千變萬化中的智慧醫療

講者／嚴成文（國立中山大學機械與機電工程學系特聘教授）｜彙整／高英哲
整理自2019.11.19〈AI報你知．同名〉

機器學習近年來進步神速，部分歸因於各大企業全力投入，挹注龐大資金與人力；網路分享平台也確保相關研究成果能互通有無，借助眾人力量，除了能得到他人及時的回饋意見外，也能及時揪出錯誤、不誠實或有問題的實驗方法與結果。在這些條件之下，某些AI專案的表現已能達到企業預期，成為產業升級與智慧化的強大誘因，其中又以金融與醫療業最為積極。以下便列舉幾項AI在醫療上可能的應用與發展方向：

輔助人類

單純地利用機器學習強大的運算能力，提升傳統做法的效率。以醫療影像的判讀為例，學有專精、經驗老道的「大師級人物」，能看一眼X光片就斷言病情。但這需要多年的觀察與經驗累積，一般人難以一蹴可幾；然而若與AI結合，有了科技的輔助，就有機會表現得比大師更為優異。因此AI在其中的腳色不是取代人類，而是如何輔助人類更快速、更有效率地達成任務。

大數據追蹤

利用用戶在網路上透漏的資訊，取得大量、即時的數據，進行追蹤或預測。比方說Google曾透過收集人們上網搜尋「感冒」、「發燒」等流感相關關鍵字的時間與地區，推估流感爆發的時間點與輕重程度，預測結果與美國疾管局事後公布的統計資料吻合。另一個例子則是評估不同藥物之間的交互作用以及同時服用所產生的副作用，這類研究因為違反人體試驗的倫理準則，因此以往多仰賴事後通報。然而有了網路後，我們可以先篩選出一些像是「疲勞」、「沒食慾」、「頻尿」等關鍵字，再觀察這些關鍵字最常與哪些藥品組合一起出現在搜尋框中。

節省人力

人在睡眠時會有數段快速動眼期（Rapid Eye Movement，REM）。一般從剛入睡到第一次REM之間約有一至兩小時的延遲，然而這段時間在憂鬱症患者的身上顯著縮短，因此可以作為憂鬱症非常可靠的治療依據，然而一般在臨床上並不會這麼做。因為以往仰賴人工判讀，醫師須徹夜守候在病人身旁監控腦波活動，實務上很難辦到。這也是機器學習可以代勞之處，大幅降低醫護人員負擔的同時，也能服務更多病患，嘗試過去難以實現的研究方法。

整合與簡化

我們也可以利用AI的優勢，簡化繁複且昂貴的檢驗手段。比方說我們知道動脈鈣化程度是心血管疾病最準確的診斷依據，目前臨床上是以一般輻射量進行斷層掃描，但因為心臟跳動的緣故，即使配合心電圖掌握拍攝時機，仍然容易影響影像品質及後續的人工判讀；有了AI的協助，我們便可以結合一般用以診斷肺部腫瘤、同樣拍攝患者胸腔的低輻射電腦斷層（Low-dose CT，LDCT），以更低的輻射量，拍攝出就人眼來說「沒那麼清楚」，但是機器能夠判讀的影像，達到同樣的診斷目的，同時節省大量醫事費用。

新儀器與裝置

除了近年來十分流行、可以記錄各種生理訊號、追蹤使用者健康狀態的行動裝置以外，舌診儀、經絡儀等裝置也紛紛問世，把過去極度倚賴個人經驗的中醫問診過程數據化，消弭替代與實證醫學之間的鴻溝。

強化弱訊號

醫事檢測有斷層掃描、磁振造影、超音波掃描等「強訊號」，也有腦電圖、肌電圖、心電圖等「弱訊號」，這些弱訊號的強度較弱、頻率有限，因此解析度不足，難以從中看出什麼所以然來。機器學習可以藉由多次檢測，將結果疊加、整合，彌補訊號強度不足的問題；也能夠把觀察時間拉長，看到弱訊號更為完整的循環規律；或者增加弱訊號的監測頻道數，分析不同監測點之間的連結。有了演算法的加持，弱訊號所帶給我們的資訊不見得會輸給強訊號。

新指標

機器學習最重要的特色之一，就是可以在不知道來龍去脈的狀況下，掌握到某些人類未曾或不能察覺的規律或關聯性，因此發現新的生物標記，做為未來的診斷依據。

不可否認，AI是先進國家前緣研究的競賽場，不過只要玩得聰明，台灣也有機會在這個領域玩出名堂。細數臺灣的各種優劣勢，智慧醫療或許是臺灣較有發展潛力的一項。

(本文為教育部「人工智慧技術及應用人才培育計畫」成果內容)