台灣醫療AI機會多 研華從賦能邁向精準醫療

研華AIFS/Medical Imaging(Artificial Intelligence Framework Services/Medical Imaging；產業AI應用開發平台/醫療影像輔助建模工具)。研華科技

國際與台灣醫療體系當前人工智慧的應用趨勢發展重點，聚焦在影像的部分已有長足的推展，不讓影像類別專美於前，研華科技資深研發經理郭柏村觀察到，現在數值型AI的應用也很多。科學家利用病患的生理數值、病歷、觀測資料、輸入輸出液體、尿量等檢驗數值，已產生許多關鍵性的應用，像是在加護病房(ICU)，可用AI預測患者出院後，會不會再住院等急性狀況。

研華身為台灣醫療科技大廠之一，同時身為國立陽明交通大學合聘副教授的郭柏村，站在醫療與科技交會的第一線觀察，台灣醫療AI的發展機會很大，雖然同時需要克服不少關卡，但從幫助臨床人員開發AI，到三大導入醫療場域營運目標，都將一步步走向未來精準醫療的新境界。

幫助醫療人員自己開發醫療AI

近年來，研華積極布局研華AIFS/Medical Imaging(Artificial Intelligence Framework Services/Medical Imaging；產業AI應用開發平台／醫療影像輔助建模工具)。研華設計此平台，主要是要解決醫療單位在於醫療影像的問題。舉例來說，建模工具可以提供醫療人員工具，讓醫療專業人員，能夠自助建立AI模型。郭柏村補充說道，這些模型就是要能夠在臨床輔助和落地的AI模型。

醫療人員可以透過產業AI應用開發平台快速建置模型，包括有適宜的UI介面、圈選工具。像是在醫療影像輔助建模平台當中，將PACS的資料拉進來後，即提供瀏覽功能、放大、縮小、調整明暗程度、可以檢視上下張照片。如在CT圖檔中，人員也可以在某個病灶或器官上，使用標註工具，以手動方式畫圈圈、圈選多邊形、矩形框框等方式，快速標註細節位置。

為了加速標註速度，研華也提供AIAA功能，也就是AI Assisted Annotation功能。以系統已預先訓練一個AI模型為例，醫療人員將資料倒入後，系統能夠大約把病灶標示出來，舉例而言，AI先標出80%，剩下20%再由醫療人員標註，即能加快標註時間，郭柏村認為，這樣也代表建模所需的標註圖資數量會快速增加，在飛輪效應下，可以有很正向循環，加速AI模型迭代更新的速度。

醫療AI三大目標

目前，研華積極在影像型AI、數值型AI、精準醫療看板深耕，郭柏村認為，所有的醫療AI導入在醫療院所，就是三個任務，第一、提升病患就醫品質。第二、減少醫生負擔。第三、改善醫院的營運效率。

研華先前與成大醫院合作急診室的警示服務，透過結合人工智慧的流程，系統會發警示給放射科醫師，就可以快速發現如主動脈剝離等嚴重的急重病症。系統可以提供閱片時的高風險案例，建議醫生優先診治。這樣的方式，可以減少高風險病人的等待時間，進而得到更優質的處置與預後品質。

與先進先出的傳統急診室流程相比，醫生能先救重症病患，同時因為重症病患，獲得優先處置，預後佳、出院快、醫院病床周轉率變高、醫院營運效率就會提高。這些實質效益，就能符合上述的三個點。

未來AI三大布局

研華未來在醫療AI上，將有三大新布局，包括精準醫療、聯邦學習、可解釋AI。第一、精準醫療。現在的影像型AI都在解決單一問題，而未來的精準醫療目標，就是要做個人化的醫療輔助。因為每個病人的治療方式不一樣，未來醫療要把所有的數據，包括基因定序、生活調查表、家族史、每次檢驗的數據都加進來，才能有更多的AI決策與推薦方案，包括療效評估，到底使用哪些藥品，會有哪些效果，也可以透過精準醫療來綜合評估。

第二則是聯邦式學習。因為台灣醫療數據不足、變異性不大，如果未來台灣醫療科技要走向國際，這將會是重中之重。透過資料不出門的方式，只是模型權重的分享，台灣可以跟國際之間有跨單位與跨機構的學習，訓練完的參數，放到公有雲的伺服器融合完後，再把模型派到各個機構與單位。如此模型分散式學習，資料不離開該機構的方式，也能夠讓各單位之間有更多合作的契機。

第三項是研華目前在努力「可解釋的AI」，希望讓AI不要再是黑盒子。將黑盒子打開，也能夠讓醫師與護理人員更加信任此模型。讓使用者瞭解AI推論的背後邏輯是什麼，比方說AI對某些病灶圈選會輔以熱區圖標示，明白表示什麼是AI關注的所以導致這樣的推論結果，這樣才可能會是可以被人信任的醫療AI，也才有機會讓醫療AI更加融入極具人性關懷溫度的醫療服務當中。更多資訊可諮詢研華醫療AI解決方案，或進一步報名了解研華智慧病房解決方案。