陽明交通大學資工系客座教授兼巨量資料技術創新中心主任曾新穆

陽明交通大學資工系客座教授兼巨量資料技術創新中心主任曾新穆指出，隨著 Big data、新一代演算法、運算能力三者趨於成熟，有效驅動醫療 AI 的發展。回顧早期，人們嘗試建構專家系統來實踐 AI，但實作難度偏高、以致成效不彰，反觀今日的 AI 則是由 Big data 驅動、由機器主動學習，已不可同日而語，故在辨別疾病、預測疾病方面，也出現重大突破。

曾新穆歸納，現今的醫療 AI，大抵圍繞幾個主流趨勢在前進，包括了精準診斷決策支援、早期偵測／預測、穿戴式裝置與邊緣運算、非侵入式（Non-Invasive）、寬度學習系統（Broad Learning System）。

 其中精準醫療的需求相對最大。談到 AI 對於此事的成果，可從 2016 年說起，當時以 AI 輔助診療決策，平均錯誤率約 7.5%，反觀病理學家自行判斷診療決策的錯誤率僅 3.5%，看似機器還不如人；但事後人們發現如果用 AI 來輔助病理學家，則錯誤率僅 0.5%。

而曾新穆與工研院合力開發 ITRI-DR 視網膜病變自動辨識系統，標榜操作簡便，使得眼底鏡的拍攝設備可放置到第一線場域（例如家醫科），因而衍生出包含醫材業者、服務業者的廣大生態系，便於眾多糖尿病患能夠早期發現、早期治療。值得一提，ITRI-DR 除運用影像外，也結合病歷資料為訓練素材，得以展現出優於 DeepMind 眼疾 AI 系統的精準度；而高雄長庚亦以 ITRI-DR 為基礎，孕育出全球首個基於眼表影像與深度學習的感染性角膜炎輔助診斷技術，準確率超過 70%，而眼科專業醫生的平均診斷準確率僅 60%，顯示 AI 技高一籌，堪可在精準醫療方面展現莫大效益。

至於早期偵測及預測，則奠基於 Multi-View DNN-based 學習方法論，迄今已有諸多案例，譬如可運用時間序列的腦波分析，預測癲癇發作的機率。抑或透過 Snippet Policy Network 模型，將多張心電圖資料切成許多碎片，加速找出心肌梗塞發病前的關鍵 Pattern （例如在兩秒鐘內判讀出異常心房顫動現象，從而在第一時間發出告警），裨益病患爭取更多的黃金治療與應變時間，大幅提高挽回性命的機率。 談到穿戴式置與邊緣運算，經典案例之一是美國打造出智慧戒指，收集個人生理訊號並上傳雲端進行分析，藉以提早三天偵測出 COVID-19 無症狀患者。此外高雄長庚領先全球發表的第一套針對皮膚癌的自動辨識輕量化 AI 模型，同樣是 Edge AI 的精彩案例。

進入 Non-Invasive 主題，台北榮總利用心電圖成功預測心室肥大問題，取代過往的超音波或電腦斷層等檢測模式，堪稱重大突破。而在寬度學習方面，幾年前成大醫院透過 EMR、個人生理訊號（包括體溫、呼吸流量）、週遭環境等多種不同來源的資料加以建模，針對兒童氣喘病展現不錯的預測成效。另外去年期間，曾新穆團隊也與國衛院合作，也順利創造一個寬度學習模型，可藉由媽媽的母體，預測未來新生兒罹患氣喘、異位性皮膚炎等過敏性疾病的機率。（文／明雲青）