《AI,醫療,大數據》 ── 專訪北醫大醫學科技學院院長 李友專教授

0

近年來,人工智慧(artificial intelligence, AI)已成為各大領域的當紅議題,尤其在醫療應用更是備受矚目,諸如 IT大廠鴻海、台積電、Google、Apple、亞馬遜等皆跨入醫療領域,可見 AI 與醫療的結合勢在必行。然而,當 AI 與醫療的結合遍地開花時,外界也掀起不少疑問:AI 會取代醫生嗎 ? 什麼是醫療 AI ? AlphaGo 擊敗棋王,就代表它也能進軍醫療嗎 ? 基因線上再度訪談台北醫學大學醫學科技學院院長 李友專教授,深度剖析在 AI 時代,醫療應用當前的進展、帶來的益處與挑戰,以及台灣在此領域的優勢及未來展望,並一一破解大眾對 AI 的迷思 。

醫療與AI如何結合?

AI可以應用於醫療數據分析,以及不同階段的醫療照護協助。在醫療數據分析部分,依照資料特性可大致分為四種:
1. 編碼資料(coded data):知識含量最多,且經過編碼,最容易使用。台灣因為健保制度與電子病歷普及,相關資料皆已經過標準編碼,為世界少有又好用的大數據分析基礎。

2. 影像資料(images & videos data):近年來,AI 影像分析相當熱門,台灣因為健保給付降低醫療檢驗成本,因此每人平均產生醫檢影像資料相對其他國家多,十分有利於深度分析。因為在 AI 時代,講求單一人次的資料量累積,而非總體數量。醫療大數據的真諦是針對同一主體(subject)進行多緯度、多次或長期觀察才能真正深入分析,「台灣的醫療資料正是這種,而且收集了 20 年,這就是優勢。」李院長說。

3. 自由文字(free text):即人類的語言、論述方式及書寫內容,包含語意(semantics)和句法(syntactic),還有前、後文的內容(content)與文本(textual)問題。隨著自然語言處理(natural language processing, NLP)技術的進步,諸如 Siri、Alexa、Google Home 及 Apple 將推出的 HomePod,大致上都能簡單解讀人類需求,其中,運用在醫療領域的經典代表,就是 IBM 的 Watson for Oncology ,已進化到能幫人類讀書。

4. 生理訊號資料(biosignal data):包括心跳、血壓、呼吸等資料。憑藉著各種穿戴裝置與物聯網的蓬勃發展,已可以做到長時間持續性地量測蒐集,而隨之產生的大量資料,需要依靠AI 才能有效率地分析,這正是所謂的AIoT:Artificial Intelligence and Internet of Thing,人工智慧和物聯網結合的應用。

此外,從醫療照護的階段來談。在預防階段,導入 AI 能做到精準預測,協助精準預防。例如預防針的施打,多是不分對象,無差異性的施打,經常造成資源浪費,甚至效益還不一定超過副作用。

在急性醫療照護階段,醫師經常受限於過往訓練的「只看疾病不看個人」, 但醫療照護還需要依據年齡、性別及個體差異化等因素綜合評估,不能只用通則性的數字作爲統一參考標準,如十歲女童或八十歲男性長者應該適用不同的標準參考值,但為何至今仍未見改善 ?李院長表示「因為不同年齡性別的標準值,再加上個體差異化後的正常參考值計算相當複雜,人腦無法直接處理,所以需要 AI 輔助」。又例如遭逢重大意外或重症的長期昏迷,許多家屬都在等待奇蹟,但若奇蹟沒發生,不僅折磨病人及家屬身心,也消耗過多社會資源。AI 可以在此時提供客觀且理性的預測分析,讓醫生與家屬評估後續治療照護方式。而在長期照護部分,像是慢性疾病或長期失能的照護,AI能夠幫助長期與遠端監控追蹤。

李院長也分享北醫團隊深耕 AI 的方向和進展:

減少處方錯誤

以台灣來說,平均一年有三億六千萬張處方簽,其中有 5% 處方錯誤,包含診斷或用藥的錯打、漏打或多打。這些錯誤衍生的問題大部分不嚴重,但有 1%(即 18 萬人)可能會致死或造成重大傷害;美國也有數據顯示,隨著醫學進步,醫療錯誤致死率不降反升,這是全球急需解決的重要課題。北醫團隊深耕處方錯誤偵測已有六年,運用機率模型分析七億多筆處方,找出疾病和藥物的關聯性,並透過增強學習(reinforcement learning)蒐集臨床醫生調整處方的行為提高預測率。目前已完成 5、6 萬筆臨床驗證,也正持續擴大中。

睡眠預測

現代人壓力大,失眠變成常見的問題。「通常你以為自己不會失眠,當天晚上就失眠了」李院長說。「一般的睡眠品質監測都是隔天才告訴你前晚睡得如何,但前晚的睡眠已成既定事實,事後知道分析結果似乎於事無補」,北醫團隊的目標是做到事前告知,根據過去資料、當日的身心壓力與活動狀況來預測當日睡眠品質,提前給予適當建議,在睡前先做改善。

重症早期偵測

關於重大疾病預測,北醫團隊目前根據病人過去三年的看診資料(不含抽血檢察、影像或用藥),加上性別、年齡資料,能夠準確預測一年內是否罹患特定疾病。「目前我們做的是肝癌,預測率可以到 85%,本以為這件事 too good to be true,但後來發現其實都有跡可循,例如一位有慢性肝炎的病人,得到肝癌的機率也比較大,光看診斷資料就很有用,我們希望能用此模型來做早期預測,早點改變可能致病的行為,達到早期預防」李院長說。

延伸閱讀: 未來疾病檢測,AI 技高一籌?

