按 Enter 到主內容區
:::

臺灣智慧醫療三大中心

:::

腦出血輔助診斷系統

基本資料 Basic Information

填報醫院 Hospital 中國醫藥大學附設醫院
聯絡人姓名 Contact Person Name 王韋竣
聯絡人單位 Contact Person Department 中國醫藥大學附設醫院
聯絡人電子郵件 Contact Person Email 017141@tool.caaumed.org.tw

AI模型基本資料 AI Model Basic Information

AI模型名稱 AI Model Name 腦出血輔助診斷系統
(NeuroSuite CT ICH Assessment System)
應用領域 Application Domain 神經外科 Neurosurgery
AI模型狀態 AI Model Status 正式上線 In Production
AI模型摘要 AI Model Summary 本系統以卷積神經網路分析腦部無顯影劑電腦斷層（NCCT）影像，自動偵測急性腦內出血（ICH），輸出有無出血、出血區域標示及總出血量，提供急診醫護人員快速輔助判讀之參考資訊。
產品介紹 Product Introduction 腦出血輔助診斷系統用於輔助急診與神經科專業醫護人員快速辨識非創傷性急性腦內出血（Intracranial Hemorrhage, ICH）。系統以腦部無顯影劑電腦斷層（Non-Contrast CT, NCCT）之 DICOM 影像作為輸入，透過深度學習演算法進行分析，輸出三項結果：（一）是否存在腦內出血；（二）出血區域之標示（annotated DICOM series）；（三）腦內出血之估算總量，並在序列末附加一張「Low Risk / High Risk」分級摘要影像回寫至 PACS。適用對象為 20 歲以上（含）非創傷性腦內出血疑似患者，輸出僅供輔助醫師進行臨床決策之參考，不可單獨作為診斷依據，亦不適用於 20 歲以下病人及非腦部 NCCT 之其他影像類別。本系統自評風險分級為 II 級（告知臨床管理資訊）。
AI模型官方網站 官方網站連結
AI模型介紹影片 YouTube 影片連結
導入日期 Implementation Date 2025/05/21

效能與發布 Performance and Release

版本 Version 1.0
AUC 0.93
Accuracy 0.95
靈敏度 Sensitivity 0.89
特異度 Specificity 0.97
陽性預測值 Positive Predictive Value 0.93
陰性預測值 Negative Predictive Value 0.96
生命週期 Lifecycle 365 天
使用人次 Usage Count 9,262
監測計畫 Monitoring Plan 系統的有效性監控與公平性監控頻率皆設定為每年一次。具體監控程序為：持續蒐集系統上線後的實際個案數據，將模型應用於這些追蹤資料重新進行推論，以預設的量化指標（靈敏度與特異度閾值 80%）檢視模型表現，並長期追蹤效能的趨勢變化。當監控期間發現模型表現下降至預設閾值以下時，開發團隊會先分析原因並啟動模型優化流程。
版本更新計畫 Version Update Plan 更新作業共分為三個主要階段：第一階段為資料更新，包括新訓練資料之蒐集、資料清理與標記、以及資料品質與代表性的評估；第二階段為模型再訓練，以更新後的資料集進行訓練、執行交叉驗證、並與現行版本進行效能比較；第三階段則是在確認新版本效能優於舊版、且符合宣稱指標後，將線上模型替換為更新版本，並留存版本紀錄以利後續追溯。

