醫療資訊分享系統與人工智慧醫療

健保署於1月18日舉辦記者會，發佈健保署醫療資訊上傳雲端與調閱分享1月正式上線服務的新聞，其中特別強調的是醫療影像的分享，電腦斷層、核磁共振、腹部超音波的影像跨院資訊分享已在去年開始試辦，這個架構領先全球。大部份報導的新聞重點聚焦在民眾的便利與每年20億的健保經費撙節，但這是劃錯重點。

健保署這一步雖然是為其轄下業務所開展的一步，但是對AI產業來說，這使台灣的數位醫療可以依附在台灣領先的健保體系下快速發展，尤其是醫療影像的數位學習。

以心臟超音波(echocardiography)為例，一個典型的研究需要70筆左右從各個視角(viewpoint)拍攝的影片，而且這些影片的拍攝視角往往沒有註記(label)。要做心臟超音波的機器學習，大概會做下列幾件事：1.建立自動化電腦視覺流線(automated computer vision pipeline)以自動下載超音波影片及其元數據(metadata)。2.以卷積神經網路(CNN)機器學習辨識視角。3.以卷積神經網路在圖像中識別物件(image segmentation)，譬如左心房。4.心房、心室結構和功能之量化。5.以噴出比(ejection fraction)和全域縱向應變(global longitudinal strain)－上一步驟所獲得的量化數據－判斷心臟功能。6.建立心臟疾病模型，壁如心肌肥厚或澱粉樣變性(amyloidosis，一種類似阿滋海默氏症因蛋白質錯誤摺疊所形成的心臟疾病)等。

我講的這個例子不是過去既有的知識，而是剛在arXiv上1月公開的文章(https://arxiv.org/abs/1706.07342)，正在送到期刊審核、發表，這是學術研究的前沿，但是也有立即轉化成應用的潛力。

台灣目前醫療、AI界也有類似的合作計劃，進展也相若。但是台灣在此領域享有一個優勢，其它國家短期內無法企及－健保體系支撐的資料流通架構，以及從其中累積的大數據。在AI領域這已經成了常識：數據的多寡比演算法的優異與否更重要，而且通常領先者全拿，像Google的搜尋引擎。以上述研究為例，使用的資料僅是從3個個別資料庫取出的4000筆心臟超音波影片。台灣的健保體系絕對可以在每個領域提供壓倒性優勢的數據！

健保署佈建的架構比較針對醫療行為本身的使用，這個架構如果要能夠提供數位醫療機器學習使用還需要至少幾方面的基礎建設：

1. 高性能計算能力(HPC：High Performance Computing)。目前國家高速計算中心正在加裝人工智慧所需的GPU及類似晶片，有一部已可穩定運作，另外還要涵蓋資安、頻寬等考量，這是科技部的人工智慧主要計劃之一。

2. 一個類似Google File System或Colossus的系統。現在各醫療院所分散式的儲存醫療資料需要能夠讓AI計算機從遠端自動、流線式的讀取經核可的選定檔案。

3. 醫療資料的規格及醫師的註記。以前述的心臟超音波為例，雖然都是用醫療數位影像傳輸協定(DICOM；Digital Imaging and Communications in Medicine）在醫學影像存檔與通信系統（PACS；Picture Archiving and Communication System）下運作，但是離機器學習的方便、有效使用還有相當距離。這一部份可以由各學會商議、統一制定。

好的部會政策通常會產生綜效。健保署此一計劃同時也為科技部數位醫療計劃鋪路，台灣的AI產業也因此擁有其它競爭對手難以取得的資源；而AI醫療的開展進一步會回饋到整個醫療體系，以前述的心臟超音波研究為例，提供遠距、快速、高質量、低費用的醫療診斷以及疾病預防，這價值不是新聞中區區20億所能涵蓋的！