傳統電腦斷層掃描影像(CT)在病灶分割方面面臨多重挑戰，包括病灶識別困難、大量專業人力分析和手動標註病灶耗時等，導致診斷效率低下和醫療成本增加。此外，人工標註過程中因疲勞、有限診斷作業時間和經驗不足而容易漏判。
「全球排名前2%頂尖科學家」的王靖維教授表示，團隊開發的「通用3D病灶分割AI模型」，能精準辨識多類別胸腹部病灶，包括骨骼、胰臟、腎臟、肝臟、肺結節、肺部、結腸、淋巴結和縱膈。該模型適用於胸腹部CT影像，可自動化精準標註多種3D CT病灶，幫助放射科醫師以3D形式標註病灶，解決手動標註耗費大量人力成本問題。
除了精準辨識，這款AI模型在處理效率上也滿足臨床應用需求。傳統人工標註每案約需30到60分鐘，但該AI技術在配備單一T4 GPU的Grand Challenge平台伺服器上處理每個3D病灶資料只需3.25秒，若使用配備RTX4080的本機PC則不到2秒。
推薦新聞：壹蘋10點強打｜球星陳世念國道驚魂！開車雙手打字 放飛方向盤車身飄移（狗仔直擊）
王靖維解釋，3D CT影像的病灶分割與2D影像相比，提供了更多有助於醫師監控病灶成長的資訊，如病灶體積、形狀和空間位置。CT掃描的自動AI病灶分割比手動分割具有優勢，包括提高效率、可重複性、準確性和標準化，從而實現更精確的定量分析，並促進研究成果轉化為臨床實踐。
王靖維研究團隊透過參與競賽，除提升團隊技術實力外，也增強了處理大規模、多類別CT影像數據的經驗，深入了解如何在真實臨床應用中提升AI模型的實用性和穩健性，為未來的研究和應用奠定堅實基礎。
ULS23競賽旨在促進3D CT領域通用型病灶分割模型的研究，並在Grand Challenge平台上進行。競賽提供39,500個病灶臨床測試集3D CT影像，讓參賽者建立與驗證多類別胸腹部病灶模型，並考量臨床實際需求，透過多項指標評估模型的穩健性和精確性。競賽藉由AWS雲端計算，使用未公開的3D CT病灶影像，對參賽者的模型進行自動且公平的量化評估。
點擊閱讀下一則新聞
