近年来，人工智能（artificial intelligence, AI）已成为各大领域的当红议题，尤其在医疗应用更是备受瞩目，诸如 IT大厂鸿海、台积电、Google、Apple、亚马逊等皆跨入医疗领域，可见 AI 与医疗的结合势在必行。然而，当 AI 与医疗的结合遍地开花时，外界也掀起不少疑问：AI 会取代医生吗 ? 什么是医疗 AI ? AlphaGo 击败棋王，就代表它也能进军医疗吗 ? 基因线上再度访谈台北医学大学医学科技学院院长 李友专教授，深度剖析在 AI 时代，医疗应用当前的进展、带来的益处与挑战，以及台湾在此领域的优势及未来展望，并一一破解大众对 AI 的迷思 。
医疗与AI如何结合？
AI可以应用于医疗数据分析，以及不同阶段的医疗照护协助。在医疗数据分析部分，依照资料特性可大致分为四种：
1. 编码资料（coded data）：知识含量最多，且经过编码，最容易使用。台湾因为健保制度与电子病历普及，相关资料皆已经过标准编码，为世界少有又好用的大数据分析基础。
2. 影像资料（images & videos data）：近年来，AI 影像分析相当热门，台湾因为健保给付降低医疗检验成本，因此每人平均产生医检影像资料相对其他国家多，十分有利于深度分析。因为在 AI 时代，讲求单一人次的资料量累积，而非总体数量。医疗大数据的真谛是针对同一主体（subject）进行多纬度、多次或长期观察才能真正深入分析，“台湾的医疗资料正是这种，而且收集了 20 年，这就是优势。”李院长说。
3. 自由文字（free text）：即人类的语言、论述方式及书写内容，包含语意（semantics）和句法（syntactic），还有前、后文的内容（content）与文本（textual）问题。随着自然语言处理（natural language processing, NLP）技术的进步，诸如 Siri、Alexa、Google Home 及 Apple 将推出的 HomePod，大致上都能简单解读人类需求，其中，运用在医疗领域的经典代表，就是 IBM 的 Watson for Oncology ，已进化到能帮人类读书。
4. 生理讯号资料（biosignal data）：包括心跳、血压、呼吸等资料。凭借著各种穿戴装置与物联网的蓬勃发展，已可以做到长时间持续性地量测蒐集，而随之产生的大量资料，需要依靠AI 才能有效率地分析，这正是所谓的AIoT：Artificial Intelligence and Internet of Thing，人工智能和物联网结合的应用。
此外，从医疗照护的阶段来谈。在预防阶段，导入 AI 能做到精准预测，协助精准预防。例如预防针的施打，多是不分对象，无差异性的施打，经常造成资源浪费，甚至效益还不一定超过副作用。
在急性医疗照护阶段，医师经常受限于过往训练的“只看疾病不看个人”， 但医疗照护还需要依据年龄、性别及个体差异化等因素综合评估，不能只用通则性的数字作为统一参考标准，如十岁女童或八十岁男性长者应该适用不同的标准参考值，但为何至今仍未见改善 ?李院长表示“因为不同年龄性别的标准值，再加上个体差异化后的正常参考值计算相当复杂，人脑无法直接处理，所以需要 AI 辅助”。又例如遭逢重大意外或重症的长期昏迷，许多家属都在等待奇蹟，但若奇蹟没发生，不仅折磨病人及家属身心，也消耗过多社会资源。AI 可以在此时提供客观且理性的预测分析，让医生与家属评估后续治疗照护方式。而在长期照护部分，像是慢性疾病或长期失能的照护，AI能够帮助长期与远端监控追踪。
李院长也分享北医团队深耕 AI 的方向和进展：
减少处方错误
以台湾来说，平均一年有三亿六千万张处方签，其中有 5% 处方错误，包含诊断或用药的错打、漏打或多打。这些错误衍生的问题大部分不严重，但有 1%（即 18 万人）可能会致死或造成重大伤害；美国也有数据显示，随着医学进步，医疗错误致死率不降反升，这是全球急需解决的重要课题。北医团队深耕处方错误侦测已有六年，运用机率模型分析七亿多笔处方，找出疾病和药物的关联性，并透过增强学习（reinforcement learning）蒐集临床医生调整处方的行为提高预测率。目前已完成 5、6 万笔临床验证，也正持续扩大中。
睡眠预测
现代人压力大，失眠变成常见的问题。“通常你以为自己不会失眠，当天晚上就失眠了”李院长说。“一般的睡眠品质监测都是隔天才告诉你前晚睡得如何，但前晚的睡眠已成既定事实，事后知道分析结果似乎于事无补”，北医团队的目标是做到事前告知，根据过去资料、当日的身心压力与活动状况来预测当日睡眠品质，提前给予适当建议，在睡前先做改善。
重症早期侦测
关于重大疾病预测，北医团队目前根据病人过去三年的看诊资料（不含抽血检察、影像或用药），加上性别、年龄资料，能够准确预测一年内是否罹患特定疾病。“目前我们做的是肝癌，预测率可以到 85%，本以为这件事 too good to be true，但后来发现其实都有迹可循，例如一位有慢性肝炎的病人，得到肝癌的机率也比较大，光看诊断资料就很有用，我们希望能用此模型来做早期预测，早点改变可能致病的行为，达到早期预防”李院长说。
延伸阅读： 未来疾病检测，AI 技高一筹?
