# AI偵測口腔病灶 (白斑、紅斑、腫瘤)
[toc]

背景：口腔篩檢病患多，且大多為低社經地位階級不易請假就診，希望能有較為可近方法提高篩檢率
目標：收集正常口腔黏膜與異常黏膜之影像，利用AI技術生成自動偵測方法，早期提供病患就醫建議
未來：口腔自我篩檢APP、提高病患篩檢率及提早就醫，提高口腔篩檢效率，降低國家醫療財政負擔
備註：
- 現有資源多 (Kaggle上也有現成的資料庫)
- 不過這個中午討論，比較沒有新意，類似的study已經做過也發表過了~

## 專題草案
### 要解決的問題
台灣口腔癌發生率近年來持續上升，且即使口腔癌患者經過治療後，仍然會受到吞嚥困難或口齒不清等後遺症影響，希望能夠藉由人工智慧辨識口腔癌及口腔癌前病變等口腔黏膜病灶，達到及早發現、及早治療的效果。

### 資料來源
* Kaggle口腔癌監測照片資料集(https://www.kaggle.com/datasets/rasankpatro/cancer-photos-dataset)
* 口腔黏膜疾病圖譜(https://pse.is/4kxxwf)
* Google圖片搜尋資源
* 去識別化之實際病人口腔照片集

### 數據標記
#### 根據不同處置及危險分級，將口腔病灶分為以下四類
> 白班: 規律回診

> 紅班: 建議手術

> 口腔腫瘤 (疑似惡性): 建議手術

### 可行性分析
利用LabelImg手動標記口腔黏膜病灶位置，最後由耳鼻喉科醫師確認檢查圖片標記之正確性。吾人將使用 **Deep learning Convulutional neural network (CNN)** 模型，將口腔黏膜病灶圖片中之影像數據放入訓練，建立可偵測病灶位置以及提供口腔癌的機率之模型。

X = 口腔黏膜病灶圖片及手工標記
Y = (1) 疑似病灶位置 (2) 口腔癌機率
f = CNN-based model

### 商業模式
根據建立的模型，包裝為套裝程式，最後嵌入一般作業系統、醫療資訊系統、手機等平台，分為三個面向提升醫療水準：
* 病人
* **提高篩檢陽性率及就診率**：
作為一般民眾皆可下載使用之付費軟體，可提供病人方便快速的「院前篩檢」，在進入醫院做口腔篩檢前即可有初步評估，讓有許多工作壓力無法請假、偏遠地區之病患可以隨時篩檢，
若有疑似病灶再至醫院評估，因提供癌症機率亦可提高就診率，並且因已篩去無病灶之個案，可提升國家篩檢陽性率，亦即提升癌症篩檢效率，而非一味追求篩檢數量。
* 醫護人員
* **提高非耳鼻喉科/牙科醫師之篩檢診斷率**：
若嵌入醫療資訊系統，尤其以有行動裝置APP的醫院，更可將口腔篩檢推廣到其他科別，若有發現疑似病灶，亦可以高準確度判斷病人的處置去向。
以診所而言，許多非專科醫師僅接受短期課程即必須對口腔病灶做判斷，若能以AI影像偵測輔助，更能提升診斷率，提高醫師診斷信心以及提早病人之治療。
* **口腔癌存活者復發偵測**：
由於口腔癌經過多次治療 (手術、放射線治療等等)，口腔黏膜將變得更不易判讀，多需靠長年診治病患之醫師經驗判讀，但即使如此，也經常需要做切片才能確認，讓病患受到許多痛苦與不便。若未來能進一步將存活者的影像以及病理報告放入作為訓練，更能對口腔癌存活者做復發偵測，提高復發癌症之診斷率。

* 研究人員
* **口腔癌資料庫建立**
隨著科技與資訊設備的進步，大數據的處置變得可能，古典流行病學之基因、臨床表現、預後等資訊，也將逐漸提高解析度。在現行法規許可範圍內，若能在程式推展過程中，將進入系統之圖片上傳至中央檔案伺服器保存，未來可與其他資料庫 (健康保險、癌症登記資料庫、影像、癌症基因體等等)做連結，將對於未來發展的口腔癌研究有莫大之助益。

