《癌症，送給我的禮物 系列文章之三》

開刀已經二個月又十四天，那個連躺都無法移動的夜晚，距離現在的我，好像已經是上世紀的事件。

Yes，它就只是一個事件，不過就是那瞬間。或許它可能會再來，但除非走到最後一段路，它不會是永遠。不要對自己罹患癌症，念茲在茲。

過去兩個月，我記憶中的事，很少是疼痛，反而是源源湧入朋友及家人的愛。

開刀期間，一位素眛憑生的奇人，送來美味又美麗至極以米粉豆沙做成的蛋糕。她只留下電話，叮嚀櫃台要放冰箱。我從來沒有機會見到她，想當面謝謝她，據祕書說她現在人在南法。

而我的開刀房內，比較像兒童樂園。

我的舅舅阿姨弟弟表妹⋯⋯永遠擠滿病房客廳，一家人用另一種方式團圓，好像外婆回來了，童年的快樂時光皆倒流了。

美國的舅舅自己年紀也74歲了，堅持飛一趟只回來看我，我告訴他已經找了特別護士早晚班輪流照顧，就是不想叨擾家人：畢竟大家年紀都大了。舅舅卻說：「妳是外婆的心肝寶貝，我要為天上的媽媽來看你，才能放心。」

開刀後第三天，台中表妹北上探視，問：要買多少個台中肉圓才夠？結果報名十二個。當天病房水洩不通，我還在嗎琲使用中，神智似乎清醒，有時候又恍忽。這些人卻吃得香味四溢，每個人爭相搶話又搶食，大家都返老還童⋯⋯我突然流下眼淚💧，想念起外婆。

這是繼外婆百歳冥誕後，我們全家再次大團圓。

我的病房還有件奇事。每天晚上十一點，會有一個怪天使，準時出現，告訴我今天發生了什麼事，之後高歌一曲，曲畢音符剛落下，她哈哈大叫：文茜，我愛妳！接著如Phantom of the Opera，消失於台大醫院長廊中。那個可愛的怪天使，就是許景淳。

出院後三天，家裡又來了一堆天使。當天正巧我六十一歲生日，「饅頭家族」的女朋友們，到我家大開伙食，為我煮了滿桌菜肴。我當時還沒有能力坐著和大伙吃飯，可愛的饅頭大家長德佩笑咪咪地説：沒有關係，消滅食物是我們的強項：我們來的目的，就是讓你生日這天，不管如何，家𥚃都有人氣，笑聲滿堂。

平常我工作繁忙，加上不能曬太陽，幾年下來已經很少旅遊。生病期間，凡去日本京都、草津、東京、倫敦、法國的朋友，皆會特別惦著我，留意分享他們的美圖給休養中的我。其中建築大師陳瑞憲傳來一連串驚人的櫻花垂墜照片，看地我氣得想「壽終正寢」，他的回應：好，那我繼續發。

台灣一位著名的企業家兼美食家，知道我病了，必須小補但不能吃打生長激素的雞：於是自己從台東找來土雞，做成美味雞肉絲，甚至超越山東照燒雞，外加去油的雞湯。請他的司機送好幾趟到我家。根據警衞室統計，那段時間，我家每日訪客及送禮，至少十趟十組人馬。

而我住在山上，這對朋友其實很不方便。

榮總的副院長陳威明，先是不相信我得了肺癌，他認為我是奇人怪病，最後還是面對現實，接受了。從此以後每段時間就傳一些他拍攝的好照片给我，不斷鼓勵我。他和我的開刀醫師是莫逆之交，我若有疼痛睡眠障礙，向他「投訴」，他就會打電話給陳晉興醫師：文茜姊毅力非凡，但你要讓她睡覺，她不會對藥物上癮，我跟你保證。

哈哈😄

振興醫院院長也是心臟科權威魏崢院長每天開刀，繁忙不已，他也跑到台大醫院來探病，並且派出他的護理主任天天到我的病房，了解狀況，包括檢查特別護士，有沒有照顧好。

當然，他們後來碰到我時都發現我每天都在搞笑。大伙擔心的來，開心地離去。

我的主治醫師之一是台大前校長楊泮池，他歷經不公平的學術鬥爭下台後，每次探望我，都是一個人，沒有祕書，沒有跟班醫生。這幾年，他有時候免不了新聞亂寫時很痛苦，但仍然秉持走入醫界的初心，繼續幫助台灣癌症治療的進步。他進到我的病房，總是遇到一群人，這個説：我被某大醫院診斷可能有肺腺癌，那個説：我也有肺結節。他立即回應：把片子給我，我馬上看。

