醫院導入AI-醫療"AI"真的有用嗎?

　　這裡就要從智慧醫療在台灣如何開始說起，在台灣智慧醫療計畫起源試辦時間約莫2007年與2008年行政院就開始推動了[1]，包含RFID應用、電子病歷、與健康資料庫的應用等計畫[2]，筆者認為這些項目是非常務實且推行到現今有幫助的計畫，除了遠距醫療因為醫療法規上較難推行外。

　　智慧醫療在台灣再次被探討與定位的時間應該是在2016年，有興趣可以搜尋國家發展委員會委託台灣大學研究的「智慧醫療關鍵議題與對策之研究」內容，其內容是比較各國智慧醫療推行的狀況，並且組成大量專家學者，其主軸定位在遠距醫療、智慧照護、智慧醫院與醫療AI[2]。

　　新聞上開始報導大量智慧醫療，讓智慧醫療變成顯學，大概是AIphaGO在2017年打敗職業棋士柯潔後，也開啟AI大智慧時代，任何事情套上"AI"或是"智慧"兩字，變成商業上行銷的手段，涉及範圍包含資通訊、自動化、影像辨識、大數據，只要涉及就能加上"智慧"兩字、加上"AI"的條件就是只要電腦幫你做選擇甚至只是自動化都說是"AI"，所以這裡的"AI"就是泛指那些說自己是"AI"，並且以我看過的內容做為依據，當然可能對於某些人來說並不是，會認為就是現在討論的大數據(其實更原始名字是數據科學)，也就是分類器(這裡泛指分群分類的數據處理方法)，當然如果能夠幫助他人，甚至是對於醫院有幫助，名字夠炫炮也是好事，因為這是商業化的第一步，取個好名字，但是最怕的就是用途不佳，又開始大力宣傳，浪費許多金錢與時間。

　　現今在智慧醫療風潮上，大家都想要搞"AI"，如果想要了解有哪些正在執行的大量"AI"題目，可以去看AIGO計畫網站[3]，並沒有推薦各位參與，是可以看看審視通過的計畫有哪些，而這裡提供幾個判別醫療"AI"是否有用的方法，可以去網站自己評估看看。

　　醫療"AI"的用途大項目分成幾種，醫療影像辨識、預測、演算法、自然語言與語音辨識，這幾個方向在醫療領域上都是有陸續延伸與研究。

　　例如:各種AI影像辨識XX疾病，告訴你多少準確率；專門在比拚預測準確度的比賽像是kaggle[4]；演算法則是在醫療數據分群、分類或是最佳化後應用於醫療；自然語言與語音辨識則是在於AI客服機器人，亦或是語音輸入病歷等等，原因還是在資料蒐集的狀況，資料需求格式與資料量是最主要的重點，所以以這幾項AI影像辨識現今要準確度高，只有人工標記的方式，人工標記的影像數量不足就無法應用；大數據顧名思義需要大量的數據，預測則非常需要大數據與專家知識的補足，才能知道今天是哪個關鍵因素影響到這些狀況，導致未來病患增加，或是醫材短缺;演算法如果沒有適當的數據與專家知識的輔助，並且資通訊設備補齊，演算法就會像是玩具一樣好玩而已，像是推薦哪位醫師看診，亦或是找停車場空位，缺乏任一條件皆會導致推薦誤判或是無法使用；自然語言與語音辨識，我認為自然語言的部分需要仰賴語言專家的知識去標記詞性的資料，才能獲得足夠的辨識率並達到應用階段，語音辨識則是聲學方面的研究，這部分難度在於需要大量且重複語句的聲音檔案去進行AI訓練，且會因為不同口音語法而導致辨識錯誤，雖然辨識錯誤能夠建構資料庫去修正，但每個單詞都需要建構一系列相似詞的資料庫去修正是不易的，現今大多數是透過大公司的工具直接應用，並建構資料庫去修正，並且單詞指令式的使用是最沒問題的，若要可以溝通回應，需要是個人使用並建構個人資料庫去修正，或者是訓練人的說話方式配合語音辨識，提升辨識率。

　　辨識率與預測精準度，第一前提是上述資料的完善程度，加上資料前處理與標記的精準度，尤其圖像與聲音會因為資料庫的種類影響很大，例如：不同方向的圖片或是不同國家的口音，都會影響到辨識率與預測精準度，這也是深度學習的痛點。

