數位醫療與人工智慧：從醫學影像中探索多樣性的力量

作者：王廷瑋

想像一下，如果查爾斯·達爾文在他的經典作品《物種起源》中，不僅談論了自然選擇和生物多樣性，還預見到了這些概念未來在數位醫療領域中的重要應用。在當今科技迅速發展的時代，人工智慧（AI）在醫學診斷領域扮演著舉足輕重的角色。從美國科學界對多元文化的重視到對大型AI模型的訓練和應用[1,2]，多樣性的重要性被一次又一次地強調。那麼，我們不禁要問，數據的多樣性如何影響AI模型的準確性和可靠性呢？

我們的研究

在我們團隊最近於《Mayo Clinic Proceedings: Digital Health》發表的研究中[3]，我們透過統合分析方法檢視了超過12,000名患者的數據，這些數據來自19項利用磁共振成像（MRI）技術檢測和分割腦瘤的研究。我們發現，來自不同MRI製造商的數據量似乎對AI模型的泛化能力有著積極的影響，意味著數據來源越多樣，模型在不同條件下的表現就越好。這提醒我們，在訓練AI模型時，不應僅僅關注數據量的增加，數據的多樣性也同等重要。

相關研究

類似的結論也出現在杜克大學去年發表於《International Journal of Radiation Oncology, Biology, Physics》的研究中[4]。該研究發現，將來自不同病例的腦轉移瘤數據合併到同一訓練集中，能顯著提高模型在不同人群中的準確度，進一步證明了多樣性對於提升AI準確性的重要性。

這些發現讓我們推斷，豐富和多樣的數據集比單一大量數據更能提升模型的準確度。如果未來我們能開發出一種衡量數據多樣性的方法，將使我們能以更高的效率和更少的資源來訓練AI。

此外，這種多樣性指標還可以用於訓練生成式模型，以創造出更多樣化的數據。今年初在《Neuro Oncology》發表的一項研究已展示[5]，增加數據多樣性可以提高深度學習模型在預測IDH基因突變方面的準確度，甚至超越神經放射科醫師，這不僅為我們提供了增強AI模型性能的新工具，也為未來開發更公正、更準確的AI系統奠定了基礎。

未來發展

透過不斷探索和重視數據多樣性，我們有機會在數位醫療領域帶來革命性的變革，使人工智能不僅更加智能，也更加包容和適應。這一切的起點，正是對多樣性深刻的理解和尊重，就如同達爾文對自然界多樣性的讚頌，我們現在也在讚頌數據多樣性在人工智能領域中的關鍵作用。

參考文獻

1. Mikhael PG, Wohlwend J, Yala A, Karstens L, Xiang J, Takigami AK, Bourgouin PP, Chan P, Mrah S, Amayri W, Juan YH, Yang CT, Wan YL, Lin G, Sequist LV, Fintelmann FJ, Barzilay R. Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography. J Clin Oncol. 2023 Apr 20;41(12):2191-2200.
2. Yala A, Mikhael PG, Strand F, Lin G, Satuluru S, Kim T, Banerjee I, Gichoya J, Trivedi H, Lehman CD, Hughes K, Sheedy DJ, Matthis LM, Karunakaran B, Hegarty KE, Sabino S, Silva TB, Evangelista MC, Caron RF, Souza B, Mauad EC, Patalon T, Handelman-Gotlib S, Guindy M, Barzilay R. Multi-Institutional Validation of a Mammography-Based Breast Cancer Risk Model. J Clin Oncol. 2022 Jun 1;40(16):1732-1740. doi: 10.1200/JCO.21.01337
3. Wang, T., Shiao, Y., Hong, J., Lee, W., Hsu, M., Cheng, H., Yang, H., Lee, C., Pan, H., You, W. C., Lirng, J., Guo, W., & Wu, Y. (2024). Artificial Intelligence Detection and Segmentation Models: A Systematic Review and Meta-Analysis of Brain Tumors in Magnetic Resonance Imaging. Mayo Clinic Proceedings: Digital Health, 2(1), 75-91.
4. Fairchild AT, Salama JK, Wiggins WF, Ackerson BG, Fecci PE, Kirkpatrick JP, Floyd SR, Godfrey DJ. A Deep Learning-Based Computer Aided Detection (CAD) System for Difficult-to-Detect Brain Metastases. Int J Radiat Oncol Biol Phys. 2023 Mar 1;115(3):779-793
5. Moon, H. H., Jeong, J., Park, J. E., Kim, N., Choi, C., Kim, Y., Song, S. W., Hong, C., Kim, J. H., & Kim, H. S. Generative AI in glioma: Ensuring diversity in training image phenotypes to improve diagnostic performance for IDH mutation prediction. Neuro-Oncology.

Work: Email / LinkedIn / Github
Research: OCRID / Google Scholar / RearchGate