【探索32-2】AI × 醫療
今日強大的AI，或許能夠成為醫療上最佳的輔助工具。AI的強大在於資訊整合，如今醫生在症狀判讀上往往需要將多個系統數據整合在一起，此時若使用AI協助整理資訊，將能快速且有效地得到結果。此外，AI也可以應用於個人化的智慧醫療，透過AI協助判讀過往相似病例的各種醫療方式療效，將能協助醫生快速地找出對於病人最有效的療法。我們可以期待，未來在AI的協助之下，各國的醫療體系能夠漸漸走出隆冬，迎向光明的春天。
講者｜臺灣大學醫學院內科 廖偉智 教授
彙整、撰稿｜何偉倫
醫療人力日益短缺，AI勢必在醫療中扮演重要角色
人工智慧應為目前大家所熟悉的詞彙，通過深度學習、機器學習和自然語言處理等方法，提升任務的自動化水平與精確性。「醫療」一詞，則指維護和促進人類健康，預防、診斷、治療，皆屬提高人們的生活質量的醫學技術。現今醫療科技發達，醫生要面對數量龐大的資訊巨浪，又加上目前全球醫療專業人員短缺，著實可說是醫療業的寒冬；美國醫學協會(AAMC)報告顯示，至2034年，美國可能會短缺37800至124000名醫生，其中，內科和初級照護領域尤為明顯。歐洲醫師聯盟則預估，在2025年時，整個歐洲將面臨約100萬名的醫療專業人員短缺。亞太經濟合作組織則聲稱在2030年時，亞太地區將分別缺乏150萬名醫師及250萬名護士。
為了弭平這些失衡，勢必需要一些新的科技來，再者，由於醫學資訊量在現世已達到空前的巨大，因此也需要新的方式來解析這些數據。
AI的大數據時代
多組學(Multiomics)結合了基因組學、轉錄組學、蛋白質組學、代謝組學等多個組學數據。如今的技術可以解析所有細胞內的資訊系統與細胞跟細胞間的交互作用，因此這需數據量是非常龐大的。舉例而言，人類的基因組(genome)包含約20000-25000個蛋白質編碼基因，加上轉譯後修飾，實際的蛋白質數量可能超過100000！
在轉錄及轉譯的過程裡，先是將DNA轉錄成RNA，再將RNA轉譯合成一長串的胺基酸而形成蛋白質。然而這些胺基酸鍊如何摺疊、如何排列，都將影響蛋白質的功能；以往在了解蛋白質的過程哩，我們都需要通過實驗來驗證這些蛋白質的構造以及功能，這是非常繁瑣的事情。舉例而言，有許多疾病都與蛋白質的折疊出現差錯有關係，譬如阿茲海默症、帕金森氏症……等。
今年的諾貝爾化學獎便是以此為模型，建立出AlphaFold (Deepmind)程式，使科學家可以更快、更精準地預測和模擬蛋白質的形狀，極大的促進了生物醫學和藥物研究的效率。透過利用AI模擬並預測蛋白質模型，可說是具有劃世代的潛力。
AI與胰臟癌
AI的原理是利用仿效人腦的神經網路，此網路分為三大部分：輸入層、 隱藏層、輸出層。輸入層接收數據、隱藏層處理數據並提取模式、輸出層則提供結果或預測。AI便是透過大量輸入數據用以學習，並輸出我們想要的解答。
在醫療實例裡頭，影像辨識是初階的案例；由於廖教授的專長是腸胃科醫師，臨床則聚焦在腸胃科疾病，因此對於這方面的應用有著深入淺出的見解。在於診斷胰臟癌方面，廖教授的初衷是希望藉由人工智慧偵測出肉眼不可視的胰臟癌。
胰臟癌是我國第七大癌症死因，屬於致死率最高的癌症，要是能夠在腫瘤小於兩公分時便及早發現並治療，其治癒機率高達80%！但小於兩公分的胰臟癌在影像檢查上難以肉眼辨識了，一旦達肉眼可視的大小，往往已經無法切除，擴散速度之快，因而有85%的病患無法接受手術去除癌細胞。另外，最值得注意的問題是：用來檢測胰臟癌的 電腦斷層影像資料實在太多太多了，人工肉眼檢查下，最害怕會看不完、漏看、甚至報告的延遲，都將延誤治療。這便是為何我們需要AI來幫助我們分析這些影像。
從六、七年前便開始透過運用臺大醫學院的大量數據資料庫訓練卷積神經網路(Convolution Neural Network, CNN)的人工智慧模型，利用它的特徵提取與模式辨識能力，使得醫學影像中的病灶與異常區域可以被快速的識別，能夠及早發現並盡快治療。
然而，人工智慧仍有出紕漏的時候，面對多變的臨床情境，有諸多未曾於AI訓練時被納入訓練的疾病表現，此時人工智慧可能會無法正確辨識。不過數據顯示，全國實際的臨床資料驗證顯示該人工智慧胰臟癌偵測模型的正確性超過九成！更是能偵測半數醫師未能發現的胰臟癌。
個人化醫療
如今，廖教授與臺大應數所的王偉仲教授團隊，首創AI胰臟癌輔助檢測系統，實現人工智能偵測胰臟癌的目標。人工智慧也被應用來實現個人化醫療，為病人量身打造治療計畫；人工智慧將根據病人的基因組成、生活方式、和疾病史，來幫助患者制定客製化的治療方案，提升療效並降低副作用。
舉例而言，2023年6月於新英格蘭期刊上刊登的文章(Artificial Intelligence Predictive Model for Hormone Therapy Use in Prostate Cancer)，探討雄性激素剝奪法(ADT)併用放射治療對部分前列腺癌病患有益處，對有些患者則並無額外好處，甚至會因此導致不必要的副作用，因此本研究旨在利用AI預測有哪些前列腺癌的患者可於ADT受益。
在AI訓練過程裡，同樣運用到了大量的數據資料庫來讓人工智能學習，有來自超過5000名前列腺癌患者的臨床數據和組織病理影像來訓練AI，並使用近1600明其他前列腺癌患者的病歷資料進行佐證。最終，AI可使66%的患者避免不必要的ADT副作用！
結 語
除了以上運用於醫療的人工智慧，大型語言模型(Large Language Models, LLMs)也是現今具有潛力的應用(如現今的ChatGPT)，或許LLMs也可用於醫院的行政系統、與病人對話、或作為醫療健康諮詢系統，來幫助醫療體系更加完善並節約人力。
雖說人工智慧在醫療領域有著不斐的優勢和利益，但實際上這條AI發展的路卻仍有許多陷阱與挑戰，畢竟要是人工智慧一犯錯，輕則醫療糾紛、重則使病人失去生命，都是不容小覷的。
AI應用於醫療指日可待，卻仍有許多癥結點需要被注意並解決，在提升醫療效率與病人福祉的同時，也要滿足社會道德與責任的訴求，使全體人類的健康更上一層樓。
✨延伸閱讀：《胰臟癌診斷的魔法師——專訪臺大醫學院內科廖偉智教授》
