本計畫以「打造國家級全方位人工智慧精準健康數據樞紐模式(National Hub)」為總目標，擬以失智症及心腦血管兩大高齡常見疾病為研究數據對象，整合國內四大醫學中心(北醫體系三家醫院、臺大醫院、臺北榮總、成大醫院)，收集病患多元且完整的資料，發展高齡腦心智疾病之早期多面向影像組學(radiogenomics)生物標記，並採取多中心大數據和分散式聯邦學習技術，突破人工智慧的瓶頸，強化AI模型之可信任性、公平性和可解釋性，開發出真正可以在醫院落地使用的Fair AI系統，以創新資料治理與共享再利用平台機制，打造國家級全方位人工智慧精準健康數據樞紐模式。本計畫之終極效益為以健康數據樞紐模式，開發可信任人工智慧產品，以延遲或避免失智症和心血管疾病之高風險病患從亞健康狀態進入到真正疾病及長照的階段，解決2030人口老化失衡的問題，促進高齡精準健康，進而減少國家健保財務負擔和社區照護之人力及財力等資源耗費。
.png)
|
資料集編號
|
AI模型名稱
|
建置團隊
|
主要內容
|
|
H03
|
CCTA冠脈斑塊負荷自動估算AI模型
|
台大團隊
|
冠狀動脈血管攝影(CAG,Coronaryangiography)是現今醫學界診斷冠狀動脈阻塞狀況、並判斷應如何治療冠心病(用藥最佳化治療、心導管介入治療、或外科繞道手術)的黃金標準(goldstandard),可提供CCTA子資料集訓練AI的groundtruth。冠狀動脈血管攝影亦有其限制:CAG僅是2Dx-ray的管腔造影,因此無法直接呈現血管360度的面貌及血管壁動脈粥狀硬化的細節。主要資料內容含影像+臨床資料+語義標註，部分(約300例)影像含有FFR數值。
共享模型說明書H17-HM03(下載點)
|
|
H08
|
CCTA冠脈影像最佳相位選取AI模型
|
台大團隊
|
血液透析患者經常發生透析通路的血栓形成和血管通路功能障礙。所以病人或醫療人員都希望能透過定期監測AVshunt，以提早發現狹窄、避免血栓形成。由於目前的血管監測方式有許多不便之處，大多數血液透析中心還是使用傳統的身體檢查和透析時的血液動力學參數來監測。血管攝影仍是診斷血管阻塞的黃金標準，且可以根據血管攝影影像分析擬定治療策略。主要資料內容含影像+臨床資料+語義標註。
共享模型說明書H17-HM08(下載點)
|
|
HM02
|
CCTA冠脈自動分割及狹窄診斷
|
台大團隊
|
由於CT高密度鈣化斑塊影像強度會渲染至鄰近區域，導致發散假影現象(bloomingartifact)，使鈣化斑塊在CCTA影像上較實際大許多，造成冠狀動脈狹窄程度高估(假陽性)。因此CCTA被人詬病常造成過度診斷及不必要侵入式冠狀動脈血管造影(ICA)檢查，浪費醫療資源。本團隊於前期巨量醫學影像資料建置時即進行CCTA血管內外壁標註，同時參考CAG影像，突破CCTA鈣化發散假影干擾，建立全球唯一準確訓練樣本，並透過多種深度學習演算法訓練，開發出準確自動分割及狹窄診斷AI模型TaiCAD-Net。TaiCAD-Net第一版本1.0已於2020.11開發完成。現亦以更多標註資料進行第二版本2.0開發。
模型(網址)
|
|
-
|
Image-augmentation-improves-fairness-of-deep-neural-network-for-chest-X-ray-interpretation
|
清大團隊
|
模型(網址)
|
|
-
|
Monpa
|
北醫團隊
|
模型(網址)
|