5G醫聯網 傷口照護AI挺你

工研院服科中心 黎和欣 蔣岳珉 劉建宏 陳冠安 謝閔易

現今醫療照護仰賴數位科技提供決策資訊與互動媒介,以行動化高速資訊傳輸提升服務效率,改善過去因時間、技術和空間產生的醫病溝通障礙。工研院整合新世代連網技術(5G)、行動網路邊緣雲平台(Intelligent Mobile Edge Computing, iMEC)邊緣運算特性,使AI精準醫療的應用支援上,提供模組式、可抽換的線上AI運算核心,讓醫療服務品質維持一致,提升醫療效率及醫病溝通品質。

遠距溝通訊號差 5G連網來幫助

在遠距照護中,醫師欲透過行動裝置,檢視個案病程資訊進行病情評估時,常因瞬間流量過大造成服務品質不佳,例如:每位病患的照片及病例等上傳、下載與分析資料花費若20秒,一位醫師一天看診60位病患則需浪費20分鐘的時間在等待資訊,且面對病患的所浪費的20秒,更會讓病患質疑醫師的專業性及用心度不足,故工研院整合新世代連網技術(5G)、行動網路邊緣雲平台(iMEC)邊緣運算的特性,以能提升醫療效率及醫病溝通品質。

視訊延遲率小於400ms

在醫事即時視訊溝通時,為求畫面無延遲並同步顯示,經由頻寬估算及串流控制技術,計算來自影像接收端,每幀(frame)接收的延遲變化量,由影像發送端改變串流禎數(FPS)及圖像尺寸,達成照護視野不延遲的共享品質。
iMEC行動網路邊緣雲平台

資通所研發的行動網路邊緣雲平台(iMEC)於行動網路邊緣與鄰近基地台的位置提供雲端運算能力以及應用服務管理,可有效降低服務的延遲時間,並降低後端網路的頻寬需求,由下圖可知,行動網路邊緣雲平台更適合醫聯網的連外應用。

 
裝置與IMEC技術於醫連網之架構
圖1 裝置與IMEC技術於醫連網之架構
 

 

傷口觀察費時費力 一卡皮箱來幫你

台灣目前的行動醫療解決方案,都是由各家醫材廠商獨立開發,或由醫療資訊商透過藍芽、雲端數據拋轉進行整合,臨床醫療人員的使用上,除終端醫療裝置的整合外,在行動醫療的流程中,醫護人員進行行動遠距醫療時,需花費約20%的時間進行器材架設、連線通訊、身分確認、感測記錄、產出報告及資料申報等繁瑣額外工作。

目前多數僅靠降低解析度的影音視訊溝通,且無法雙向互動、標註、提示,網路品質差時,甚至造成醫療資訊無法使用,醫生端難以得知病患端的問題與全貌,照護端也不易了解醫生的指示(2018年台大醫院雲林分院統計資料)。

應用工研院研發的行動智慧醫療箱,不僅可介接各類可攜式醫療器材,並整合模組化AI醫療數據預處理或預分析功能,提供前端醫療人員輔助資訊,成為智慧化前端,以輕巧便利、開箱即用為述求;行動智慧醫療箱可透過網路連線至雲端智慧平台,將線上醫囑與參考病理等資料,下載到箱中的資訊系統,也同步回傳箱中的儲存資料;或是當下藉由行動網路邊緣雲平台(iMEC)的協助,與後端醫師進行遠距會診,而其醫師所需之影像也可藉由前端護理師進行拍攝,更能方便醫師判定病患的狀況。

傷口照片記錄網頁與系統架構圖
圖2 傷口照片記錄網頁與系統架構圖
傷口觀察手持設備 協助記錄快又準

針對傷口床及周邊狀態拍照,工研院整合多種感測儀器,可提供更多資訊進行分析,產出具客觀描述的評估記錄資訊。例如:可提供傷口床位置標記及組織狀態比例分析的彩色影像,可提供傷口床凹陷腫脹程度觀察的立體影像,以及可協助評估傷口床及周邊溫度感測,以協助分析發炎及感染擴散(壞死)狀況的熱感影像,更可串流為即時視訊,提供遠距視訊會診的遠端專家需要,即時拍攝清楚傷口床照片,進行實時分析及記錄,對遠距照護上提供便利之工具,提高照護成效。

