基本資料 Basic Information
| 填報醫院 Hospital | 長庚醫療財團法人林口長庚紀念醫院 |
|---|---|
| 聯絡人姓名 Contact Person Name | 吳宣慧 |
| 聯絡人單位 Contact Person Department | 醫療人工智能核心實驗室 |
| 聯絡人電子郵件 Contact Person Email | shengyuan@cgmh.org.tw |
AI模型基本資料 AI Model Basic Information
| AI模型名稱 AI Model Name | 腕部舟狀骨骨折偵測軟體 (Chang Gung Memorial Hospital Scaphoid Fracture Detection Software) |
|---|---|
| 應用領域 Application Domain | 骨科 Orthopedics |
| AI模型狀態 AI Model Status | 正式上線 In Production |
| AI模型摘要 AI Model Summary | 運用卷積神經網路(CNN)與EfficientNet架構。 |
| 產品介紹 Product Introduction | 長庚醫院開發的腕部舟狀骨骨折偵測AI，結合深度學習技術，輔助醫師精準診斷隱性骨折，尤其是難以察覺的舟狀骨骨折。 該AI系統運用卷積神經網路(CNN)與EfficientNet架構，從數萬張X光影像中學習，能有效識別微細骨折線，避免誤判。 ◆運動員案例：如籃球員阿傑，AI可迅速識別受傷時的舟狀骨骨折，及早治療避免復健期延長。 ◆年長者案例：65歲李先生，AI協助提早發現未癒合骨折，減少關節功能受損風險。 ◆診斷效能：通過AI技術，診斷準確率明顯提高，能在黃金治療期內給予患者最佳醫療處置。 |
| AI模型官方網站 | 官方網站連結 |
| 導入日期 Implementation Date | 2024/09/01 |
效能與發布 Performance and Release
| 版本 Version | 1.0 |
|---|---|
| AUC | 0.90 |
| Accuracy | 0.96 |
| 靈敏度 Sensitivity | 0.88 |
| 特異度 Specificity | 0.93 |
| 陽性預測值 Positive Predictive Value | 0.92 |
| 陰性預測值 Negative Predictive Value | 0.91 |
| 生命週期 Lifecycle | 180 天 |
| 使用人次 Usage Count | 58,880 |
ＡＩ實務九大透明度說明 Nine-Principle Transparency Framework
| 1. 介入情境及輸出 | 本軟體是將疑似患有腕部舟狀骨骨折之病人，將手腕部X 光PA view DICOM 影像放入輸入資料夾後，即可自動判讀，提供腕部舟狀骨位置以及「檢測出(fracture)」、「未檢測出(non-fracture)」文字標注之資訊於輸出圖片中。 |
|---|---|
| 2. 介入目的 | 長庚紀念醫院腕部舟狀骨骨折偵測軟體為醫療影像輔助分析軟體，限於可執行醫療診斷之醫師使用，且醫事人員須具備電腦基本操作能力方可使用此軟體。 |
| 3. 介入的警告範圍外使用 | 適用在年齡在20 歲以上病患、疑似有手腕腕部舟狀骨骨折之病患的手腕部X 光DICOM 影像(左右手均可，僅適用於PAview 影像)，分析結果僅供醫師診斷參考，不做相關診斷唯一依據，也不做是否罹患骨折的診斷依據，還是須以醫師的判斷為最終診斷結果。 |
| 4. 介入開發詳情及輸入特徵 | 本軟體採用閉鎖式(Locked)演算法設計，利用深度學習卷積神經網路(Convolutional neural network)，偵測腕部舟狀骨骨折與否。使用先進的深度學習演算法，主要採用EfficientNet Architecture。這些演算法使用大量的手部Xray 影像，其中包含舟狀骨骨折及沒有骨折的樣本進行訓練，其中舟狀骨骨折判讀的金標準為CT/MRI 影像報告結果及三位手外科醫師的共識決。 |
| 5. 確保介入開發公平性的過程 | 這套人工智慧系統使用2006.01.01~2020.12.31 期間病人有拍攝手部影像的資料為基礎，並串連影像科報告 資料搜尋出有拍攝手部影像的報告，分為兩個大資料集骨折組(case)、正常組(control)，再經專業放射師確認排除非精準PA view(這裡指擺位正確但角度可能稍微傾斜之資料)影像後，作為訓練資料。相關訓練及驗證資料進行分析後，盡量確保其代表性與公平性的平衡。 |
| 6. 外部驗證過程 | 臨床試驗計劃書中的納入及排除條件進行篩選，並請一名放射科醫師來進行影像品質的確認後，排除部份影像，之後請三位放射科醫師，進行參考標準的判讀。並與美國密西根大學進行軟體驗證應用，邀請台灣美國共120 位醫師進行軟體驗證，當中有37 位手外科專科醫師、52 位整形外科醫師及83 為主治醫師。使用本軟體系統輔助時，隱匿性舟骨 X光片的準確率高於不使用人工智慧系統輔助時（AC1 分別為 0.42 [95% CI 0.17 至0.68] 和 0.06 [95% CI 0.00 至 0.17]）。在診斷時間（18 ± 12 秒 vs 30 ± 27秒，平均差 12 秒 [95% CI 6 至 17]；p< 0.001）。診斷信心水準為7.2 ± 1.7秒，隱匿性骨折的平均時間為6.2 ± 1.6秒；平均差異1 秒[95% CI 0.5 至1.3]；p< 0.001)。 |
| 7. 模型表現量化指標 | 通過量化指標顯示，本軟體具備良好成效，計算後的量化性能指標如下:AUROC 為 90%，敏感性sensitivity 為89.8%，特異性 specificity 為 89.7%。陽性預測值(positive predictive value)為88.7%，陰性預測值(negative predictive value)為 90.8%，假陽性率(false positive rate)為10.2%，假陰性率(false negative rate)為10.1%。顯示本腕部舟狀骨骨折輔助判讀軟體醫材面對全新的醫療影像資料，也能有相當良好的判斷結果。 |
| 8. 介入實施和使用的持續維護 | 我們有專門的團隊負責在系統部署後的監控，處理任何問題，本軟體應用介面設有用戶反饋，確保使用正確性，設有即時處理反應問題。 |
| 9. 更新和持續驗證或公平性評估計畫 | 本軟體以介接臨床系統，將根據輸入之真實世界影像進行敏感性(sensitivity)與特異性(specificity)指標進行評估，以確保系統的穩定與正確性。更新和驗證結果會定期公布，並且當敏感性與特異性低於80%時，系統將會抽取新的影像資料及臨床醫師所回饋的內容進行資料的重新訓練，當性能重新提升至90%時再重新恢復使用，同時也將定期每半年至一年依據臨床醫師回饋的問題進行彙整後，評估軟體是否部署更新機制。 |
可解釋分析 Explainability Analysis
| 可解釋分析說明 | 1. 在判斷出舟狀骨骨折可能的位置後，進行圖片影像的處理，並將骨折可能發生的位置熱圖或是轉換成紅框後重疊回原圖提示給使用者。 2. 該影像熱圖是透過Grad-CAM技術，讓使用者利於理解模型預測結果，讓使用者可對於顯示的資訊，評估是否為較高機率出現骨折的可能。 |
|---|