　　舉例來說：目前AOI自動光學檢測設備，一開始需要花費大量時間標記辨識規則與規範光線的狀況等，以達到辨識率99%，但這是仰賴人工的方式調整參數、定義規則與規範使用場域的結果，並且需要定期修正、除錯與調整參數。另一方面AI圖像辨識相較之下沒有上述問題，只需有資料集丟入模型訓練，就無需仰賴人工且適用場域廣泛，但是當模型建立完成後，辨識過程是無法被干涉。因此辨識率非常仰賴資料的狀況，目前正在研發與建構的方式為AOI結合AI的方式，可套用至其他場景以達到真正產品可靠度的提升。

　　回到辨識率與預測精準度，這兩項在醫療領域上是非常重視的，現今普遍社會觀點依舊是信任醫師的專業判斷，AI辨識只是輔助的狀況，不管預測精準度達到多少，若沒有解放醫生並完全依據機器判斷，AI辨識就沒有使用的必要性，除非醫生本身看診判斷比AI辨識率低很多，即存在必要性，因此辨識場景很重要，若今天需要辨識的狀況為人眼的極限，可能速度快、容易疲憊與細小不易確認的病徵影像，連醫護人員都難以辨識，此時使用AI進行影像辨識就極其重要，例如：半導體生產狀況，在沒有相應的檢測設備下，透過AI預測進行排程，或是細微之病理資料，人眼不易查找的狀況，但是不容易不代表沒辦法，人眼無法做到交疊狀況數量的清點辨識，舉例來說，橘子交疊一起，只露出部分，是無法猜出後面有沒有，如果不同種類相似的水果，儘管標示出來，但是交疊的狀況將特徵遮蔽，就會造成無法辨識出的狀況，目前還無法有效克服，因此這部分還是取決於資料，像是病理資料是3D圖像資料，病徵細微而不清楚，需要花費大量時間尋找，因此若是水果也能3D成像，只要能擷取特徵，辨識就不成問題。

　　預測方面，在醫療上，最困擾的還是非預期的狀況，例如疫情的當下，預測因外在因素而改變，回到目前預測的兩種方式，一種是考慮外在因素，另一種僅考慮頻率，像是心電圖適合使用心電頻率評估病患情形，不管是甚麼方式，當涉及到醫學疾病辨識上不管是心電圖資訊或是疾病圖像辨識，若是沒有達到95%以上，並且在有醫師擔保預測是準確的情形下，使用者還是會有疑慮，而時間預測上若沒達到85%~90%準確率，是會被病患或是醫護人員不信任，導致預測資料無法配合改變資源配置或是行動措施。

　　自然語言與語音辨識面臨辨識速度慢與辨識率低的問題，若是要解決又需要大量的標記資料，如果不是完成品，則醫護人員在應用上出現上述問題，就會瞬間棄用，尤其是講求效率的急診醫護人員來說，更是沒有足夠的時間測試沒有完備的方案，因此若是速度上無法比起原先醫療作業方式還要快速，並且辨識率沒辦法達成95%以上，就不是一個好的解決方案。

　　演算法需要的是提供有感的解決方案，沒有達到改善比率的10%都不是一個好的解決方案，所以更看重的是主題、情境與目標值，這部分可以分享的內容很多，後續文章再跟各位分享。

　　為什麼大部分的醫療"AI"，並沒有在任何一個地方廣泛的應用，如同車牌辨識或是人臉辨識已經是很生活化的產品，最主要還是辨識率不足以達到理想使用情境中的"病患的需求"，目前醫療"AI"沒有產品性能能夠達到取代醫師的程度，因為"病患的需求"非常的難達標，台灣"病患的需求"叫做主觀的100%的名醫思維，若是沒有名醫背書，那醫療"AI"就只是實習醫師看診的信任程度甚至更低。當病患看診認知到自己得到絕症，會寧願看好幾個名醫總結出自己的答案，不會相信醫療"AI"準確95%的事實，而是相信多個名醫給你的回饋，因此主軸放在辨識率要達到"病患的需求"是有難度的。

　　因此這裡就要談到另外兩個需求，醫護人員的需求與醫院院方的需求，醫護人員需求是工作作業上變輕鬆或是負擔減低，醫院院方的需求是降低成本與提高利潤，因此如同前述，醫護人員需求如何滿足呢?就是提高流程作業效率與減少不必要的浪費，而醫院院方需求如何滿足呢?就是評估醫療"AI"成本與後續回饋金額，筆者認為上述這兩項需求是醫療"AI"成功商品化與大賣的關鍵，純粹就是找到好的應用場景，創造出好的應用場景，這部分如何實現會再後續跟各位分享。

[1]行政院衛生署加速辦理智慧醫療照護計畫

[2]智慧醫療關鍵議題與對策之研究結案報告

[3]AIGO計畫網站

[4]Kaggle