ＡＩ實務九大透明度說明 Nine-Principle Transparency Framework

1. 介入情境及輸出 系統的輸出型態兼具「分類（Classification）」與「分析（Analysis）」兩種性質：就分類而言，系統針對輸入的腦部無顯影劑電腦斷層影像，判斷是否存在腦內出血，並於輸出序列末端附加一張整體風險分級影像，將檢查結果歸類為 Low Risk 或 High Risk；就分析而言，系統進一步在原始 DICOM 切片上標示疑似出血區域（annotated region）、並計算估算的出血總量（volume）。三項輸出資訊會打包為一組新的 DICOM series，寫回 PACS，以供後續判讀醫師查閱。
2. 介入目的 本系統之預期用途為透過演算法分析腦部無顯影劑電腦斷層影像，自動檢測有無腦內出血，並提供出血區域與出血總量等輔助資訊。預期的病人族群為 20 歲以上（含）之疑似腦出血患者；預期使用者為第一線處理急性腦中風案例的醫師與護理師。就臨床決策角色而言，本系統定位為「告知（Informs）」類型，亦即 AI 輸出僅作為臨床管理的參考資訊，最終的醫療診斷與決策仍由醫護人員執行，AI 結果本身不得取代醫師的專業判斷。
3. 介入的警告範圍外使用 系統輸出一律附帶警語：「 Note: The following is inference by AI. Please use it with caution, as it may contain inaccuracies.」提醒使用者 AI 結果可能存在偏誤，不應獨立作為診斷依據。已知不適用之情境包含下列幾類：第一，20 歲以下之病人不在訓練資料涵蓋範圍；第二，非腦部無顯影劑電腦斷層之影像（例如 MRI、有顯影劑之 CT、或腦部以外部位之 CT）皆不適用。此外，若實際使用對象的人群特性與訓練資料差異過大，應由醫院或使用單位先行進行機構獨立的性能評估後，再決定是否於該族群常規使用。
4. 介入開發詳情及輸入特徵 訓練與測試資料集的挑選以 20 歲以上（含）之病人為納入條件，資料來源為本院歷史影像，與系統實際部署的急診 NCCT 工作流程屬於同一臨床情境，具有良好的分布相關性。系統實際使用到的輸入特徵包含性別、年齡、以及腦部無顯影劑電腦斷層影像本身。資料來源與部署情境皆為本院急診 NCCT 影像，因此訓練資料與實際臨床部署環境在造影設備、影像參數及病人族群特性上具高度一致性。
5. 確保介入開發公平性的過程 為確保輸出結果的公平性，開發團隊在訓練資料組成上刻意涵蓋不同性別與年齡層，使模型具備跨次族群的通用性；於模型訓練完成後，再針對性別與年齡進行次族群（subgroup）分析，確認各次族群的準確率皆能維持於可接受範圍內。

在管理、減少或消除偏見方面，開發團隊採取了三層次的策略：首先，在資料層面平衡不同性別與年齡層的個案數，避免多數族群主導模型學習;其次，對樣本數較少的次族群調整訓練權重，讓弱勢族群的特徵能被模型充分學習；最後，若後續監控發現模型在特定次族群上出現系統性偏誤，將針對該弱勢族群進行獨立建模，以避免整體模型因少數族群資料不足而犧牲其預測公平性。
6. 外部驗證過程 本系統目前正在進行外部驗證中，預計在啟用申請或正式臨床部署前，完成跨院或跨資料集的獨立驗證，以強化模型在異質環境下的可信度。
7. 模型表現量化指標 本系統以「整體靈敏度」與「整體特異度」為主要量化指標。宣稱閾值設定為靈敏度 ≥ 0.80、特異度 ≥ 0.80；在目前的院內測試中，實測靈敏度與特異度皆達 0.81 以上，高於宣稱閾值。評估方式為以專業醫師判讀結果為 ground truth，計算模型偵測 ICH 的敏感度與特異度。相關設計與評估準則參考自文獻：Nawabi, Jawed, et al. "Cross-institutional automated multilabel segmentation for acute intracerebral hemorrhage, intraventricular hemorrhage, and perihematomal edema on CT." Radiology Advances 2.2 (2025): umaf012。
8. 介入實施和使用的持續維護 系統的有效性監控與公平性監控頻率皆設定為每年一次。具體監控程序為：持續蒐集系統上線後的實際個案數據，將模型應用於這些追蹤資料重新進行推論，以預設的量化指標（靈敏度與特異度閾值 80%）檢視模型表現，並長期追蹤效能的趨勢變化。截至目前為止，以現有追蹤資料計算之靈敏度與特異度均維持在 80% 以上，符合宣稱標準。
9. 更新和持續驗證或公平性評估計畫 模型之定期更新頻率為每年一次；當監控期間發現模型表現下降至預設閾值以下時，開發團隊會先分析原因並啟動模型優化流程。更新作業共分為三個主要階段：第一階段為資料更新，包括新訓練資料之蒐集、資料清理與標記、以及資料品質與代表性的評估；第二階段為模型再訓練，以更新後的資料集進行訓練、執行交叉驗證、並與現行版本進行效能比較；第三階段則是在確認新版本效能優於舊版、且符合宣稱指標後，將線上模型替換為更新版本，並留存版本紀錄以利後續追溯。

可解釋分析 Explainability Analysis

可解釋分析說明 本系統於設計上提供兩層次的解釋資訊。

第一層為視覺化解釋：模型於輸出的 DICOM 序列中直接標示疑似出血區域（region annotation），使臨床醫師可以逐切片檢視 AI 所關注的位置，快速評估推論的合理性。

第二層為量化解釋：系統提供出血總量（volume）之數值估算，以及序列末端 Low Risk / High Risk 的整體分級摘要，協助使用者在影像檢視之外，另以量化數據快速掌握嚴重度。
  • 發布日期：
  • 更新日期：