重點影像分級壓縮 減少32%頻寬使用量

在照護端,該手持傷口觀察設備更可利用膚色及傷口範圍偵測技術,僅將非膚色、非傷口的部份進行模糊處理,減少醫師等待傳輸的時間。根據傷口通常被皮膚包覆的特性,在一張千萬畫素傷口照片中(約1.6MB,通常會同時拍5張),以機器學習偵測出非皮膚及非傷口部位,將非皮膚及非傷口部位進行微量模糊的影像處理,再進行照片壓縮儲存,根據不同照片部位所需不同清晰度下,達到不同程度的壓縮效果,依此壓縮非必要的像素,減少原檔案大小及網路傳輸量約32%,改善上下傳輸過程的時間及占用的頻寬。

 

傷口標記難處理 AI自動學習來幫你

工研院開發的分析引擎能整合多項異質性資料,其中包含結構/非結構等資料,更包含影像及文字敘述資訊轉譯的技術。針對影像資料方面,除應用影像處理演算方法,針對彩色、熱感等特徵進行擷取,並採用深度學習技術針對目標狀態,以人工智慧分析輔助傷口床尺寸估算,並識別包括肉芽、腐肉、焦痂、腫脹、上皮組織的比例,作為傷口進展記錄與復原進展分析,提供影響癒合進度的可能原因,避免因傷口照護經驗不足造成久不癒合的問題,並綜整評估相關分析結果,提供前台傷口照護的專業參考,強化進行個案處置品質。

AI傷口範圍尺寸估算 傷口評估3秒完成

圖3 醫療影像之深度學習模型

利用深度學習輔助傷口範圍偵測技術,醫療人員在第一時間3秒內即可取得參考數據,而醫療人員採用行動裝置查看一病患的單一張1.4MB傷口照片所需約2.26秒,若同時有5張照片則需耗費11.3秒。而該系統的初估結果以color-based影像分割演算法進行優化,以提升估算準確度。

透過無線網路大頻寬及後端邊緣運算iMEC之效果,實現低延遲、全自動的AI輔助傷口範圍,改善目前醫護人員在看診當下需等待照片及資料上傳、下載的時間,以及需費時由人工進行畫面操作的尷尬情況。針對單張3200×2400畫素約 1.6MB的壓瘡、糖尿病足傷口照片,透過Inception-v3卷積神經網路全自動分析傷口床範圍,其範圍估算準確度達80%。

 

改善溝通障礙 科技提升醫療效率

現今醫療照護仰賴數位科技提供決策資訊與互動媒介,以行動化高速資訊傳輸提升服務效率,改善過去因時間、技術和空間產生的醫病溝通障礙。因此,工研院整合新世代連網技術(5G)、行動網路邊緣雲平台(iMEC)邊緣運算的特性,以能提升醫療效率及醫病溝通品質。應用工研院所研發的行動智慧醫療箱,可介接各類可攜式醫療器材,並整合模組化AI醫療數據預處理或預分析功能,提供前端醫療人員輔助資訊,成為智慧化前端,以輕巧便利、開箱為訴求。

行動智慧醫療箱可透過網路連線至雲端智慧平台(iMAS),即可將線上醫囑與參考病理等資料,下載到箱中的資訊系統,也同步回傳箱中的儲存資料;或當下藉由行動網路邊緣雲平台(iMEC)的協助,與後端醫師進行遠距會診,而其醫師所需影像也可藉由前端護理師進行拍攝,更能方便醫師判定病患之狀況。

該平台以動態解析度視訊視訊延遲率小於400ms,提供遠距視訊會診的遠端專家需要,即時拍攝清楚傷口床照片,進行實時分析及記錄,對遠距照護上提供便利之工具,提高照護成效。應用重點影像分級壓縮,減少32%頻寬使用量,根據不同照片部位所需不同清晰度下,達到不同程度的壓縮效果,依此壓縮非必要之像素,減少原檔案大小及網路傳輸量約32%,改善上下傳輸過程的時間及占用的頻寬。也使用深度學習輔助傷口範圍偵測技術,醫療人員在3秒內即可取得參考數據(如傷口床尺寸估算、各組織比例),而醫療人員採用行動裝置查看一病患的單一張1.4MB傷口照片所需約2.26秒,若同時有5張照片時,則需耗費11.3秒,為減少醫療照護負擔,盡一份力。

 
 

相關課程推薦