### 該計畫的競爭對手/發展優勢/獨特性
口腔癌影像的智慧偵測為近年迅速發展的主題，然而，對於臨床研究上仍有許多待嚴謹證實之處，此外，以華人為主之偵測模式目前尚未成熟，若能完整建立，能提供較為準確之華人預測模型，另一方面，亦可進入臨床診斷性研究，將病理學報告等黃金標準納入分析，更能提供對病患存活有益臨床證據，進一步降低國家癌症死亡率。

## 題目提案
| 題目 | 內容 | 資料集 |
| -------- | -------- | -------- |
| AI偵測口腔病灶(白斑、紅斑、腫瘤)| 背景：口腔篩檢病患多，且大多為低社經地位階級不易請假就診，希望能有較為可近方法提高篩檢率<br>目標：收集正常口腔黏膜與異常黏膜之影像，利用AI技術生成自動偵測方法，早期提供病患就醫建議<br>未來：口腔自我篩檢APP、提高病患篩檢率及提早就醫，提高口腔篩檢效率，降低國家醫療財政負擔|有現成資料|
|構音障礙患者之AI輔助聲語溝通|背景：構音障礙患者常在生活中因溝通困難，只能用筆談表達，但往往很多情境下沒辦法達成有效溝通且不方便<br>目標：利用AI技術，將構音困難之語音即時轉換成口齒清晰之語音並撥放，提高溝通效率<br>未來：應用於生活中，看能否提高病人生活滿意度，提高家人理解程度... | 無現成資料|
|老年人跌倒事件預測|背景：跌倒事件是老年人意外傷害的最常見原因，跌倒導致的骨折甚至可能導致殘疾、死亡，並且老年人跌倒的原因種類也不勝枚舉，希望能夠盡快發現處理，或者預防此類事件<br>目標：藉由AI技術分析相關資料集、辨識相關影像資料，<br>1. 找出造成跌倒的原因分類，並提供可以預測高跌倒風險的模型<br>2. 利用影像辨識，預測影像中的目標即將經歷跌倒事件 |有現成資料 |
|壓力性損傷AI判讀|背景：長期臥床病人最常見皮膚問題，幾乎每四位住院病人即有一人出現壓瘡。現況由護理師主觀紀錄病人壓瘡傷口概況，提供醫療團隊進而判讀病人壓瘡傷口變化開立醫囑提供相關照護<br>目標：利用影像辨識，分析傷口大、顏色、等級，依照等級決策輔助照護措施<br>未來：導入HIS作業、減輕醫療負荷 |無現成資料 |
|人工智慧輔助頭部外傷病人急診二返之機率預測系統|背景：輕度頭部外傷病人於急診初步檢查、治療及衛教即可返家休養及門診追蹤，但部份病人因延遲性腦出血、頭部外傷症狀恢復不如預期等狀況即提早返回急診再次追蹤，病人家屬對於出院衛教內容有無(白話文就是「啊醫生那時候又沒有說」)及焦慮程度常常會上升<br>目標：以迴歸或決策樹方式分析第一次就診時的病歷、檢查資料、影像檢查結果、病人及家屬當時心情及不舒服程度，預測二返機率，並調整衛教項目的順序，並以簡短問卷讓家屬自評滿意及訊息吸收程度<br>未來：人工智慧輔助預測二返機率，提醒急診醫療團隊加強衛教程度及內容，讓病人及家屬更安心| 現成資料不確定|
|AI 判讀甲褶鏡影像|背景：自體免疫疾病常合併末梢血管病變，可於甲褶鏡檢查指甲微血管時發現血管病變<br>目標：收集正常與異常指甲甲褶之微血管影像，利用AI技術生成自動偵測方法，協助醫師早期判斷是否具有血管病變(協助醫師判斷嚴重度)<br>未來：未來可協助研究甲褶病變與自體免疫疾病存活預後及併發症相關性(如間質性肺炎與肺動脈高壓)，提供更高附加價值 |無現成資料 |
|SNP基因分析|
|病歷非結化分析,或ICD9病歷自動標註|
|急診24小時送ICU或病逝預測|
|長照照顧者預測|
|內視鏡檢查病灶影像辨識|