醫學專題演講

許明暉 醫師／教授／數據長
臺北醫學大學，大數據研究所

醫學影像人工智慧的發展，依賴收集巨量的影像資料，作為人工智慧學習與模型開發的素材。但是受制於醫療單位彼此之間資料不易互通與共用，加上資料自主權的主張，真正巨量醫學影像的集中與收集，通常不易達成。至於影像資料的來源，則可直接或間接影響人工智慧診斷模型的訓練與成果。影像資料來若來自於單一或少數醫療機構，其資料的同質性較高，有利人工智慧診斷模型的訓練，缺點是資料搜集速度較慢。多方資料搜集，則可在較短的時間內快速累積巨量資料，但其中所蘊含的資料異質性，對於人工智慧診斷模型的訓練與開發則具較高的困難度與挑戰性。我國衛福部健保署在2019年中推出「全民健康保險資料人工智慧應用服務」試辦專案，提供自2018年起搜集的來自全國23家合約醫療院所的醫療影像資料供人工智慧研究。國內人工智慧研發團隊在經過申請並核准後可進到健保署的研究專區，使用此國家級的去個資醫療影像集進行人工智慧模型研發。這全球罕見，由政府公務單位基於全民健康福祉所推動試辦的專案，提供團隊跨越機構的藩籬，進行異質性資料人工智慧研究的契機。

從2018年起，一個打破傳統人工智慧學習方式-聯邦式學習(Federated Learning)在全球的醫學影像人工智慧化的生態圈中逐漸開展。在聯邦式學習的環境中，數據科學家透過網路連結，將分散於各個節點醫療機構的影像資料所訓練與推論的人工智慧模型，集中到模型集結伺服器(Model aggregator)，再經由統計運算集結這些的推論結果，產生共同的新模型。在此學習架構下，雖然資料不離開原醫療單位，也可達到與「集中資料以開發人工智慧模型」的相同效果。

現代的醫療分科精細，各醫療分科醫師專司其職，病人在就醫的過程中，也會輾轉尋求各專科領域的醫師，提供專業分科的醫療。如果我們對人工智慧在醫療領域的應用與發展，懷抱的是與現實環境中相同精細分科的期待，換句話說，醫療分科多精細，人工智慧模型的種類與數目就應該多精細，那我們的確還有一段路要走。不過未來，在醫病互動的過程中，我們深信屬於科學範疇的醫學：隨著人工智慧模型的開發與精益求精，醫療機構將可以日以繼夜、全年無休不受工時限制且無遠弗屆提供即時且精準的專業服務；至於屬於哲學部分的醫學：人性關懷與醫病之間的互動和醫療照顧責任歸屬等面相，仍然是醫療人員在醫療志業中永遠的基本核心價值。

在醫療影像資料集的取得與人工智慧診斷模型的研發漸趨明朗與成熟之後，如何有效整合與推廣人工智慧診斷模型的臨床應用，落實我們投入人工智慧研發的初衷—縮短城鄉醫療差距，促使醫療服務生態圈扁平化是我們需認真思考的議題。而醫療影像資料市集平台的建立與永續經營，資料使用的合理性與安全性，資料提供者與使用者之間的互惠與公平性，研發成果回饋社會的公益性等也是我們應該要超前佈署，嚴肅思考的議題。

郭萬祐 主任／醫師
臺北榮民總醫院 放射線部、國立陽明交通大學 醫學院

本課程介紹奇美醫院進行多項以及結構化電子病歷為基礎之AI研究之成果，並以實例分享如何將研究成果轉換為實際輔助臨床決策之系統。

醫療AI近年來深受全世界重視也產生相當豐碩之成果，國際大廠與年輕新創紛紛投入醫療AI之行列。然而，醫療機構真正導入AI之情形並不如預期。本課程以奇美醫院近2年自力發展AI之經驗，提出影響AI於醫療機構實施與擴散之關鍵因素，並進行深入討論。

花蓮慈濟醫院擁有大量的心臟疾病臨床資訊。其資訊涵蓋文字，檢驗數據，心臟醫學影像，和心電圖資料。AI 資訊科技近年來發展神速，受到醫療界的關注。但臨床場域使用者有時對其AI 技術並不熟悉，或AI 資訊專家對於臨床場域並不瞭解。兩個專業的橋接成為醫療AI 發展中，非常重要的事情。近年來花蓮慈濟心臟內科積極推動醫療資料整合，期望將AI 技術導入臨床場域作為應用。此課程講師會將個人橋接經驗分享，期待協助人工智慧技術與臨床場域之應用。

陳郁志主任

花蓮慈濟醫學中心，心臟內科

陳星助 主秘

花蓮慈濟醫學中心，院長室

鍾惠君 主任

花蓮慈濟醫學中心，護理部