【高速运算应用-学研之星】国网中心HPC助攻台北荣总 联邦学习让脑瘤判断更精准

台北荣总放射线部郭万佑主任携手各大学并善用国网中心资源，合作打造AI联邦学习模式的脑瘤影像识别系统。

数据是打造智能医疗的基础，数据的质量越完整，所建立的AI模型也就越精准，相较于其他国家，台湾拥有完善的健保体制，因此医疗数据量相对丰富。但医疗数据有其隐私性，在法律限制下，要将各医院的数据汇整使用并不容易；对此，台北荣总、阳明大学生医光电研究所、交通大学统计所、瑞典Chalmers科技大学携手合作，善用国网中心强大的运算资源，合作打造出AI联邦学习模式的脑瘤影像识别系统。

医疗数据量庞大、系统建置效益高，被视为重要的AI先期应用之一，由于台湾在医疗与电脑科技两大领域都具备优势，在科技部推动「医疗影像之巨量数据建立与应用研究专案计划」，选出不同医疗与学术机构，针对不同医学领域进行AI研究，其中台北荣总主要负责脑部影像医学。

台北荣总于2017年启动脑瘤AI研究计划，放射线部郭万佑主任指出，过去的AI训练模式都是集中式，将各处数据汇整至单一数据库后再行运算训练，但存放于各医院的医疗数据为个人隐私，较难将之集中与训练。正巧，近年来IT产业的「联邦学习」(Federated Learning)概念兴起，台北荣总团队认为此概念可应用于医学领域，因此决定导入医学影像联邦学习。

联邦学习的特色在于数据不必离开原来的储存处，只要透过其特殊的AI模型训练方式，就可得到比拟集中式运算训练的效果，此特色正好适用于须高度保护病人个资的医疗产业，因此2020年初，台北荣总将科技部专案的国网中心运算资源应用于此，藉由该中心的TWCC平台，进行脑瘤影像AI辅助判读的可行性评估。

郭万佑表示，这些脑瘤影像数量不仅庞大，而且在科技部「医疗影像之巨量数据建立与应用研究专案计划」三年的支持下都已完成病灶的标注，因此非常珍贵。在此同时，此计划也从全球医疗资源中找到开源性数据集，以联邦学习法进行AI模型的训练。

AI模型的训练过程中，台北荣总在TWCC平台上，架构模拟联邦学习法的虚拟医院，并部署起始AI模型，各虚拟医院以此起始AI模型对所配置的影像数据集进行AI模型的推论，之后并将推论后得到的数值与参数集结传送到后端平台，后端平台经集结运算后将AI模型升级。接着将此升级后的模型传回各虚拟医院，进行新一波的模型推论，并产生新的推论结果。如此反覆验证执行，得到高精准度的AI模型推论结果。郭万佑指出，过去台北荣总以院内既有IT系统运算，AI模型的准确率仅有57%，透过TWCC平台所建置的联邦学习机制，在5个月内就达到至77%，随着演算法的精进，未来AI模型的确效将进一步提升。

观察联邦学习在脑瘤影像AI的应用成效，可看出此技术未来发展潜力雄厚，而这次的成效如此显着，郭万佑指出国网中心的支持是关键因素。由于脑部影像不仅数量庞大，且牵涉到极高深的医学专业知识，要让AI的判读精确度足以作为医师参考，在软硬件上都须有强大支持，国网中心的高速运算资源，则让台北荣总在短短5个月内以跨国研究团队完成可行性评估，对计划推展时程助益相当大。

郭万佑指出可行性评估完成后，台北荣总已和阳明大学完成在国网中心的联邦学习初期实地验证研究。展望未来，研究团队计划将此成果与合作研究模式实际推广至全国其他医疗院所，一起提升脑部肿瘤AI诊断的精准度。除了推广至台湾医院外，联邦学习也有助于台湾医疗机构的跨国合作，在保护个人数据隐私的前提下，突破时间与空间限制，与国外医疗机构携手进行研究，让彼此的医疗专业共同创造出更高价值。