传统电脑断层扫描影像(CT)在病灶分割方面面临多重挑战，包括病灶识别困难、大量专业人力分析和手动标注病灶耗时等，导致诊断效率低下和医疗成本增加。此外，人工标注过程中因疲劳、有限诊断作业时间和经验不足而容易漏判。
「全球排名前2%顶尖科学家」的王靖维教授表示，团队开发的「通用3D病灶分割AI模型」，能精准辨识多类别胸腹部病灶，包括骨骼、胰脏、肾脏、肝脏、肺结节、肺部、结肠、淋巴结和纵膈。该模型适用于胸腹部CT影像，可自动化精准标注多种3D CT病灶，帮助放射科医师以3D形式标注病灶，解决手动标注耗费大量人力成本问题。
除了精准辨识，这款AI模型在处理效率上也满足临床应用需求。传统人工标注每案约需30到60分钟，但该AI技术在配备单一T4 GPU的Grand Challenge平台伺服器上处理每个3D病灶资料只需3.25秒，若使用配备RTX4080的本机PC则不到2秒。
推荐新闻：壹苹10点强打｜球星陈世念国道惊魂！开车双手打字 放飞方向盘车身飘移（狗仔直击）
王靖维解释，3D CT影像的病灶分割与2D影像相比，提供了更多有助于医师监控病灶成长的资讯，如病灶体积、形状和空间位置。CT扫描的自动AI病灶分割比手动分割具有优势，包括提高效率、可重复性、准确性和标准化，从而实现更精确的定量分析，并促进研究成果转化为临床实践。
王靖维研究团队透过参与竞赛，除提升团队技术实力外，也增强了处理大规模、多类别CT影像数据的经验，深入了解如何在真实临床应用中提升AI模型的实用性和稳健性，为未来的研究和应用奠定坚实基础。
ULS23竞赛旨在促进3D CT领域通用型病灶分割模型的研究，并在Grand Challenge平台上进行。竞赛提供39,500个病灶临床测试集3D CT影像，让参赛者建立与验证多类别胸腹部病灶模型，并考量临床实际需求，透过多项指标评估模型的稳健性和精确性。竞赛借由AWS云端计算，使用未公开的3D CT病灶影像，对参赛者的模型进行自动且公平的量化评估。
點擊閱讀下一則新聞
