演化學習賦能的肝癌臨床決策支援系統


圖一、人工智慧肝癌診療的臨床決策支援系統架構圖

肝癌在全球的癌症死因排名第六，在台灣排名第二。初次發現肝癌通常需要仰賴高度精密的影像診斷，如電腦斷層掃描(CT)或核磁共振，並搭配手術或切片的病理診斷。肝癌的治療涉及到多方面的考量，包括臨床期別、腫瘤特徵、有無血管侵犯或肝功能等因素，醫師根據這些多模態資訊來選擇適當的治療方法。由於治療決策要考量的因素很多且複雜，目前的臨床分期指引與預後預測系統對治療前預測療效與長期復發或存活的準確度仍不理想。本核心設施國立陽明交通大學生物資訊及系統生物研究所何信瑩特聘教授研究團隊提出演化學習賦能的創新整合方法，開發人工智慧肝癌診斷與治療之臨床決策支援系統，利用肝癌患者的CT影像、臨床數據、RNA定序資料、腸道菌相，以及時間序列變化等多元化類型資料，進行腫瘤病灶區的自動圈註和各種治療的預後(存活、復發、療效、感染等)預測，輔助醫師臨床決策，其系統架構如圖一。

病灶區偵測之階層式融合策略網路(HFS-Net)是一種能夠自動圈註三相位CT影像中的肝臟和三維肝腫瘤的深度學習方法。HFS-Net採用分而治之策略，針對大小腫瘤使用不同相位的CT影像，引入自適應機制以根據不同情境調整模型的神經網路架構；利用多任務學習模式使其能夠同時整合多個高層次的結構特徵而達成三維腫瘤分割的深度學習架構[1]。腫瘤型態學的分類(包膜完整、包膜外侵犯、匯合型、浸潤型等)攸關患者治療的預後反應，通常需要有經驗的醫師判斷，導入高準度的AI輔助系統將價值不斐。我們採用基於選擇性內核網路 (SKNet) 的深度學習網路[2]，利用集成學習提高獨立測試的分類準確度達86.1%。而分類的決策值可對應於治療的預後反應分數，是一個高價值的臨床特徵。

演化學習和深度學習具有異曲同工之妙，都是可以接受多模態資料的AI建模學習方法。針對生醫資料特性的數學建模，旨在建立可解讀的預測模型。本文介紹的演化學習主要採用智慧型演化式演算法對資料導向之機器學習系統做參數最佳化來建立預測系統，能夠在有限的訓練樣本中辨識一組最少量生物標記及最高預測率的數學模型。本核心設施補助研發的演化學習平台能夠自動化的處理各種生醫資料型態的預測模型，包含分類、回歸和存活機率模型等；可以融合的資料型態有各種醫學影像、腸道菌相、基因定序、臨床數據、深度學習架構的隱藏特徵等。

本臨床決策支援系統透過雙目標演化學習演算法挑選最佳的一組少量特徵的集合，同時優化預測模型參數，達到最大化預測準確率，建構最佳化肝癌預後預測模型。例如已開發肝癌手術預後預測之AI預測模型，擷取可解釋的放射組學特徵，結合臨床病理特徵，建立肝癌早期復發預後預測模型GARSL，刊登於Liver Cancer [3]。進階GARSL2.0發展一個整合多模態資料的AI模型，有效地融合臨床資料、2D和3D影像幾何特徵、深度學習腫瘤型態分類的預測分數，以及深度學習隱藏特徵值等，實驗結果的肝細胞癌手術後2年內早期復發最佳化存活模型準確度從74%提升至84%，領先目前發表的學術研究模型，證明演化學習結合多模態特徵的可解釋性建模優勢。

國立陽明交通大學臨床醫學研究所、臺北榮總胃腸肝膽科主任黃怡翔講座教授所領導的肝癌研究團隊，統整臺北榮總過去十年肝癌病例，結合臨床與CT影像資訊，合作研發「生醫演化學習平台：肝癌診療支援決策系統」，產生各種治療策略的預後預測結果，輸出預測分析報表，為醫師在擬定肝癌治療策略及預後預測時提供重要參考。本系統持續往臨床落地方向努力研發建置，榮獲2021國家新創獎和國家新創精進獎(2022, 2023)。

生醫演化學習平台在醫療資訊和生物資訊領域有各種應用，例如針對高危早產兒研發一個實用的神經發育預測模型[4]；辨識一組癌症轉錄體學生物標記集合的最佳化建模演算法(News Letter 2019.02.15)；建構具有信心程度的仿真基因調控網路模型(News Letter 2020.02.15)；協助研究蛋白質體學的生物化學特性來預測蛋白質的功能(News Letter 2021.02.15)；結合臨床和放射組學特徵開發預測肝癌術後復發的臨床放射組學模型(News Letter 2022.02.15)；整合了血液透析患者的多層次數據，從生理、檢驗、給藥、透析設定，以及時間序列變化等多方面進行全面而精準的智能血液透析輔助系統(News Letter 2023.02.15)。TBI生物資訊核心團隊有分析各式多體學、高通量數據與統計AI專家，並定期分享研究成果及分析經驗，歡迎有需求的研究同好洽詢合作或服務。

參考文獻

  1. I-C Lee, et al, S-Y Ho* and Y-H Huang*, A Hierarchical Fusion Strategy of Deep Learning Networks for Detection and Segmentation of Hepatocellular Carcinoma from Computed Tomography Images, Cancer Imaging 2024 (under second review)
  2. X. Li, W. Wang, X. Hu and J. Yang, Selective Kernel Networks, IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2019, pp. 510-519.
  3. I-C Lee, et al, S-Y Ho*, Y-H Huang*. Evolutionary Learning-Derived Clinical-Radiomic Models for Predicting Early Recurrence of Hepatocellular Carcinoma after Resection. Liver Cancer 2021; 10:572–582. (IF=13.8).
  4. Chung, H.W., Chen, JC., Chen, HL. Ko, FY, Ho, SY*. Developing a practical neurodevelopmental prediction model for targeting high-risk very preterm infants during visit after NICU: a retrospective national longitudinal cohort study. BMC Medicine 2024, 22, 68 (IF= 11.806)