人工智慧&電腦、資料科學 

人工智慧驅動了數位醫療

intern , , ,
分享至

人工智慧驅動了數位醫療

台大資工所許晉華

深度學習不同以往的是，無須人類輸入規則，即可自行分析資料，開發出複雜的計算功能，找出資料的特徵進行預測，但也因此導致大眾無法信任，尤其是當運用AI於醫療保健時。無論如何，在解析這個黑盒子前，在AI的幫助下，的確可減輕醫生的工作量，如：自動化電子病例的AI系統，確實提升了醫療體驗，雖然此類的技術尚需更多的臨床驗證，但在此先分享其中幾個運用AI的指標性研究：

皮膚癌檢測

圖1：顯微鏡下的黑色素瘤 （圖片來源：wiki）

皮膚癌是最常見的癌症，在美國每年約有540萬的新病例與一萬多人死亡，由於皮膚癌大多可早期發現，若無提早發現將會提高致命率。然而，檢測皮膚並確診是否罹癌是一項非常困難且耗時的工作，需要皮膚科醫生才能執行，但人力長期短缺，讓檢測變得更加困難。

2017年Esteva等人打造了一個卷積類神經網路 (Convolutional Neural Network) 來區分皮膚的良性與惡性腫瘤，其性能可和一群美國皮膚科醫生相媲美。用以訓練模型的資料是數千張來自於醫師團隊所策畫的開放資料集，以及史丹佛醫院所提供的皮膚病理影像，而測試資料是使用具病理證實的黑色素瘤影像，並將結果與21位皮膚科醫生的診斷比較。經測試評估後，其表現相當出色，分別在敏感度和特異度得到了0.91和0.96的結果 (註1)。

此研究的表現為實踐數位醫療於皮膚診斷帶來很大的希望，未來可協助醫生診斷，並深入到缺乏醫療資源的區域，提升醫療服務。雖然現僅在實驗階段，但相信在不久的將來會被實作於移動裝置或臨床檢驗設施中，有了這樣的技術，可大幅降低醫生臨床檢驗皮膚癌的時間，皮膚科醫生將會專注在病人的治療上，建立更緊密的醫病關係。

糖尿病視網膜病變

圖2：糖尿病視網膜病變的眼底攝影影像 （圖片來源：wiki）

高達三千萬的美國人患有糖尿病，另外還有幾千萬人患有糖尿病前期，如何有效控制糖尿病成長的趨勢是相當重要的，其中28.5% 的美國糖尿病患者患有糖尿病視網膜病變，甚至導致失明，使得眼睛護理更加重要。糖尿病患者一年需進行1-2次的眼底攝影檢查，依視網膜病變的程度，定期追蹤，而目前是由醫生進行眼底檢查並診斷。

2016年Gulshan等人開發了一個深度類神經網路 (Deep Neural Network) 來評估糖尿病視網膜病變的眼底影像，採用經54位美國眼科醫生和一群資深的眼科住院醫生評估的128, 175 張眼底影像作為模型的訓練資料，並在另兩組資料上作測試─分別有9963 和1748張影像，經評估後模型的成果高達0.97-0.99 (註1) 。

透過這項技術，在未來也能提升視網膜病變篩檢的速度和準確性，並讓此項篩檢轉變為即時檢測 (point-of-care，註2) ，同時提高早期發現和治療的機率，但此實驗尚未作臨床測試，也無法判讀出其他可能出現的病灶，如：黃斑部病變等。這類研究能讓醫生更著重於其他眼部治療和診斷，並致力於照護糖尿病患的眼部健康。

服藥遵從性

考量到醫療保健的成本上漲，服藥遵從性成為一個重要的醫療問題，因不佳的服藥遵從性而導致死亡的人數每年高達125, 000人，帶來了千億美元的醫療費用，有研究指出，在開立的處方籤中，約有一半的病患未按指示服藥，也有20%-30%未配合領藥。

2017年Labovitz等人使用智慧型手機部署AI平台來評估病患在口服抗凝血劑的服藥遵從性，他們應用電腦視覺類神經網路 (Neural Network) 於智慧型手機的相機鏡頭，來識別患者並確認是否服用藥物，將此實驗組與對照組作比較，比較的指標為藥片數和血液採樣。經12周在28位病患的實驗後，發現使用智慧型手機監控的患者服藥遵從性將近100%，相較於對照組僅有50%。

此外，Bain等人在同年也執行了類似的研究於一種精神分裂症治療藥物的服藥遵從性，在24周的實驗後，結果顯示AI組的遵從性比直接觀察的對象高出17.9%，並發現AI平台能更快發現並預測未遵守服藥的情況。從這兩個研究，可想像未來人工智慧能廣泛地被應用在評估各種藥物的服藥遵從性，突破目前研究服藥遵從性影響因素的瓶頸。

從上述應用AI於醫療保健的數位醫療研究中，可以發現在實踐前仍有許多因素需考量，在此歸納出幾點建議，讓我們在邁向數位醫療時代前能謹記於心：

  • 病患照護為首要目標。
    數位醫療主要是希望提升照護的品質，因此在發展技術的同時，別忘了將重點擺在「人」，深入了解患者情況並拉近醫病關係。
  • 迎接醫療型態的改變。
    別擔心AI會取代人類的工作，我們應該要和新技術相互合作，透過數位醫療會降低臨床檢驗的時間，增強醫療體驗。
  • 最後尤其是要給醫生一個忠告：記得投資自己的人際關係能力與技巧。
    在迎接數位醫療時代的來臨前，記得要檢視自己在這方面的缺點，重新培養軟實力，以深入理解、獲得病患的信任，對患者提出更好的醫療建議。

隨著重複性質高的工作逐漸被自動化後，人類能更專注於只有我們能執行的任務：建立關係、運用同理心，並利用人的判斷來給予指導和建議，也許AI會將醫療保健變得更佳人性化！

編譯來源：Alexander L. Fogel & Joseph C. Kvedar. Artificial intelligence powers digital medicine. Nature

註解：

註[1] ：評估模型的性能標準為AUC (Area Under Curve)。
註[2] ：即時檢測 (point-of-care) 為可在醫院以外的各個地方進行檢測，可減少往返醫院和人事檢測的時間成本。

參考文獻

(Visited 45 times, 1 visits today)

分享至
views