最新消息

作者：賴瓊雅/生技中心

近年來因為深度學習（Deep Learning）技術之突破，人工智慧的科技運用已悄悄地在人類生活各層面展開研發。2017年7月11日，IBM Watson與紐約基因體中心聯合發表透過AI分析，可在10分鐘內提供人類基因組與腫瘤相關性之分析判讀，相似之結論若以傳統人工分析方法則需耗時約160小時，大大提升精準診斷之效率，AI已漸成為精準醫療時代不可或缺的重要技術。

驅動精準醫療發展的主要關鍵因子為生物標記（Biomarker）的分析與檢測，基於個體間具有基因組差異性、生活型態及所處社會環境的不同，將根據病患對特定疾病之易感性、各種疾病之分子生物學機制，以及對特定治療方式的反應差異，透過研發適當之生物標記將患者分為不同亞群而提供其最適之療法，以達到提升療效、降低醫療資源的不當浪費。而將AI應用於精準醫療可達到以下目標：（1）優化病人數據；（2）早期並精確診斷；（3）降低治療成本；（4）增進治療決策；（5）加速臨床精準用藥開發；（6）提供個人化治療方案；（7）病人易於獲得照顧；（8）可發展個人定製化藥物設計；（9）減少診療所需時間。

人工智慧技術發展將為人類生活帶來更多便利，在醫療上，亦可透過人工智慧加速精準醫療的實現，許多科技公司如IBM、Apple、Google等，正投入大量人力及物力於醫療保健數據的挖掘及分析。隨著人工智慧科技不斷精進，是否會取代許多人類的工作呢？在擔憂此議題之前，我們需強調將人工智慧與醫學知識結合的重要性，例如在國際生物醫學影像研討會中，經由大量影像數據及人工智慧的深度學習建立了淋巴結影像診斷乳腺癌發生轉移的計算模式，透過人工智慧判讀可達到92.5%的成功率，但當病理學家獨立判讀相同的影像資料時，其成功率為96.6%，若將人工智慧的深度學習系統預測與病理學家的專業人工診斷相結合，其成功率可提高至99.5%，不但可將人為錯誤率降低約85%，更可加速診斷時間

然而，目前的人工智慧技術仍存在著一些限制，由於人工智慧所進行的預測是基於機器學習，但是若沒有先例的情況下，在一些新興的病例中，其演算法結果可能不佳，因此，人工智慧無法完全取代不容易編纂的隱性知識，或是，若數據內包含過多的隱藏層數，其模型預測將與實際有較多差距，非結構性之質性判斷仍是無法被人工智慧所取代。此外，要能夠進行人工智慧之開發，需要結構化數據，方能提供演算分析及模型發展，無論數據分析如何先進，其分析結果都應是支持醫師的技能，消除醫師人力工作重複的部份，使其獲得更多與患者溝通及接觸的時間，增進醫病關係。人工智慧必需在大量的證實下，能對治療患者及改善醫療保健之安全、有效之下，才能履行其任務。與其擔憂被人工智慧所取代，不如思索如何運用人工智慧為未來生活加值，讓人類有更多精力投入於機器所無法取代之工作。

完整內容請詳見：【產業技術評析】當精準醫療浪潮遇到人工智慧