沒有任何派頭，儒雅謙虛。

我的美國舅舅說：文茜，你命太好了！這些台灣各科最高明的醫生合起來照顧你，你啊！超過總統級醫療。

出院後，某一天我的康復遇到瓶頸，強迫自己到竹子湖走路，那天雨剛停歇，山區如仙境，我到了吃山菜的苗榜，向老闆娘寶珠姐叫菜，點A，她說：妳現在不能吃，點B，她回：這個不准妳點，太辣⋯⋯像媽媽一樣叮嚀一個任性的孩子。

那一刻，我的身體是疼痛的，但我的心是甜的，聞到的空氣是甜的，看到的風景和人都是甜的。。

所有這些滿滿的愛，貫穿了我罹癌的過程。

於是我已忘記疾病，只留下美好甜蜜的回憶。

近日台大癌症醫院中心即將開幕，永齡健康基金會籌備開幕活動，找我一起討論。他們建議我當主持人，我居然回答：這不適當吧！應該找癌友，為什麼要找我？

出席的人你看我，我看你，面面相覷，不知道如何回應我？

直到一個醫生提醒我：文茜姐，你不是快兩個月前才開刀嗎？

我説：啊！我忘了！我只記得我收到的蛋糕、禮物、美食和龍蝦🦞！

所有人瞬間，暴笑😄！

這趟旅程，雖然曾經痛，但在滿滿的祝福及愛護之下，我徹底忘記自己曾經是個病人。

這可能是罹癌最高境界。鼓掌👏

【AI浪潮席捲醫療業】透視5大類醫療影像辨識的AI應用場景

常見的醫療影像包括了X光、超音波、CT、MRI，以及近年興起的數位病理。由於拍攝技術不同，決定了影像性質和張數多寡，更影響了AI模型訓練的難易度和應用場景

文/王若樸 | 2019-04-16發表

醫療影像一直是窺視人體內部結構與組成的方法，其種類包括了X光攝影、超音波影像、電腦斷層掃描（Computed Tomography，CT）、核磁共振造影（Magnetic Resonance Imaging，MRI）、心血管造影和伽瑪射線等等。

其中，X光攝影、超音波攝影、CT、MRI，以及近來興起的數位病理，都是目前用來打造醫療影像AI常見的類型。這幾種影像因為拍攝技術不同，決定了影像性質和張數多寡，也影響了打造AI模型的難易度和應用場景。

就影像性質來說，臺北榮總放射線部主任郭萬祐表示，X光片、CT、MRI等影像的切片厚度（即每隔多少身體厚度拍攝1張斷層影像的距離）分別是0.16毫米、0.625毫米以及1～2毫米，與數位病理切片的0.11微米相比，解析度相對低，因此從硬體需求角度來看，是醫療影像AI的入門首選。

常見醫療影像AI的類型與應用場景

在這些醫學影像中，「X光和超音波屬於初階檢查，」中國附醫人工智慧醫學診斷中心主任黃宗祺表示，這兩類檢查的拍攝門檻不高，因此累積出大量、各式各樣的影像資料，滿足訓練AI模型的先決條件。

X光攝影是利用X光對不同密度物質的穿透性來成像，密度越高，X光穿透性就越低，在底片上的成像就越白，反之越黑。不過，臺大生醫電資研究所所長張瑞峰指出，「X光攝影將原本立體的多張橫切面影像疊壓為一張平面影像，」因此，一張X光影像中涵蓋了龐雜的訊息，不僅病灶可能會被組織、器官重疊處擋住，小於1公分的腫瘤也難以檢測出，得靠CT進一步檢查才行。

而超音波攝影，則是利用超高頻率的聲波來穿透人體，將不同組織反射回來的聲波轉換為畫面，來呈現體內組織或器官構造。超音波的好處是沒有輻射，但黃宗祺指出，超音波影像雜訊高，難以偵測初期病徵。就乳房腫瘤檢測來說，需要不斷追蹤，才能確定疾病狀況，但也可能因此錯過即早治療的時機。

因此，就X光和超音波來說，AI的應用場景，主要是協助醫生快速從訊息含量大的影像中，找出肉眼難以發現或容易忽略的初期病徵。在2年前，AI權威吳恩達的團隊所設計的CheXNet模型，以121層卷積神經網路（CNN）架構和美國國衛院釋出的胸腔X光資料集訓練而成，就可以做到早期偵測來輔助醫生診斷。

或像中國附醫所開發的乳癌超音波AI輔助分類系統，利用4萬多筆超音波影像和深度學習Xception架構打造而成，能在人眼難以判斷的初期階段，就偵測出腫瘤，「甚至早3、5年就發現了。」黃宗祺強調。

