顱內出血約佔中風的10％至20％，可能是由外傷，動脈瘤破裂或癌症引起的。對於這些患者必須及時準確地診斷。

　　人工智能（AI）已經對醫學影像產生重大影響。有一種臨床應用是急診分診，稱為CADt，基於深度學習算法，充當醫學圖像看門人。

　　以往，放射線技師完成檢查後會檢查影像質量，當發生顱內出血，主動脈剝離和氣胸三種急症，會立即向臨床醫師電話通知。由於繁忙的急診環境，約有10％顱內出血患者延遲通知會超過10分鐘。今年三月以來，AI警報模型已部署到頭部CT掃描檢測日常工作中。顱內出血準確率達到了87％，通知時間縮短至不到2分鐘。 

AI警示系統導入本院PACS系統後達到87%準確率及縮短通報時間至兩分鐘

　　顱內出血約佔所有中風10％至20％，可能是由外傷，動脈瘤破裂或癌症引起的。對於這些患者必需及時治療，準確地診斷出顱內出血。腦出血通常是致命的，並且30天內死亡率高達35％至52％。早期發現並縮短顱內出血患者的等待時間是很重要。

　　人工智能（AI）已對醫學影像產生重大影響。有一種臨床應用是急診分診，稱為CADt，基於深度學習算法，充當醫學圖像看門人。該算法首先讀取醫療圖像，並開始將通知發送給醫療人員以便儘早採取行動。

　　隨著智能醫院的發展，我們與成大資訊工程學系（CSIE）合作建立了AI模型，用於CADt，包括腦內出血（ICH）、主動脈剝離和氣胸。所有這三種疾病都是急診醫生急需知道並治療。過去，放射技師在完成檢查並檢查影像品質後，會用電話向醫生發出有關顱內出血，主動脈剝離和氣胸的通知。由於繁忙的急診環境，約有10％的顱內出血患者延遲通知超過10分鐘。自今年三月以來，我們將AI通知模型部署到頭部斷腦掃描的日常工作中。我們的準確率達到了87％，警告時間縮短至不到2分鐘。 AI通知系統每2分鐘自動讀取大腦電腦斷層，從而減輕了技術人員的通知工作量。到目前為止，我們在顱內出血檢測中取得了良好的結果，我們還希望對顱內出血的五種亞型進行分類：實質內出血（IPH），硬膜外出血（EDH），硬膜下出血（SDH），蛛網膜下腔出血（SAH）和腦室內出血（IVH）。 顱內出血分類模型的初步數據對EDH，SDH，SAH，IPH和IVH的敏感性達到0％，96％，89％，91％和98％，特異性分別為100％，93％，70％，81％和92％。研究團隊將包括更多的EDH案例用於亞類型分類，以解決案例較少的EDH中數據不平衡問題。

成醫醫療影像AI模型系統架構提供了警示、輔助診斷及回饋系統用改善日常流程

 　　此外，我們將AI模型與醫療影像傳輸系統（PACS）統整，讓AI模型也可進行輔助診斷功能，隨時啟動AI模型。在臨床實務上並不需要超人AI，只要AI的表現優於放射線醫師的最低標準，病患亦將受益。我們應提出臨床上未被改善滿足的AI項目，並利用再訓練系統以獲取“真實數據”將AI模型再提升。對於AI算法的應用，研究、改進工作流程或商業化，應明確思考定位AI模型的預期用途。 AI模型的商品化認證過程很繁複，需要大量的驗證和確認文件。

溝通良好的跨域團隊可以促成更好的智慧醫療

　　跨領域溝通是在擁有不同技能和專業知識的AI團隊中成功合作的第一步。一個好的AI模型應該建立在無私的分享專業知識之上，並學習可以互相理解溝通的語言。“垃圾進垃圾出”是智能醫療的噩夢。高質量的影像數據和精確的圖像標註才有機會發展出成功的AI模型。人工智能和創新的智能醫療技術的集成合作，才能激發出更出色的技術，提高效率，質量和醫療價值。