產業技術評析

提到人工智慧（Artificial intelligence, AI），很多人腦中第一個浮現的會是2001年上映的電影-A.I.人工智慧。電影中，具有自我意識及學習能力的可愛機器小男孩，讓人印象深刻。而當年具有自我學習能力的電子腦，被認為是科幻小說的情節。不過這一刻版印象，在2016~2017年Google的AlphaGO接連打敗韓國及世界圍棋棋王後，讓世人一夕改觀。因深度學習（deep learning）在機器學習（machine learning）上的重大進展，AI已進展到能與人腦一較高下，且於某些領域甚至還比人腦還厲害。AlphaGO很會下圍棋，對一般人的生活似乎沒有影響，但一般人其實已開始接觸到AI而不知，手機裡SIRI跟人的自由互動、開車上路後google map即時的路況預測及建議，這些都是AI進展的成果。除此之外，AI運用於協助醫療診斷，亦有長足進展，2017年11月，由中國大陸科大訊飛股份有限公司（簡稱科大訊飛）打造的AI機器人「小易」，通過了臨床執業醫師綜合筆試評測，取得了成為醫師的資格，機器人醫生似乎在不久的將來有望面世。
 

一、為何使用AI協助診斷
 

目前AI用在醫療診斷多做為輔助性質，藉由AI先對醫療影像進行分析，醫生再依據AI分析得出的數據或影像進行疾病或是治療上的診斷。AI醫療輔助可以提供可信的數據，同時節省醫護人員的時間，如哈佛大學所研發的smart microscope軟體，在偵測是否感染可致死的血液感染性疾病的病理樣品時，有95%的準確率（來自25,000名病人的100,000個樣品），而日本昭和大學（Showa University）所研發的AI 診斷系統，對於結腸癌病變的偵測，有著94%的靈敏度、79%的專一度跟86%的準確率，從前面的兩個例子來看，AI診斷已經表現出不遜於專科醫生的準確率，另一高準確度例子為英國John Radcliffe醫院所設計的AI軟體，其用於診斷心臟疾病跟肺癌準確度達80%，甚至比專科醫生更高。
 

得力於近年電腦偵測及運算能力的進展，使得AI能在短時間內大量分析影像等檢驗報告，且跟醫療人員最大的差別在於，電腦不會累，而減少因長時間工作疲勞造成減少誤判的機率。除了高準確率外，目前的AI診斷多將主機置於雲端，再利用行動裝置（如手機或是平板電腦）來進行診斷協助，因而只要有網路，AI即可協助醫療資源缺乏地區（如離島或是偏鄉）的醫護人員，進行診斷上的協助，可以提升缺少專科醫生地區的醫療品質，平衡區域間的醫療差距。
 

二、AI如何學習醫療診斷
 

AI跟傳統的程式有何不同?傳統軟體的程式是固定的，當資訊輸入後，會根據此固定的程式對輸入的資訊進行處理，而得到一致的輸出。但在AI中，則是由機器學習程式為核心，藉由輸入及所得到的輸出回饋，電腦中的機器學習程式會自我架構出新的程式，此後新的輸入便會藉由新的程式產生不一樣的輸出（圖1）。
 

Jiang等人於2017年所撰寫的評論中，將AI醫療診斷學習分割為兩個部分，一是自然語言處理（Nature Language Process, NLP），一是機器學習。醫療單位的病歷及醫學期刊上的個案報告，為AI機器學習程式用來分析建構醫療診斷的基礎，但這些病歷及報告通常沒有固定的格式，無法直接被AI利用進行機器學習，需要經過自然語言處理後，輸出為固定格式的資訊，AI才能進行機器學習（圖2）。想要將AI應用於醫療診斷，除了機器學習跟自然語言處理的程式設計，在AI學習過程中，尚需要大量的病歷跟檢查資料及專科醫生的協助，故目前AI診斷軟體發展，都跟醫療單位密切合作。如DeepMind跟英國的國民保健署（National Health Service, NHS）於2015年簽訂了5年的合作契約，NHS無償的提供160萬個病人病歷，作為DeepMind的AI診斷軟體學習的素材，而DeepMind目前研發出來的Streams程式，於2016年也整合至英國皇家免費醫院（Royal Free’s hospitals）醫院內的病歷系統，提供醫護人員在照護病人上的診療建議。
 

資料來源：Senders et al.；DCB產資組ITIS研究團隊整理（2018.05）。
圖1 傳統程式與機器學習程式的差異。
 

註: AI: artificial intelligence; ML: machine learning; NLP: nature language process。
資料來源：Jiang et al.；DCB產資組ITIS研究團隊整理（2018.05）。
圖2 AI醫療診斷的機器學習模式。
 

三、AI醫療診斷軟體加速發展
 

目前AI醫療診斷軟體加速運用在多種疾病領域的診斷，包括心血管疾病、眼部疾病及癌症等，以下說明在這些領域的發展現況：
 

1.心血管疾病
 

藉由核磁共振造影（Magnetic Resonance Imaging, MRI）的心室影像，可以協助醫生診斷出多種心臟疾病，但MRI所掃描的心室影像容易與其他器官混淆，使得放射科技術員在圈選影像時，要花較多的時間去判斷是否已擷取得正確的心室影像。由Arterys所研發的Cardio DL雲端AI系統，於2017年取得美國FDA的501（K）醫材上市許可，運用在心臟核磁共振造影，可自動於10秒內進行心室影像的圈選，藉由Cardio DL的協助，可提高心室造影的準確率並減少造影所需的時間，根據Arterys宣稱，Cardio DL上市後，會再利用臨床病例學習，提升準確率及減少判讀時間。
 

