拆解AI臨床醫學救治應用！AutoML成下波進化關鍵

全球掀起智慧醫療、精準醫療的浪潮，隨著人工智慧(AI)技術及落地應用越趨成熟，讓AI在醫療領域各項試點發展愈來愈蓬勃，尤其許多醫護人員已開始藉助AI回饋至臨床研究。而隨著資料科學平民化趨勢興起，下一步，掌握跨界整合醫學專業及資料科學的利器:「自動化機器學習（Auto Machine Learning, AutoML）」技術，還將有機會讓醫療單位不雇用資料科學家，也能做AI分析!

醫療產業擁有大量的數據，隨著AI應用範疇越來越廣泛，能為醫療產業帶來的價值更加多元，例如，AI能辨識並比較病理影像切片，直接呈現結果給醫師，協助醫師更快做出診斷；AI能預警病患風險，緩解醫護人員的警報疲勞，讓病人得到更好的照護品質。AI能成為醫護人員的支持工具，讓醫師的工作更加便利、有效率，充分利用看診時與病人互動的時間，醫師及病人更能進行有意義的對話。

AI對實際產業帶來的價值，在COVID-19爆發後被加速證實。國際藥廠輝瑞即仰賴AI，讓臨床試驗數據得以透過更佳的演算法、自動化流程與統計建模的技術，加快疫苗開發與審核的腳步，成功在疫情爆發後不到一年，就用創紀錄的時程將疫苗推向大眾(註1)。此外，近期美國食品藥品監督管理局FDA，也宣布將投入拓展其自然語言處理、AI和機器學習等能力進行數位轉型，讓包含疾病監測、食品藥品安全、毒品藥物等監管更適切，同時讓試驗數據的關聯性能更有合理的數據解釋。

而上述在輝瑞及美國FDA背後協助實現AI應用的推手，正為全球分析領域領頭羊: SAS。

AI醫療分析四大領域

近日SAS台灣業務顧問部陳新銓副總經理於受訪時，指出AI醫療分析可分為四大領域：

• 公共衛生流行病學：透過模型分析發現流行病在何時觸發、進行預防，或了解流行病造成的原因，找到問題、解決問題。
• 臨床醫學即時救治：運用進階分析來快速預測可能結果，快速支援多種情境模擬以判讀風險與診斷方法的差異，協助第一線醫護人員做出最佳決策。
• 教學研究醫療期刊：透過測試、程式設計、實驗、預測，如數位分身概念，來拓展更複雜結構的研究。
• 醫療資源整合跨院維運：病床數量監控、醫學物聯網建置、呼吸器等各重要儀器資源配置維運管理等。

陳新銓表示，因為人們對高品質的醫療服務及效率要求、還有產業在成本控制的雙重驅動下， 產業開始理解AI所能帶來的改革力量。然而我們也看到不少醫療組織嘗試跨及發展如自動診斷、複雜影像分析以及機器人手術等過度膨脹的應用，結果大失所望。

陳新銓進一步強調，「導入AI要有理解現實的心態。AI是用來幫助醫生與臨床工作人員建立核心價值，並在承接複雜診斷或昂貴大型專案時，能先行節省重複性且低價值的任務，幫助組織專注訓練與建構更高的預測力。」

尤其目前隨著電子病歷、健康存摺及病人自行蒐集的健康數據等真實世界數據（Real World Data, RWD）越來越多，使得真實世界證據（Real World Evidence, RWE）的概念更加重要。真實世界證據運用RWD為研究來源，並進行臨床研究分析，像是藥物不良反應事件統計、醫療資源利用、相對療效等。這樣的醫學數據累積，整合了安全的分析基礎和可擴展的框架後，加上部分AI技術的可解釋性越來越高，讓AI於「臨床醫學即時救治」在醫療現場能發揮越大的效用，協助醫師做出更好的決策。

