微觀層面對患者樣本的所有切片進行觀察，「這個過程是非常費時費力的，而且病理的診斷也受到不同病理醫生之間主觀診斷差異的影響，所以AI技術輔助診斷現在是非常有潛力的一個方向。」
梁莉續指，以往研究建立的AI大模型，主要是基於把整張的病理圖像切割成不同部分之後，然後再進行獨立分析；但是，陳浩團隊研發用於病理輔助的mSTAR大模型，是基於全片式的全景影像分析，能夠做到更加準確高效，以及滿足多樣化的診斷任務，包括了癌症的診斷分級分析以及預後和療效的評估等，這些任務都是在癌症診療過程中非常關鍵的一些臨床問題。「所以，有了mSTAR這樣的一個AI助手協助，可以輔助病理醫生很快速地對全片進行探索，然後簡化我們的工作流程，從而提高我們的閱片速度，減輕醫生的工作量，另外也有助於我們的診斷精準度和效率。」
梁莉透露，目前正與陳浩團隊合作，希望能夠提供更多的臨床樣本數據來驗證病理模型的效能和準確性，以促進其轉化和臨床應用；另外，團隊亦針對肺癌這個目前在國內外發病率最高的癌症，來建立肺癌的專病大模型，「希望通過病理基礎的模型和專病大模型這樣的一個協助和配合，能夠進一步提高腫瘤的精準診斷水平。」