Technology and network concept

破解 AI 的迷思:

醫生恐失業 ? 其實 AI 並非萬能

提及 AI 在醫療應用,經典代表非 IBM 的 Watson 莫屬,然而,Watson 會取代醫生嗎 ? 對此,李院長表示,Watson 主要功能不是用在診斷,而是針對癌症治療提供建議,目前僅限於幾種特定癌症。「Watson 是個認真讀書的AI,一切按照醫學文獻分析,不像人類有自我意識和創新思考。它是個可靠的幫手,但不是什麼病都能治好的神醫。若已是癌症後期,沒有相關臨床試驗的文獻可以參考分析,這時就非常需要仰賴主治醫師的經驗。」李院長說,Watson 也在成長中,逐漸增加不同癌種與復發的建議。

因為了解 Watson 的特性,北醫目前把它列為腫瘤討論會(tumor board)的顧問,至今已分析過約300 件案例,提出的建議與醫師相去不遠,偶爾會出現意想不到的見解,且經專家查證後也發現的確如此,進而調整治療方向。至於外界好奇 Watson 能否學習人類醫師的行為,未來進而做到診斷,李院長認為:「或許可學到表面,但 Watson 基本上是 NLP,不是類神經網絡或深度學習,說 AI 會取代人類醫師,言之過早。」

此外,Watson也會將癌症基因檢測列入考量,在必要時提醒醫師該病患是否有做基因檢測、結果為何等等,幫助醫師據此評估治療方向是否需要調整,相當人性化,也對實現精準醫療有所助益。

機器人即將一統天下 ?!

提到機器人,李院長指出,電影上常見到跟人類幾乎無差別的「智慧型」機器人,目前還無法在真實世界徹底實現。現階段醫療照護領域的機器人僅止於聊天、拍照等慰藉、陪伴功能,還無法與真正的醫療行為產生連結。不過,這些聊天機器人已進化到可以學習人類與長輩聊天的模式,在某些時刻代理回覆長輩訊息;此外,針對陪伴與慰藉,機器人比起寵物,具有可以與人對話的優勢,因此「機械寵物」不失為未來陪伴高齡者的好選擇。

何謂真正的醫療 AI ? AlphaGo 算嗎 ?

李院長提到,他常常問學生或聽眾:「假設電腦告訴我,這名病人對盤尼西林過敏,你確定要開這個藥給他嗎? 這樣算不算 AI ? 當然算,因為 AI 本來就是定義為只要機器表現出類似人類的智慧行為,就是 AI。」李院長感慨的說,過去兩度 AI 熱潮,導致外界過度樂觀,或把 AI 和物理性機器人混為一談,加上電影也將 AI 神化,為此李院長曾撰寫〈第三次 AI 寒冬?〉一文傳遞正確概念,呼籲大眾不要重蹈覆轍。AlphaGo 的原理是透過遊戲大量學習,記取各種成功與失敗經驗並持續修正到不敗為止,但若用於真實醫療,不同人對於同樣治療的反應其實不一樣,不可能大量用病人嘗試各種不同的治療。「所以不是 AlphaGo 打敗棋王就能用於醫療,況且醫療常常沒有正確答案,用某治療方法讓病人多活十年,一定是最好的做法嗎 ? 其實沒有定論。」

最後,李院長提到:「李開復說 AI 是大國才能玩的。因為在急性與重症部分,需要投入大量資金研發高階儀器。美國現正嘗試用 AI 判斷醫學影像資料,那樣的大型機器動輒百億、千億,台灣很難與之抗衡。若真的要競爭,選題就是關鍵。」李院長建議台灣應該著重在預防(prevention)及預後(prognosis)階段。「現在光是急性照護就要六千億的預算,長照只有兩百億根本不夠,所以一開始就要『把錢花在刀口上』,台灣健保系統之所以能成為世界典範,是因為一開始就用 IT 的架構設計。長照系統也應該奠基在 IT 加上 AI 的架構來設計,否則等於把兩百億丟到水裡」。李院長強調,只有良好的資訊系統架構才能讓有限的資源發揮最大效益,這或許是台灣未來脫穎而出的機會。

延伸閱讀:人工智慧在健康產業的應用:先找到最好的問題!

採訪、撰文 / 基因線上總編輯 Thomas Huang 、編輯主任 Jane Lee

©www.geneonline.news. All rights reserved. 基因線上版權所有 未經授權不得轉載。合作請聯繫:service@geneonlineasia.com</em>

Leave A Reply

shares