至於CT和MRI，「屬於進階檢查。」黃宗祺表示，兩者專門用來檢查腦、心、肺、腹部臟器等重要器官，門檻較X光和超音波高，成像也較清晰、細緻。但有別於X光片和超音波影像，CT屬於3D影像，透過X光來掃描人體，經電腦重組，以多張橫切面影像來呈現立體的檢查部位，並根據每張橫切面影像的間隔，分為厚切與細切，間隔越小，越能呈現完整的器官。單一次CT掃描可產生數百張影像，也才有機會能夠發現1公分以下的小型腫瘤。

MRI同樣也是一種3D影像，其原理是利用強大的磁場與人體內的氫質子產生共振，再透過電腦處理共振訊號後成像，可以清楚呈現出軟組織和重要器官的結構，像是腦、心、腹部臟器和骨骼關節等部位。MRI掃描一次可產生數百甚至數千張影像，畫質比CT更好。

要進行CT影像和MRI的影像辨識時，雖然醫生容易從清晰的影像中找到病灶，但這兩者每次掃描動輒就產生數百張影像，要從中尋找病灶，不管是標註還是診斷病情，都相當耗時。

臺北醫學大學副校長暨北醫附醫影像部主任陳震宇以肺結節CT掃描來說明，一次拍攝會產生500張影像，而醫生至少得花20分鐘，才能找出肺結節的位置。病人數量一多，醫生不僅要花更多時間來檢驗，準確率也會因長時間作業而下降。

不過，也因為人工判別CT和MRI相當費時，正是醫療影像AI擅長的的應用場景。這也是為何北醫附醫正計畫建置一套肺結節AI輔助偵測系統的緣故，就是為了縮短看片時間，讓醫生有更多時間在病人身上。

吳恩達研究團隊利用美國國衛院釋出的胸部X光資料集，打造出CheXNet模型，可辨別肺部14種疾病，並以熱成像圖來顯示病灶位置。

醫療影像AI新挑戰：數位病理切片

數位病理是醫界近幾年的新浪潮，可以將原本只能在顯微鏡下察看的病理切片，改成直接在電腦上進行。它的出現，是醫療影像AI的新方向，卻也是一個高難度的挑戰，因為數位病理的製作複雜，需經過組織處理、染色切片，以顯微鏡觀察、再掃描至電腦儲存，仰賴醫生專業經驗與時間。

不只如此，數位病理的檔案容量還相當大。與CT、MRI不同，數位病理和X光片一樣都是平面影像，但單一張影像的解析度卻比X光片、CT和MRI高上1,000倍，可達1GB至2GB。因此要拿來訓練AI，不只資料儲存是一大挑戰，訓練模型的時間也需要更久。以數位病理起家的臺灣AI醫療影像新創雲象科技就提到，曾有一次要用一個100層的殘差網路ResNet來訓練每張解析度高達1萬×1萬的影像，得靠GPU搭配600GB系統記憶體才能運算。

不過，臺灣在數位病理的AI應用已經起步了，林口長庚醫院就找來雲象科技開發了一套準確率高達97％的鼻咽癌偵測模組。北醫附醫已經開始將上千片肺癌數位病理交由放射科醫生，要展開部分標註的工作。臺北榮總今年也計畫投資數位病理。

然而，不管是哪種影像類型，在打造AI系統時，都會面臨資料收集的挑戰。也因此，科技部2年前特別發起醫療影像計畫，聯合國內3家大型醫學中心，要利用國人的醫療影像資料，來建置一個大型AI醫療影像資料庫，推動醫療影像AI的發展。

臺北醫學大學附設醫院自去年起，找來了10名擁有2年經驗以上的主治醫生，著手建置肺結節AI醫療影像資料庫，目前已完成1,500例的影像標註和語意標註，今年還要再新增2,000例。

附圖：【超音波影像AI實例】中國附醫旗下子公司長佳智能，開發一套乳癌超音波AI輔助分類系統，可以辨識乳房腫瘤及其良、惡性程度。目前，腫瘤辨識率達9成以上，而腫瘤良、惡性辨識率則約7成左右。（攝影／李宗翰）
X光影像AI實例
MR影像AI實例
臺北榮總與臺灣人工智慧實驗室以6個月的時間，打造出一套能在30秒內就揪出腦轉移瘤的AI系統DeepMets。今年4月份最新結果顯示，DeepMets準確率已達95％。　（攝影／洪政偉）
CT影像AI實例
數位病理影像AI實例
林口長庚醫院與雲象科技共同打造一套鼻咽癌AI偵測系統，由醫院提供數位病理切片資料，雲象負責進行模型訓練，經過2年優化，目前準確率達97％。　（圖片來源／雲象科技）

資料來源：https://ithome.com.tw/news/129973…