簡化流程、提升效益 AI將是醫療診斷最強助力

2019/09/19 - 洪千惠

相較於強調開放架構的IT產業，醫療領域因涉及人身安全，對技術與相關設備的要求非常嚴謹，因此其體系相對封閉，無論是設備架構或產業供應鏈都有自己的系統，外部產業切入發展的難度相當高。在10年前，全球產業掀起e化浪潮，此趨勢為IT產業開啟了醫療應用的契機，醫院也開始導入IT系統，目前各醫院都已擁有自己的HIS系統。不過至今為止，醫療機構所使用的IT系統都以營運、數據資料處理等外圍管理為主，診斷、開刀等醫療行為所需的設備，仍以既有的西門子、飛利浦等大型醫療設備廠商為主。近年來物聯網帶動了另一波IT革命，再次為IT產業的醫療應用鑿開缺口，尤其是2016年啟動的AI，更已成為醫療產業的焦點。

人類投入AI的研究相當早，從1940年代就開始有學者投入，1956年正式被確立學科，AI必須與各種產業結合，方能具備其價值，因此在1960年代，AI就被應用於醫療領域，透過演算法分析藥物的化學成分，並將結果用於新藥的研製。雖然受限於當時電腦的運算能力，此作法後來未能持續，現在多數藥廠研發新藥時，都仍以人力方式組合化合物配方，不過這次重新啟動的AI，無論是運算能力或數據量都已不可同日而語，因此現在已有藥廠再次開始採用AI，加速新藥的研製。

智慧判斷醫療影像，提升醫師診斷效益

這次AI可捲土重來，除了電腦運算能力提升與龐大的數據量外，演算法更是重要關鍵。與過去兩次發展不同，這次成為AI領域主流的機器學習(Machine Learning)可透過大量數據自我學習，而機器學習中的深度學習(Deep Learning)更進一步強化了學習能力，成為現在各類型智慧化應用的主要演算法。

深度學習的應用多元，目前又以影像識別為大宗，其應用的系統包括城市的安全監控系統、工廠中的機器視覺檢測與醫學中的醫療影像偵測，根據業者估計，影像識別佔現有AI應用的70%以上，主要原因在於影像的數據量充足，且多為數位化格式，易於為AI使用，同時所產生的效益立即可見，不像其他應用必須經過一段時間效益才會發酵，在快速商業化的利誘下，自然成為絕大多數廠商的選擇。

相較於安全監控與機器視覺的快速商品化，AI醫療影像的導入速度偏慢，台灣目前仍未有實際應用的案例，主要原因仍在醫學領域對新技術的評估相對嚴謹，各國的法規認證時間都相當長，因此即便研發完成，也需走完相關單位的認證流程才能上線，而且即便取得認證資格，還要通過醫院的評估，尤其是有可能改變現有診療流程的AI系統，更要經過長時間的院內外溝通磨合，才有機會上線使用，因此AI醫療系統的落地時間，將會比其他領域更久。

時程雖然偏長，不過整體來看其趨勢仍然確立，現在多國政府和民間企業都正加快腳步，美國的FDA光是2019年就已通過30個以上的AI醫療設備審核，各醫院與IT團隊的計畫也都在進行中。

由於AI在醫療領域仍屬於新技術，投資報酬率仍未明確，因此既有企業投入發展的比例並不高，主要仍由科技部制定政策，與學校、醫院共同推動相關計畫，另外價創計畫中，也有不少團隊研發出AI醫療技術，其中醫療影像占多數比例，例如現在有團隊以AI軟體為腫瘤進行3D造影，並提供高於平面切片200倍的資訊量，讓主治醫師掌握腫瘤全貌與所有資訊，藉此選擇更有效的療程，提升病患的存活率。

除了3D造影外，更多團隊做的是以深度學習演算法分析醫療影像。此做法必須先建立訓練模型(Training)，讓數據在訓練模型先運算學習後，再將訓練後的模式安裝在推論(Inference)模型中於現場使用。由於訓練模式的建立需要高度AI專業，同時訓練過程需要長時間運算大量數據，對多數醫療院所來說是沉重負荷，因此現在已有新創團隊設計出可以簡易建模，並可精準、快速分析出結果的通用型高速運算平台，讓醫療業者不需AI專業工程師，也可自行建立訓練模型。

掌握軟硬體特色，打造最適化醫療架構

不過過去深度學習演算法都是學界研究所用，要運用在實際場域仍須克服許多挑戰，尤其是訓練模式與現場環境的匹配問題。目前常出現的問題是訓練模式所獲得的成效無法完全體現在使用現場，主因在於神經網路模型已然複雜，再加上市場現有的多種加速器產品，產生多種軟硬體組合。而並非所有軟硬體架構組合所產生的成效都相同，要克服此困難，系統廠商必須對市場的軟硬體架構都有足夠掌握。

當然系統廠商也可以針對特定客戶提供客製化設計服務，讓訓練模式與實用模式的軟硬體架構一致，以確保執行成效。不過AI醫療系統如果要走向商業化，就必須將主系統設計為通用型，也就是要能複製到其他客戶，以降低成本、提高獲利，而要達到此目標，還是必須讓系統在不同軟硬體架構中的運行成效一致，也因此掌握市面上常用的軟硬體產品特色，對系統廠商來說仍是必要課題。

至於AI對醫療產業的實質幫助，多位醫界人士都指出，就目前發展來看，AI在醫療領域並非為了取代現有人員而設計，其角色仍是輔助工具，透過其快速運算的影像識別功能，縮短醫療影像的檢視時間，同時為醫師提供更豐富的資訊，真正的病情判定與診療方式，仍必須由醫師做最後的決定，此一模式在可預見的未來仍不會改變，而這種AI與HI(Human Intelligence)的結合，也會是最具效益與可用性的智慧組合，在提升效率的同時，也為病患帶來更有溫度的服務。


圖說：影像判讀是醫療診斷的重要環節，不過傳統的人力檢測方式往往曠日廢時，AI的導入將有助於提升醫療效率。(Arbeitsfelder Entdecken)