2.眼部疾病
 

（1）由IDx LLC研發的IDx-DR診斷系統於2018年4月取得美國FDA核准上市。IDx-DR是一個AI雲端診斷系統，眼科醫護人員將視網膜攝影結果上傳至IDx-DR，IDx-DR可以判斷此人是否具有糖尿病性視網膜病變（diabetic retinopathy）。IDx-DR直接診斷出不易診斷的早期糖尿病性視網膜病變，準確度達87.4%。美國FDA對IDx-DR審查採取De Novo途徑，並給予創新設備審查（Breakthrough Devices Program）資格，美國FDA希望藉此產品的上市，可加強糖尿病性視網膜病變的早期發現與治療。
 

（2）Google子公司DeepMind最為人知的作品是AlphaGO，不過該公司於2018年2月公布與倫敦Moorfields眼科醫院已進行兩年的研究合作計畫，其AI分析可以藉由視網膜掃描影像，有效的診斷出青光眼、糖尿病視網膜病變和老年黃斑部病變這三種會造成失明的眼部疾病。
 

3.癌症
 

以IBM所研發Watson為例，目前全世界已有約60家醫院採用IBM Watson for Oncology作為癌症病人診本參考，其中包含臺灣的台北醫學大學醫療體系。在肺癌及乳癌診斷上，Watson可以幫助將檢驗時間由1時50分降低至24分。另外針對肺癌、結腸癌和直腸癌臨床個例的診斷建議，與腫瘤專科醫師給的建議分別達到96%、81%及93%的一致性。
 

從AI醫療治療診斷軟體的發展，可看到其快速進展，且醫療單位的迅速應變與支持，如前述IDx公司的IDx-DR是第一款可不需經由專科醫生判斷數據，即可下診斷是否出現糖尿病性視網膜病變的軟體，亦突破過去醫療模式，而美國FDA局長Scott Gottlieb在IDx-DR通過審查後，於推特表示AI跟機器學習給未來醫學帶來巨大的希望，同時美國FDA會促進創新的AI醫療設備研發；在此一趨勢下，我們似乎已看到機器人醫生準備走入診間，為病人進行診斷的未來。
 

四、結語
 

美國FDA已核准AI醫療診斷產品上市，且表態支持AI在醫療上的發展，但其發展仍是有些挑戰。如何取得數量夠多的病人病歷供AI學習，及AI診斷責任上的認定，是AI診斷在目前或將會遇到的難題。從適法性來看，以DeepMind跟NHS的合作案為例，NHS所提供的160萬個病歷，是沒有經過這些病人同意的，雖然這些病歷完全匿名，且DeepMind也不需要病人姓名等個資，但仍引發個資方面的爭議。這也導致了DeepMind在發展AI診斷之外，額外花心力來探討目前的模式，是否違法，導致最後無法商業化。此外，除非是同一個醫療體系，病人的病歷無法被不同院所取得，而病歷的不完整恐影響AI診斷的準確率，雖說可以要求醫生開立病摘，但還是比不上原始數據詳細，但如果要全面開放病歷資料給AI軟體，是否又會有個資上的問題？
 

另外在醫療責任上，AI診斷究竟該被歸類於人（醫生的角色）？還是物（醫療器材的角色）？目前的AI診斷運用多是將AI做為輔助，做為醫生確診的依據之一，但IDx-DR得到美國FDA可以直接下診斷的授權，代表AI未來在臨床診斷上將不只是做為輔助，如此日後產生誤診、醫療糾紛，責任的歸屬，將會是未來要面對的。
 

另一問題在於AI是否會取代目前的醫療人員？科大飛訊的AI機器人「小易」雖然取得穿白袍的部分資格，但距離可以跟真人醫師一樣下診斷還很遠，不過相信在不久的未來，像「小易」一樣的醫生會慢慢出現在診間，屆時醫護人員要如何調適，甚至不可避免地會有人要離開工作岡位。目前認為最快會受影響的是放射科的技術員，自動擷取跟分析影像的設備已經開始降低人力上的需求，也開始有技術員認為自己會在10年內被取代。
 

國際研究暨顧問機構Gartner曾指出，AI會讓很多工作消失，但會創造更多的工作機會，AI的角色在於輔佐，人還是根本。現在的醫療，在緊張及繁重的壓力下，病人往往覺得醫生看的是”病”不是人、是一個缺乏溫暖的場域，或許在AI的協助下，可以幫忙醫護人員分擔診斷上的重擔，而醫護人員可以將重點放在病人的照料上，提供有溫度的醫療照護。因而未來有AI相伴的醫療環境，將會和目前熟悉的不盡相同。
 

(本文作者為生技中心執行產業技術基磐研究與知識服務計畫產業分析師)