雲象科技 攻數位病理 AI看診 揪出癌細胞

日劇「天才病理醫」中男主角總是很霸氣的說，病理科要做出100%的診斷。病理科雖然是內科診斷或外科手術前最重要的基礎，但其實在醫院是相對冷門的單位，數位化的腳步也不若其他熱門科別。雲象的數位病理系統，不僅協助病理科醫生能快、狠、準做到100%的診斷，加上人工智慧（AI），更可以幫助醫生更快速分類計數以及辨識腫瘤細胞。

雲象創辦人兼執行長葉肇元從台大醫學系畢業後，前往美國攻讀病理學博士，期間接觸到顯微技術，加上自己的研究題目難度相當高，找不到合適的程式，葉肇元乾脆自學程式設計。意外發現自己喜歡寫程式，當他在實驗室協助別人用程式解決顯微鏡問題時，也看見數位玻片的潛力。

2015年，葉肇元還在美國時，即由父母出資，在台灣登記成立雲象科技，創業夥伴除了父親葉一忠（目前擔任營運長），還有擅長網路程式設計的康家彬（目前為技術長）。

不過若是用昂貴的軟硬體，只是換來看玻片時，從顯微鏡換到電腦螢幕，對醫院與醫生來說意義不大，因此雲象除了開發數位病理影像系統，也投入AI輔助診斷系統的開發。

透過合作醫院提供的玻片影像以醫師的標註，進行深度神經網路AI模型的訓練，除了協助病理科醫生快速辨識腫瘤細胞，也希望結合病患的病理組織及臨床生化檢查數據，進行治療效果及預後的綜合研判，例如在進行癌症治療時，對於病患的長期存活率做出預測。

葉肇元表示，數位病理AI的價值，一是可將定量的工作交給AI，也就是幫助病理科醫生降低繁重的看片與標記負擔；再者，有許多困難的疾病需要使用先進治療，但並非所有的病患在治療後都有反應。例如進行免疫療法前，可以將病患的病理組織或生化臨床資料等，將所有資訊進行綜合研判，判斷是否會有反應，以免病患花了錢卻對治療沒有反應，這是目前藥廠相當關注的，也是數位病理AI最有潛力的市場。

目前各大醫院都在進行數位轉型，主要是在臨床上包括智慧手術室、智慧病房等進行數位化。去年已有台北榮民總醫院及長庚購買玻片掃描器，自己建立數位病理系統，預料接下來各大醫院也會投入。

綜合研判

找對療法

雲象除協助長庚建立數位病理系統，也與林口長庚合作，將鼻咽癌的鼻黏膜檢體，標記了300片玻片，把癌症細胞標記出來教AI判定，目前準確率約98%。

葉肇元指出，如果癌症病灶很大，病理醫生一看就知道答案，就不用AI幫忙；但如果病灶很小，很容易被忽略，或是要花很多時間才能找到的病灶，此時AI的幫助就很大，可以省卻許多時間，也能做更精準的研判。

雲象是個新創公司，資源有限，不會找國際上競爭激烈的乳癌、肺癌等項目，而是挑些標記比較困難、或資料收集有難度的病症。如骨隨抹片對各大醫院來說都很困難，或是東南亞很多但美國較少的鼻咽癌，這些項目對雲象來說較具優勢，讓雲象能將資源花在刀口上。

綜觀數位病理目前在各國的發展都還不算普遍，因此市場還沒有太「紅海」，為了與其他競爭者競爭，希望資源可以更充足、團隊要夠大，除了利基市場，雲象也嘗試一些「流行」的項目，也就是免疫組織化學定量。

結合藥物

拚含金量

以癌細胞來說，有不同組成細胞，可以透過染色區分哪些容易成為治療標的，若達到一定的量就比較適合做免疫治療，如果染色下去都找不到，就可以判定應是無效的治療，例如免疫檢查點抑制劑PD-1治療法前，會先做PD-L1染色標註。

葉肇元深知，數位病理不能只協助診斷，而是從診斷到治療，也就是與藥物結合，才是數位病理的含金量所在，因此將與生技製藥產業的AI化進行結合。AI須進入垂直產業應用，同時要整合到工作流程，才能帶來效益，也就是AI從模型訓練、模型優化到驗證確校，一定要「落地為王」。

雲象AI模型 數位病理領頭羊

科技與醫療是臺灣的二大優勢產業，透過彼此的激盪交融，智慧醫療的相關應用已遍地開花，但在數位病理領域仍是一片藍海。組織病理切片數位化後，其影像解析度非常高，單一張數位玻片的解析度高達數十億甚至百億畫素，檔案最大可超過10 GB，不僅資料儲存是一大挑戰，訓練AI模型更是曠日費時。

臺灣十大最酷科技新創公司之一的雲象科技與國家實驗研究院高速網路與計算中心（國研院國網中心）合作，money826852以具醫療影像優化架構的臺灣AI雲（Taiwan Computing Cloud, TWCC）為後盾，實現運用統一記憶體及算圖優化的技術，挑戰直接以全玻片數位病理影像發展AI模型，每個專案可節省專業醫師半年的標註時間，為數位病理AI技術帶來巨大的革新，讓臺灣醫療走在世界的領先群。

雲象科技的核心業務是打造可辨識特定癌症細胞的深度神經網路模型，以輔助醫師更快速有效的在病理切片中辨識出癌症細胞。醫師針對癌症區域進行細節標註後，因影像過大，目前作法是將全玻片影像預先切割為數萬個小區塊，才能進一步訓練AI模型。傳統方法效果雖然優異，然而必須對每個區塊都有預先標註，才能訓練深度神經網路模型。

雲象科技於2019年運用統一記憶體及算圖優化技術，挑戰用完整的全玻片影像來訓練深度神經網路，取代目前仰賴醫師專業人力標註並把影像切割成多個小區塊的方法，來節省專業病理科醫師數月到半年不等的標註時間。而此構想唯有在「臺灣AI雲」得以實現。