數位醫學已成為醫學期刊與研究的重要議題，過去二、三十年，醫學界歷經漫長的資訊數位化過程，如今也有顯著的成果，那麼加入人工智慧的醫療會是什麼樣貌？面臨什麼挑戰？國立陽明交通大學數位醫學暨智慧醫療推動中心主任楊智傑認為，讓醫療人員在在短時間內進行龐雜資訊的判斷，並且導入到臨床流程，才是智慧醫療最重要的任務。
AI 導入臨床的三件事：診斷、評估、預測
醫療數據往往很龐大，但通常在很多情境下，醫療人員只需要其中最關鍵的部份即可。然而這些關鍵資訊需要透過分析才能夠得到有效率的判斷。因此如何透過大數據進行有效的資料分析與推論，是目前數位醫學非常重視的議題。
人工智慧在醫療大數據裡扮演非常重要的角色，透過先進的演算法，就有機會能夠將醫療大數據做有效率的分析跟彙整。在整個過程中，數位醫學扮演的角色應該是將數位化的醫療資訊，透過演算法，建立一個可以推論的人工智慧模型。更重要的是，進一步將 AI分析的模型與結果，導入到臨床流程裡，同時優化臨床流程，甚至建構一個真正的智慧醫療模式。在智慧醫療裡，臨床流程的改善是一個最重要的任務。
因此，AI 分析需要能夠對應到臨床上的使用，對醫師而言，每天在做的不外乎就是診斷、評估跟預測。根據病患的症狀、病情與各樣的診斷數據，進行診斷的工作，病患有了診斷之後，醫師也必須要評估病人的病情嚴重程度，同時也要針對病患所接受的治療，做癒後的預測，所以診斷、評估和預測臨床上導入 AI 最重要的三件事情。
整合醫療數據 開發臨床可使用的雲端 AI 平台
為了解決臨床資料庫非常分散的問題，整合不同醫療團隊研究數據，共同開發可供臨床使用的雲端 AI 平台與可信任的 AI 模型。早期在醫院的架構裡，只有資料伺服器與使用者端這兩個層次，所有醫院的電子化資料都存在伺服器裡，僅提供查詢與儲存功能。
而目前已逐步引進運算伺服器，希望能夠針對這些臨床資料進行即時的 AI 分析跟判斷，提供使用者即時的參考。我們建構的平台包括智慧腦影像平台、腦出血AI平台，胸部X光AI平台，老年黃斑部病變的 OCT AI平台，以及居家睡眠健康照顧平台，這些平台可以最大程度的將臨床資訊串連起來，並且利用可信任的 AI 模型，針對這些臨床數據進行可解釋性的判斷與處理。
未來在臨床資料庫的 AI 發展，還有幾個需要解決的問題與重點，說明如下：
1.建構便於使用的 AI 平台：大多數臨床工作人員對於如何使用AI，甚至如何發展AI技術並不瞭解，所以這個平台要能夠整合高速運算的資源，同時方便多人在此平台上進行AI研發，甚至利用機器學習的技術，在低代碼的情況下，就可以將 AI 模型發展出來。同時利用線上 AI 平台一個很重要的因素，就是這些的敏感臨床數據不會外流，只能夠線上進行分析跟操作，可以保障資料的隱私跟安全性。
2. 數據共享不出醫院：若是醫院與其他醫療中心的數據要合作時，往往會面臨資料 不能出醫院的問題。因此透過聯邦式學習，特別是Harmonia（台灣第一個聯合學習開源框架），建立了聯邦學習的架構，就可以做到醫院資料不出門，但模型可以出門，並將各個醫院訓練的模型彙整之後，建立一個最佳化的模型。所以 AI模型的分享跟資料平台的建立，是臨床 AI 未來在醫院應用的重要機制。
3. 必須是可解釋性的AI模型：AI 模型如果是一個黑盒子，通常在臨床上很難根據這些 AI 模型分析的結果做進一步的推論，甚至無法跟病患解釋。所以如果一個可信任或可解釋性的 AI 模型，不僅能夠在進行臨床資料庫的 AI 訓練，同時也能夠指出重要的臨床特徵，作為 AI診斷的依據。這可以幫助臨床工作人員利用這個結果加深對疾病的理解，也能對病患做出更好的解釋。
雲端 AI 平台的實際應用
