產業技術評析

2015年上演的電影「Chappie（中文譯名：成人世界）」，講述未來世界利用機器人作為警察，其中因研發人員開發出具人工智慧（Artificial Intelligence, AI）功能之晶片植入機器人Chappie（查皮）中，使得Chappie藉由人工智慧與機器學習（Machine Learning），不斷學習而具有人類意識。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。
 

一、人口老化造成的龐大醫療支出負擔帶動精準醫療發展需求
 

由於全球人口結構趨於高齡化，人口老化將造成慢性病罹患人數持續攀升，未來龐大的醫療支出將成為各國政府的財政負擔。根據Spear在2001年的統計研究，在傳統藥物治療過程中，大約有38～75%的病患對藥物反應不佳，甚至造成嚴重的副作用，即使到了2015年Schork的研究中，仍有多種藥物在臨床上高達75～96%的病患用藥無效（圖1）。美國統計其醫療支出的浪費約有30%來自於無法精準用藥而造成的用藥無效。在全球經濟成長停滯、各國財政負擔沉重，以及人口高齡化趨勢將使醫療負擔更為雪上加霜，為了有效控制醫療支出，使人類在延長生命的同時，能夠有高品質的生活，於是精準醫療成為2010年之後的重要醫療趨勢。
 

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。
 

資料來源：Schork et al.,；DCB產資組ITIS研究團隊整理（2017.10）
圖1 各類疾病用藥無效之病患比例統計
 

二、數位科技促使醫療產生龐大數據，強化精準醫療發展基礎
 

精準醫療革命之驅動因子主要有兩點，一為基因組定序之技術突破及成本下降；二為數位科技發展產生大數據。由於個體之差異來自於內源性的體學（Omics）如基因組（Genome）、蛋白組（Proteome）、微生物組（Microbiome）等，以及外源性的行為、生活環境暴露等影響。在過去，要將個體的基因組定序完成，不但耗時又昂貴，2004年首次發展之次世代定序（Next Generation Sequence, NGS），其價格已可自上億美元降至1,000萬美元，2011年在進一步技術突破下跌破1萬美元，2015年由Illumina所開發之HiSeq X Ten定序儀，可在3天內完成單一人類基因組全定序，並且價格突破至1,000美元，可產生1TB的資訊量。次世代定序技術的突破，可降低成本並大量進行個體之基因組定序，在學術研究、臨床應用上，加速了生物標記與疾病、用藥反應、預後等相關之研究與應用。
 

數位科技包括數位化資訊、雲端科技、網路科技、物聯網、社群媒體、穿戴裝置、傳感器等發展，讓個體的生理健康訊息、就醫紀錄、臨床檢測、生活型態及行為、環境暴露等，皆可產生成數位化數據，這些數據不但多樣，並且可透過24小時即時監測及蒐集，因而形成了龐大的大數據，因此，數位科技的突破，大量且多元的數據累積為精準醫療奠定進一步發展的基礎，但如何運用大數據分析以作為精準醫療之及早預測、治療決策及預後追踪，是實現精準醫療的重要突破關鍵。
 

三、開發人工智慧技術以加速醫療精準化
 

人工智慧的發展已有數十年，近年來因為圖形處理器（Graphics Processing Unit, GPU）效能趨強、已可達到類比人腦的神經網絡演算法的進展、網路資訊的爆炸性資料，三項因素驅動了人工智慧的深度學習技術發展，使得人工智慧在多個領域中，有突破性的進展，從醫學相關的文獻發展數量來看，自2004年人工智慧相關的論文發展數量超過每年2,000篇，並逐年快速提升至2008年的4,465篇，2014年更達到有史以來的研發數量高峰，共5,950篇。
 

AI是一個取代傳統基於已知規則而建立的資料分析方法，透過複雜的電腦演算法，並且能夠從正面或負面的經驗學習，而建立成模型，經由機器學習、深度學習及認知運算（Cognitive Computing）處理大量數據分析、圖像辨識或語音辨識等，因此，與醫療相關的大數據透過人工智慧處理之後，將有助於臨床預測、判斷及決策分析，人工智慧與基因組定序的結合能顯著加速精準醫療的發展。由人工智慧及醫藥（Medicine）相關之論文數亦是逐年提高，2011～2012年分別每年有超過600篇的研究論文發表，2013年更快速成長至934篇，2014～2016年皆超過1,000篇的相關論文發表。
 

資料來源：PubMed；DCB產資組ITIS研究團隊整理（2017.10）
圖2　1981～2016年全球人工智慧相關醫學文獻發表統計
 

四、多方精準醫療產業相關利益者已運用人工智慧掌握商機
 

透過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。
 

而在精準醫療的相關利益者裡，多已有採用AI之相關技術應用於精準醫療，簡述如下：
 

1.醫學中心或醫院：美國知名的醫學中心或醫院如Kaiser Permanente或Mayo Clinic，是AI應用的早期採用者及創新開發者，例如與IBM Watsons合作，利用認知計算幫助提早診斷出癌症，並依此為病患設計最理想的治療方案。
 

2.檢測中心（Diagnostics Center）：檢測中心是AI應用之早期採用者和現在主要的使用者，主要運用深度學習和模式識別（Pattern Recognition）來減少檢測所需之時間，從而提高病理工作流程的整體效率。其中驅動AI應用成長的關鍵領域為癌症檢測。
 

3.生技公司：生技公司如Gauss Surgical透過開發包括深度學習、模式識別和語音識別等AI技術分析大量的臨床資訊數據，以加速臨床檢測及評估，進而協助改善醫療決策。
 

4.製藥公司：國際大藥廠如Pfizer、Novartis、Merck等正積極地利用AI技術如深度學習和模式識別進行新藥開發，以減少開發新藥時程，並從而提高臨床檢測和安全性評估的進展以符合全球監管機構之要求。
 

5.醫療IT（Information technology）解決方案開發商：IT解決方案開發人員利用深度學習、認知計算、機器學習和神經網絡演算法來協助外科醫生之臨床決策判斷。如Zebra Medical Vision、Enlitic、qure.ai、McKesson等廠商進行AI技術的開發，運用於早期疾病（特別是癌症和精神疾病）的診斷，因此在精準醫療產業價值鏈成為重要的創新者。
 

五、機會或威脅?
 

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，如IBM Watson於醫療的應用開發，未來將是精準醫療的領先者，協助醫生進行治療決策及患者治療結果之預測。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；在2016年，Atowise公司開始運用AI技術用於設計可治療伊波拉病毒的藥物及安全性、療效之預測，在不到一天的時間內完成預測可顯著降低伊波拉病毒感染症狀的兩種藥物，相較於人工分析通常需費時數月或數年，Atomwise開創了人工智慧運用於新藥研發的先河。
 

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。
 

(本文作者為生技中心執行產業技術前瞻研究與知識服務計畫產業分析師)