台灣智慧醫療的最後一里路

搜尋引擎是較早的人工智慧應用之一。吳軍在他的《超級智能時代》由搜尋引擎的例子歸納出這個人工智慧競爭法則：谷歌之所以在搜尋引擎的競爭中勝出，是由於累積的大數據而不是由於優異的演算法，現在這已經是一個人工智慧領域的常識了。

沿著這思維去考慮台灣人工智慧產業的發展，就會先避開幾大網路平台擁有絕對優勢大數據庫的領域。另外，台灣的內需市場太小，不足以單獨支撐一個產業發展，所以即使有自己獨特的大數據庫，也要有應用於其它市場的可能，譬如汽機並馳的交通系統、高密度的住商混合居住型態、高產值的小農植作等，如果台灣先進入這些領域，都有可能在東協25億人口市場取得商機。

讓人更想當然爾的是台灣健保數據庫的人工智慧應用。台灣的醫療水準高，健保制度在全世界排名更是高居榜首。而且健保制度因為牽涉到法律、制度、經費多面向，要建立不易。美國的態度反覆，而大陸還只粗具雛形。醫療資訊又有個資法的限制，不是一般網路平台可以自由出入的。所以表面上看來台灣的健保大數據庫至少可以保有幾年的優勢，以此發展出來的智慧醫療應用，有可能率先達陣。而在網路的世界，領先的優勢是很難撼動的。

但是台灣並沒有集中的醫療數據庫。健保署有的數據很多是跟給付相關的資料，譬如用藥。細詳的醫療相關電子檔資料在各醫院和診所，有各式各樣的文字檔，包括病歷中的病訴、醫師的診斷、處方等以及各種檢測數據，譬如體溫、血壓、各式血液檢測數據等，這些可以用文本記敘的資料基本上已經電子化。

但是現代醫學診斷依賴的一個支柱－影像則只摘取部份樣本至醫院資料庫，大部份的原始資料可能保存在執行的科處、甚至醫師手中。所以健保署至今到各處稽核，仍然是用人工，影像部份只看樣本。轉院呢？在這網路的世代，仍然是將影像下載至DVD再手攜至另一醫院，想起來荒謬。

所以台灣的健保制度雖然領先，並產生龐大、理論上可以用於智慧醫療的大數據，但是以目前的資料管理方式，仍然難以用於機器學習的用途。還要做些什麼呢？1. 可以集中處理的大數據庫。2. 有統一標幟(tagged)的醫療資訊，特別是圖片，以及醫師的判讀結果。唯有如此，這些資料才有辦法用於監督學習。至於醫療資訊的統一標幟，可以讓各科學會來協調製訂。3. 專用的寬頻通訊網路，用來傳送厚重的圖像資料到大數據庫，像MRI的圖片檔案高達1.2GB，小一些的超音波圖片也有500MB。這些工作因為牽涉到法規、政府機構、醫療院所等的協調和改變，企業即使有意願也未能使得上力，是政府部門最能幫助企業發展產業的基礎建設工作。

最後，當成一項智慧醫療的標竿計畫，也可以當成檢驗基礎建設的完備程度，試一試啟動較輕巧的200kB心電圖的人工智慧判讀、或者500kB的256切電腦斷層掃瞄人工智慧判讀計畫。成了，這就是可以商品化的產品，後面還可有源源不絕的產品，基礎架構在。