這次疫情，AI可以幫上什麼忙？
編譯／賴佳昀
被炒作的真相
2019年十二月底，一家以機器學習監控傳染病爆發的AI公司BlueDot，發現中國武漢的肺炎病例異常地攀升；無獨有偶，隸屬於波士頓兒童醫院的非營利組織HealthMap和在舊金山的Metabiota也在同時發現蹊蹺，九天之後WHO才開始採取行動，通告各國應注意相關疫情。儘管如此，AI已經可以幫助我們應對大流行了嗎？答案是：時機未到。
如果我們因為對AI的能力抱持錯誤的期望，將資金撥給不成熟或不可信的AI公司，而非投注在如藥物開發等可信的干預措施，這不僅是對疫情，對AI本身也是個相當不明智的決定：當現實趕不上期望，人們終究會對AI失去耐心，打擊好不容易有所起色的AI研究。因此，我們必須面對的現實是：AI或許會在這次的危機中缺席，但若放眼未來，仍極有可能扮演重要角色。
預測
新聞、各地的官方醫療報告、社群網路上的訊息與空中交通數據，這些都是AI可用來監控疾病傳播與爆發的消息來源。舉例來說，Metabiota在今年2月25日發布了最新預測：一周之後全球感染人數將來到127,000人，新增案例最有可能來自中國、義大利、伊朗與美國。這項預測只比實際數字高出三萬多，對於國家與區域的預測也大致準確。另一家數據分析公司Stratifyd則專注在臉書和推特上的貼文，並與官方資料庫──像是美國衛生研究院（National Institutes of Health）、世界動物衛生組織（World Organisation for Animal Health）和全球微生物識別數據庫（Global Microbial Identifier database）──中對各種疾病的描述交叉比對。
這樣的想法並不新穎。前些年Google其實也有類似的嘗試，也成功預測流感的爆發，但該計畫因為錯過2013的流感高峰在同年戛然而止。原因是資料中存在著大量相互矛盾、難辨真假的消息：媒體習慣誇大事實，有關當局則傾向輕描淡寫，衛生醫療資料又因為隱私問題而不可得。資料中的「雜訊」一直是機器學習最大的敵人。
非監督式學習是一項關鍵，讓AI自行摸索，而非在選定的資料中訓練，或許能找出那些人類可能忽略的細節。新的數據處理技術也可以提供另一種選項，像是使用人造非真實數據來訓練模型，或是用差異隱私法（Differential privacy），這就像我們會知道一百個人之中有幾個人愛吃冰淇淋，但不知道確切是誰喜歡吃。
早期診斷
除了預測疾病爆發的路徑與方式之外，許多人也希望AI可以幫忙區分確診病患。我們已經有許多AI輔助醫療影像判讀的成功例子，但這些模型通常需要大量的數據來訓練，而這是我們在大流行一開始時所缺乏的。另一方面，傳染病有潛伏期，感染後也需要一段時間才會顯現可見的生理損傷與症狀，AI輔助影像判讀是否可用作早期診斷的方法需要畫上問號。
當然，這不是說AI在這方面毫無用武之地。有兩種在機器學習上的突破前景頗為看好，只是都尚在發展中：一是「小樣本學習」（Few-shot learning），讓AI從極少量的數據中學習；其二是「轉移學習」（Transfer learning），讓已經訓練過、專精於特定任務的AI可以很快地調整、適應，完成另一件類似但不同的任務。
治療
疫苗與治療藥物的研發，或許是AI當下比較能夠使上力的地方。例如「衍生設計演算法」（Generative design algorithm）就是一個很理想的工具，快速篩選上百萬個生化分子結構，提供較有潛力的清單，節省科學家們大量的時間與精力，顛覆傳統藥物的開發規則。儘管如此，要真正推出可以上市的治療方案，仍需要數月才能完成。
若考慮到疾病預防，AI在理論上也可用來開發疫苗、模擬病毒可能發生的突變，以及是否會對疫苗產生抗藥性。這提供病毒學家在時間上的優勢，而不會措不及防。
病毒會變，AI會變，人也該如此
然而不管多麼縝密的計劃，「人」都可能成為最終的破口。即使有再多的數據，AI也無法自主預測疾病的爆發，只有當政府、企業、公共衛生政策的決策者都足夠信任AI這項工具，才能加快我們對疾病的反應。然而這份信任應該建築在對AI的正確認識上，誠實面對AI可以、不可以做什麼？什麼是可以改進的？AI能幫忙，只是AI還在學習，還需要更多數據、更多時間，以及人力的投入。
編譯來源
W. Heaven, “AI could help with the next pandemic—but not with this one“, MIT Technology Review, 2020.
參考資料
M. O’Brien and C. Larson, “Can AI flag disease outbreaks faster than humans? Not quite“, AP NEWS, 2020.
(本文由教育部補助「AI報報─AI科普推廣計畫」執行團隊編譯)