為因應新型冠狀病毒(COVID-19)全球性疫情，各大醫療院所與科研單位無不合作防堵疫情擴散。在防疫的過程中，篩檢過程被醫療院所重視，其中胸腔X-ray是一項重要的檢查指標，主要用來判斷是否出現肺炎等徵狀。然而當受檢驗的患者數量過多，或醫護人員人手不足，無法即時做出診斷或是疏忽一些病灶，就容易造成防疫上的缺口。因此本團隊利用AI技術來輔助醫護人員在判讀X-ray時給予可疑病徵的資訊，採用較常見的UNet與FeaturePyrimd Network (FPN)為模型基礎，並利用臨床醫師所標註的數千筆胸腔X-ray資料來訓練肺炎偵測模型，並建置預警系統，當患者拍攝胸腔X-ray後，便同步進行模型掃描，針對較高風險的影像發出警訊，提醒臨床醫師優先進行該影像的判讀。該模型利用熱區圖來顯示風險較高的區域，以此來輔助醫療人員進行診斷。

　　一場新冠肺炎（COVID-19）以黑天鵝般的姿態，於2020年開春橫掃世界各國，面對像是新冠病毒這樣不確定的因素，對於任何企業，尤其是「醫院」這麼古老的行業，惟有翻轉既有醫療流程與技術架構，並增強多元環境的應變力，才有可能生存下來。當然，這也暗示此關鍵時刻正是以創新科技重塑醫療機構的契機，例如目前火紅的AI與智慧醫療。

　　人工智慧的巨浪早已席捲各國醫療領域，台灣的研究團隊也積極擁抱AI醫療影像分析。利用AI科技開發肺炎之X光片自動判讀輔助系統-MedChex，透過AI演算法輔助並找出疑似新冠肺炎病徵，來加速醫師判讀的時間。

　　本團隊初步使用史丹佛大學釋出的胸部X光影像，包含超過6萬名患者在過去15年來進行胸部X光檢查的結果，開發自動偵測肺炎的AI模型，該模型初期對現有影像的辨識度相當高。但後續利用美國國家衛生院（NIH）所公開的胸腔X光資料集，從中挑選具有肺炎與無肺炎病徵共3000筆資料，對AI模型進行測試，很可惜地辨識結果並不理想。經過與臨床醫師數次的密集討論，發現最可能的原因應是公有資料集之影像品質不佳，由於資料來源過多且複雜，不同等級醫院所拍攝之影像目的不盡相同，標註水平參差不齊，因類似的問題在過去從來沒有被研究人員發現，也導致訓練出來的AI模型不能應用在其他的資料集上。 

　　為了加強模型在細緻特徵的擷取，本團隊更改策略並重新調整模型網路架構，在對影像特徵從粗糙到細緻的計算過程中，能更有彈性地保留原始真實資訊。另一方面，本團隊利用「金字塔型特徵萃取法」（Feature Pyramid Network），以階層式的設計來強化模型的感知視野，提升模型在大小不同的病徵影像上有更好的識別能力，這對肺炎的偵測非常有幫助。 

　　隨著疫情在全球不斷蔓延，確診病例分佈於世界各地，為進一步觀察MedChex的泛用性與準確性，研究團隊使用了公共資料庫作為驗證對象，其中來自多國（含中國、澳洲、美國、德國及義大利）的新冠肺炎確診病患之資料，發現各國患者病徵類似，由醫師手動標記之疑似感染區域，與MedChex的判讀結果有非常高的一致性。未來可望成為輔助放射科醫師的好幫手，縮短醫師閱片時間，也能避免因為人眼疲勞或是看走眼而造成的失誤。

　　案例1. GitHub公共資料庫中來，自中國武漢某醫院之確診病例，其肺炎徵狀明顯，套用至模型中呈現患病機率高達百分之九十至百分之百。

左圖：醫師手動標記       中圖：AI系統判定肺炎區域    右圖：AI系統判定毛玻璃狀區域

　　案例2. GitHub公共資料庫中，來自美國西雅圖Snohomish County某醫院之確診案例。其肺炎病徵較不明顯，判別困難度高，但透過此AI判讀仍可測出病灶，並判定患病機率為百分之七十四。    

左圖：原始影像　　　　中圖：AI系統判定肺炎區域　　　　右圖：AI系統判定毛玻璃狀區域