【醫療AI】MONAI ：用於醫療研究的開放原始碼人工智慧框架

隨著高效能運算(HPC)的平均成本大幅下降，混合雲的應用也逐漸普遍，人工智慧協助醫療人員改善臨床醫療，已經是相當普遍的現象。其中協助判讀 X 光、超音波、核磁共振等醫療影像是人工智慧最拿手的領域之一。

醫療影像與其他影像資料相比，有其特殊性：醫用影像具有高度私密性，但醫師又需要與醫學社群持續保持交流；檔案龐大且複雜，高度專科化；格式特殊，需要由特定的程式處理等等，都阻礙了人工智慧應用在醫療影像上的步伐。為此，NVIDIA 與倫敦國王學院合作開發的 「MONAI」醫學影像人工智慧平台因應而生，希望能加速人工智慧判讀醫療影像的技術研發速度。

MONAI 的核心架構

MONAI：醫療用人工智慧開放框架

MONAI (Medical Open Network for AI) 是 NVIDIA 專為醫療和生命科學設計的人工智慧 NVIDIA Clara 下的一款應用框架。MONAI 是以 PyTorch 為基礎所開發的開源框架，希望能專注在處理醫療影像資料、提升訓練 AI 的效率，以及導入可複製的參考實施 (reference implementation)。開源的程式碼也讓研究人員能夠有高度靈活度，能夠自行優化人工智慧的訓練模型。

目前 MONAI 已經公開二十個獨立的模組(數量還在增加中！)，例如專門用來判讀 COVID-19 患者胸部 X 光的人工智慧模型。由於 MONAI 為開放原始碼的平台，醫學社群已經協助將這些模型，針對醫療影像資料標準格式，進行了調校，讓後續的醫療研究者能夠更快進入研究核心。

舉例來說，醫療影像的格式(例如DICOM)，往往是多維度的原始資料，包含像素狀態、影像屬性等參數，來自不同機構的原始資料，在處理前也需要進行大量前處理、校正與訊號強化。MONAI 模組化的設計，讓研究者可以將所有流程在 MONAI 上完成，也可以只取用部分模組，降低學習曲線。

MONAI在放射科的應用：更強大的自動標記系統

人工智慧在放射科最強大的應用，就是自動標記系統。透過 MONAI 的標記系統，能夠很快地將醫療影像中的器官、血管、膽管等重要結構獨立出來，加上標記後，重新渲染成 3D 圖像。針對解析度更高、切片數更多的精密影像，使用者也可以調用雲端上的 GPU 參與運算，以縮短人工智慧的運作時間。

例如 MONAI 中的 AI 模型 DeepGrow 3D ，能夠將原本 90%的手動步驟以人工智慧取代，協助放射科醫師標記複雜的電腦斷層影像，並還原成立體影像。像肝臟等大型臟器，原本可能需要進行 500 次以上的點選。而如今，可以在更短的時間內就完成影像切片、標記與檢視，大幅提升醫護工作效率與生活品質。

MONAI 在數位病理學的應用：加速細胞辨識

除了辨識大體解剖的構造，MONAI 在辨識病理學切片上也有相當進步。病理學切片最繁雜的工作是辨識組織細胞的形態學、估計細胞核與細胞質的比例(NC ratio)等，最新的 MONAI 數位病理系統 0.4 版提供了 CVAT 細胞計數與辨識的功能，可以標記各種細胞(癌細胞、發炎細胞、組織細胞等等)並計算數量。

MONAI 與開源醫學社群的持續合作

國科學院等重要的醫學研究機構都已經建立合作關係，共同貢獻 MONAI 的影像資料和人工模型訓練。由於 MONAI 也是 NVIDIA Clara 生態系的一部分，因此同樣可以受惠於聯合學習的好處，研究者之間能夠共享人工智慧模型帶來的好處，也保護了患者資料的高度隱私。

疫情期間，MONAI 也做出重大貢獻。將近二十多國的學者，共同開發用來預測 COVID-19 患者氧氣需求的人工智慧模型 EXAM，並將此模型整合到 MONAI 上。目前這個模型也已經在紐約西奈山醫院體系、英國國家衛生研究院劍橋生物醫學研究中心與美國國家衛生研究院進入臨床試驗，並透過 MONAI 開源社群持續調整。

你也是對導入 AI 有興趣的醫學研究人員嗎？你也希望能夠透過 MONAI 或 NVIDIA Clara 平台來加速你的研究嗎？更多細節請參考官網：

https://www.infinitiessoft.com/，讓你能更快部署人工智慧。

【參考文獻】

• MONAI 影像框架快速進入生產階段，加速 AI 醫療領域的發展
• Project MONAI
• MONAI Label