隨著人工智慧(AI)技術的日新月異，醫療體系被視為最需要引入AI的領域之一。AI可在大量複雜數據中，尋找有價值資訊的蛛絲馬跡，例如胸部X光在臨床檢查上常需要放射科醫師花費許多時間及精力判讀，以避免胸腔病灶在診斷上的誤判；而輸入數百萬張X光片並經過學習後，AI可在瞬間查出哪張X光片有異常病灶。目前AI在辨識初期失明症狀或區分癌性皮膚痣等領域，已展現不遜於人類醫生的效率及準確度；Nature期刊於2017年刊登一篇史丹福大學醫療團隊的研究，運用「卷積神經網路」（Convolutional Neural Networks, CNN）此項電腦運算功能，證實人工智慧可以被訓練出辨識皮膚癌的能力，而且程度等同於專業皮膚醫師。
然而，目前許多AI醫療應用，仍停留在影像判讀階段，但比起AI醫療影像判讀，發展AI預防醫學更重要。AI預防醫學可應用於三大層面，包括降低早期風險、降低早期發病，降低早期併發症發作。目前全球於第零期就偵測出癌症的比例仍相當低，以乳癌第零期為例，美國偵測率為20％，而臺灣僅3％，如能在第零期發現癌症，治癒機率就會提高，這是AI能介入之處。最近加拿大Analytics 4 Life公司，發展以非侵入式AI技術來快速診斷冠狀動脈疾病，
由測量及運算心臟所發出的細微訊號，以辨識血管阻塞的地方，達到疾病檢測的目標，比目前的AI醫療影像判讀，又向前邁進了一大步。
臺灣發展AI智慧醫療擁有二大優勢，包括統一的健保資料庫與經年累月的醫療大數據。歐美國家各地擁有各自的健保機構，其資料格式互不相通、資料也無法共享，而臺灣的健保資料庫統一管理全臺人民的醫療資訊，這是其它國家所無法比擬的優點。其次，健保要求全臺500家醫院與2萬家診所均需使用電子病歷，長年累積下來成為「超級大數據」，臺灣醫療的用藥及診斷記錄，皆由醫生直接輸入電腦中，比起歐美國家之系統更加快速精準。鑒於上述包括節省成本、提升醫療品質及病患體驗等優點，未來發展AI智慧醫療乃全球大勢所趨，然而其所面臨的挑戰也接踵而至。
首先，是來自隱私及數據安全方面的挑戰。鑒於AI於醫療領域的發展，主要是透過醫療機構、學術單位、企業廠商等多方合作，因此要確保所有數據都是匿名、以安全方式儲取、輸送並合法分享，有一定執行上的困難度。其次，在醫療領域有所謂的「數位落差」，即相對身體較健康的年輕一代更有可能使用新科技技術，反觀身體狀況較多的老年人則較不會或無法完全利用這些新技術，此也意謂AI新技術之影響力在某種程度被限制住，同時也在部分人口難以取得更大的進展。一個可行的解決方案是對AI技術進行重新設計，以更直接、便利的操作方式來取代複雜的選項介面，例如透過智慧語音助理功能來對話，讓科技來迎合使用者，而非讓使用者去遷就科技。
還有一個挑戰是醫療體系對採用新科技技術普遍存在的轉型惰性，目前歐美仍有許多醫療院所是透過傳統紙筆來進行資料登錄，如此一來將無法與其它醫療院所有效共用互通，這也使得蒐集充裕數據來訓練AI的工作變得更加困難；而臺灣醫院的經營策略，主要還是以降低成本為主，而不在創造價值，盡量使用廉價的藥品藥材，醫療成效則在其次。如今仍有民眾對人工智慧及大數據抱持保留態度，尤其是出現多起自駕車意外之後，讓民眾對這些新興科技感到憂心，也越來越難取得病患同意或說服醫療專家參與相關臨床實驗。因此，如何改變民眾觀感，並說服醫生及專家，仍需要各界投入更多的心力。
最後，也是爭議最大的挑戰是，一旦AI醫療判斷錯誤時，該由誰來負責？這個問題迄今仍沒有明確的規範。AI技術的一大問題在於系統相當複雜，在得到判斷或提出建議時，往往沒有明確的邏輯步驟依據，在無法了解系統是如何做出決策時，將很難究責或甚至採取預防措施來避免同樣錯誤再犯。因此，目前已有不少專家開始著手研發可依循的機器學習演算法，希望能夠釐清AI系統在做決策時的邏輯性。當有朝一日AI在醫療領域獲得廣泛應用，將為未來人類生活，帶來革命性翻天覆地的改變。
參考資料：
- Esteva, A., Kuprel, B., Novoa, R.A., et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017; 639: 115-118.
- Waal, I. Skin cancer diagnosed using artificial intelligence on clinical images. Oral Dis. 2017.
- Favaro, F.M., Nader, N., Eurich, S.O., et al. Examining accident reports involving autonomous vehicles in California. PLoS ONE. 2017; 12(9): e0184952.
蕭鈺蕾 