以下針對目前發展的雲端AI平台進行說明：
智慧腦影像診斷平台
此平台發展的初衷是因多數神經與精神疾病，診斷都只能憑藉著不易量化的症狀來判斷。以視覺失調症為例，它的診斷準則包含幾個核心精神症狀，例如聽幻覺、妄想等症狀，同時必須符合一定的病程時間要求，才能夠被診斷。儘管症狀準則都相當的可靠，但一旦要量化的時候，就會變得有主觀的成分。這個現象不只在精神疾病，還包括像功能性的神經疾病，如頭痛、失智症，以及像失眠等睡眠障礙，目前都是仰賴不易量化的症狀跟準則。
更重要的是這些神經性的疾病，沒有肉眼可見的病灶，它的病灶都是呈現細微的結構跟功能的變化，不太容易用肉眼就一下辨識出來。不像腫瘤中風和出血，有一個明確影像可見的病灶。
因此這個腦影像平台，將腦的臨床大數據建構一個可解釋性的AI模型之後，將 AI 分析的結果呈現在使用者端的瀏覽器上，透過瀏覽器的資料上傳，可以在後端進行腦影像的分析，同時在前端將分析結果透過數字跟圖像呈現可能存在病變的位置。目前針對思覺失調症可以達到 91.7% 的診斷準確率，同時在鑑別思覺失調症跟躁鬱症上可以達到88.2%的診斷準確度。
腦出血 AI 線上平台
腦出血 AI 線上平台的一個重要理念，很多腦出血都是屬於急症，所以當急診室出現疑似腦出血或創傷患者的時候，特別在第一線的急診工作人員，必須要先做一個即時的判斷，而往往急診室的放射診斷科醫師，需要一些時間才能將X光片的診斷結果發送出來。
所以透過可靠的 AI 模型，幫助第一線急診室醫師能夠即時判斷腦出血的這個形態，包括顱內出血、腦室內出血與蜘蛛網膜顱下腔出血等，為什麼會分成這些形態？主要是腦的出血它會發生在腦部不同的位置，它會對臨床診斷跟治療的流程產生重要的影響，所以第一時間要區分腦出血形態是一個很重要的事情。
胸部X光 AI 線上平台
儘管過去幾年對於胸部 X 光的 AI 有非常多進展，但是如何將這些 AI 變成一個方便好用的平台，是一直在努力做的事情。所以希望透過雲端 AI 平台的概念，能夠在保障隱私的情況下，將院所的醫療影像上傳到雲端，同時進行去識別化，不會涉及病患隱私，並且在進行影像的 AI 識別，它能夠得到文字的結果，給臨床人員做參考，這也是一個可解釋性 AI 模型的展現。
透過 AI 分析的結果，轉化為實際的文字的建議，將能輔助基層診所進行一般性的判讀。類似的判讀在專科醫院非常重要，因為這些醫院沒有放射診斷科醫師即時的支援，一個 X 光報告就需要等待相當長的時間，利用雲端 X 光平台就可以幫助病患做即時評估。
智慧居家睡眠平台
另外一個很重要的平台，不是在醫院進行，而是在居家的場域進行。睡眠障礙是台灣一個重要的公共衛生議題，很多的睡眠障礙其實沒有經過仔細的診斷跟評估。目前有很多的穿戴式裝置可以在居家使用，收集生理訊號，例如 Apple Watch 已經可以進行血氧濃度，心電訊號的蒐集，許多台灣科技廠商，已經發展出很好的穿戴式裝置來蒐集這些生理訊號。
這些訊號在居家的應用是顯而易見的，我們在臨床資料庫 AI 計畫所進行的一個項目，就是如何將睡眠中心供不應求的睡眠檢查，轉化在居家就能夠達到相當的診斷準確。這就需要透過臨床的睡眠大數據與 AI的模型來達成。
透過這些臨床睡眠大數據，結合醫療級的睡眠穿戴式裝置，就有機會改善病患的就醫體驗。所以我們利用了幾個不同的 AI 模型、臨床睡眠中心所蒐集到的問卷資料，以及最終診斷結果，建立一個線上的睡眠診斷平台，同時在居家的場域裡，病患可以再透過平台得到初步的檢驗建議，並透過穿戴裝置的數據與 AI 的模型，回推病患失眠跟呼吸中止症在臨床上面我們需要看到的參數。
＊更多精彩報導詳見：人工智慧與新世代通訊論壇 精彩分享 （整理：AIF 陳梓元）