破解 AI 的迷思：
医生恐失业 ? 其实 AI 并非万能
提及 AI 在医疗应用，经典代表非 IBM 的 Watson 莫属，然而，Watson 会取代医生吗 ? 对此，李院长表示，Watson 主要功能不是用在诊断，而是针对癌症治疗提供建议，目前仅限于几种特定癌症。“Watson 是个认真读书的AI，一切按照医学文献分析，不像人类有自我意识和创新思考。它是个可靠的帮手，但不是什么病都能治好的神医。若已是癌症后期，没有相关临床试验的文献可以参考分析，这时就非常需要仰赖主治医师的经验。”李院长说，Watson 也在成长中，逐渐增加不同癌种与复发的建议。
因为了解 Watson 的特性，北医目前把它列为肿瘤讨论会（tumor board）的顾问，至今已分析过约300 件案例，提出的建议与医师相去不远，偶尔会出现意想不到的见解，且经专家查证后也发现的确如此，进而调整治疗方向。至于外界好奇 Watson 能否学习人类医师的行为，未来进而做到诊断，李院长认为：“或许可学到表面，但 Watson 基本上是 NLP，不是类神经网络或深度学习，说 AI 会取代人类医师，言之过早。”
此外，Watson也会将癌症基因检测列入考量，在必要时提醒医师该病患是否有做基因检测、结果为何等等，帮助医师据此评估治疗方向是否需要调整，相当人性化，也对实现精准医疗有所助益。
机器人即将一统天下 ?!
提到机器人，李院长指出，电影上常见到跟人类几乎无差别的“智慧型”机器人，目前还无法在真实世界彻底实现。现阶段医疗照护领域的机器人仅止于聊天、拍照等慰藉、陪伴功能，还无法与真正的医疗行为产生连结。不过，这些聊天机器人已进化到可以学习人类与长辈聊天的模式，在某些时刻代理回复长辈讯息；此外，针对陪伴与慰藉，机器人比起宠物，具有可以与人对话的优势，因此“机械宠物”不失为未来陪伴高龄者的好选择。
何谓真正的医疗 AI ? AlphaGo 算吗 ?
李院长提到，他常常问学生或听众：“假设电脑告诉我，这名病人对盘尼西林过敏，你确定要开这个药给他吗? 这样算不算 AI ? 当然算，因为 AI 本来就是定义为只要机器表现出类似人类的智慧行为，就是 AI。”李院长感慨的说，过去两度 AI 热潮，导致外界过度乐观，或把 AI 和物理性机器人混为一谈，加上电影也将 AI 神化，为此李院长曾撰写〈第三次 AI 寒冬?〉一文传递正确概念，呼吁大众不要重蹈覆辙。AlphaGo 的原理是透过游戏大量学习，记取各种成功与失败经验并持续修正到不败为止，但若用于真实医疗，不同人对于同样治疗的反应其实不一样，不可能大量用病人尝试各种不同的治疗。“所以不是 AlphaGo 打败棋王就能用于医疗，况且医疗常常没有正确答案，用某治疗方法让病人多活十年，一定是最好的做法吗 ? 其实没有定论。”
最后，李院长提到：“李开复说 AI 是大国才能玩的。因为在急性与重症部分，需要投入大量资金研发高阶仪器。美国现正尝试用 AI 判断医学影像资料，那样的大型机器动辄百亿、千亿，台湾很难与之抗衡。若真的要竞争，选题就是关键。”李院长建议台湾应该着重在预防（prevention）及预后（prognosis）阶段。“现在光是急性照护就要六千亿的预算，长照只有两百亿根本不够，所以一开始就要‘把钱花在刀口上’，台湾健保系统之所以能成为世界典范，是因为一开始就用 IT 的架构设计。长照系统也应该奠基在 IT 加上 AI 的架构来设计，否则等于把两百亿丢到水里”。李院长强调，只有良好的资讯系统架构才能让有限的资源发挥最大效益，这或许是台湾未来脱颖而出的机会。
延伸阅读：人工智能在健康产业的应用：先找到最好的问题!采访、撰文 / 基因线上总编辑 Thomas Huang 、编辑主任 Jane Lee
©www.geneonline.news. All rights reserved. 基因线上版权所有 未经授权不得转载。合作请联系：service@geneonlineasia.com</em>