案例1》不再開錯刀!可稽核、高精確的癌症決策流程

舉例而言，阿姆斯特丹大學醫學中心研究全球第三大常見癌症「結直腸癌」，應對這類癌症治療的最佳方式是切除腫瘤，或接受化療以縮小腫瘤。經過一段時間治療後，醫師會以電腦斷層掃描(CT)人工評估腫瘤狀況，進而決定後續治療方式。然而，對放射科醫生來說，CT 掃描判讀耗時，且CT通常只測量最大的兩顆腫瘤，其他腫瘤隱藏資訊難被揭露，且缺少3D評估，腫瘤位置較易因主觀判斷產生誤診、開錯刀的現象。

陳新銓表示，後來中心以SAS AI將50多位患者資料進行深度學習模型訓練，並將超過1,300個腫瘤擴散影像的各像素進行分析與圖像分割，教會了系統如何立即識別腫瘤特徵，用透明化的模型演算流程、可解釋的影像辨識結果，篩選醫師人工看不到、容易誤判的狀況，並提供了每個腫瘤的 3D 呈現，讓醫生更準確地判定救命手術是否要執行。後續也反饋給超過1,100位以上癌症研究人員，發展更精細的研究報告。

案例2》為洗腎病患預警突發心衰

另一方面，台灣洗腎人口密度位居全球第一(註2)， 5成洗腎病人因心血管疾病死亡，為能及早預警，臺北榮民總醫院與SAS打造「即時血液透析」(俗稱洗腎)AI預判系統。

陳新銓說明，雙方使用AI預判系統成功突破過去的限制，做到「毫秒級」的即時分析。提前在病人發生心衰竭危機前，搶先發出警報。該專案根據透析機每秒產出的200組參數，預測病人心衰竭風險，準確率達90％；並降低80%的乾體重(註3)（洗腎治療的理想體重）預估誤差率，大幅降低病人洗腎久候的時間。

而當初為了介接數據中心以及血液透析機的即時資料，北榮耗時９成時間清理資料、進行介接。現在，雙方還進一步導入AutoML技術，代勞資料前處理與模型最佳化的繁雜工作，短短幾分鐘就能自動產生冠軍AI模型，找出重要參數，協助團隊大幅縮短AI建模的時間。

AI平民化，AutoML將助醫護躍進「分析力」

多數醫療組織投入AI，只能仰賴資訊部門，然而，並非所有醫院都能打造數據分析團隊或雇用資料科學家。另一方面，AI產出的建議仍高度仰賴資深醫師臨床經驗的判讀，但資深醫師尤其時間有限，難以親自與IT部門一起共同開發及訓練AI模型。

陳新銓指出:「國際目前走向是開始擁抱AutoML技術，讓許多資料科學工作透過AI自動化，降低技術門檻，使醫護可自主建構更符合需求的 AI 模型，解決醫療現場難題!」

AutoML可幫助醫護人員將資料科學任務從程式碼轉變為簡易的拖曳方式，並透過平台內建的演算法，自動執行相關作業，將時間從約兩個月大幅縮短到 15 分鐘就可以找出最佳模型，加速完成AI建模作業。

陳新銓比喻:「醫院可將建構模型的工作交給AutoML，就像讓各科室內建專屬資料科學家般，醫師能把時間心力專注在病人身上，又可享有自行開發AI的時效，加速跨部門合作效益。」

讓有領域知識的人可以發揮分析力，才可落實AI效益，而非流於實驗室的短期花火。未來無論是公衛流行病、臨床醫治、教學研究或是醫療資源維運，更多AI平民化技術的發展，預期將連結醫護人士與資料科學界，激發起更多對話與創新場景。

_{註1：Pfizer’s Edge in the COVID-19 Vaccine Race: Data Science}

_{註2：資料來源：衛生福利部中央健康保險署-108年度門診透析預算執行概況}

_{註3：「乾體重」是指透析後的體重，透析病人在透析治療清楚液體後，身上沒有發生水腫或脫水過多的情形，且血壓正常無不適現象，此體重稱為乾體重。乾體重會隨身體狀況而有所增減，所以需要不斷地評估並持續進行監測。}