台湾医疗AI先驱看医疗的下一步：AI预防医学的3大机会

“许多医疗AI应用，仍在影像判读上，”投身医疗AI超过25年的台北医学大学医学科技学院院长兼万芳医院皮肤科主任李友专认为，比起发展医疗影像判读AI，预防医学AI更重要。

李友专看好台湾拥2大优势，包括统一的健保数据库和经年累月的医疗大数据。他指出，健保数据库统一管理了全台人民的医疗资料，“这是其他国家没有的，”比如加拿大和欧洲，各省拥有各自的健保局，其资料格式互不相通、资料也无法共享。其次，台湾健保的另一个好处，就是自开办20多年来，全台500家医院、2万家诊所“都必须将电子病历做好，”再加上国人常看医生，一年平均挂号15次，每次看病的检验和诊断资料，长年累积下来成为“超级大数据”。李友专更提到，台湾医疗的用药、诊断记录皆由医生直接输入到档案中，“和其他国家不同，”比如美国，医生先用Word撰写用药和诊断记录，再透过程式处理，才汇入至医疗系统中。相较之下，台湾直接输入系统的做法，就十分精准。

“拥有这么多资料，我们该研究什么题目？”去年，李友专在美国洛杉矶一场AI in Healthcare会议上，发问卷调查在场三百多名临床医师和医疗从业人员的看法。这份问卷分涵盖3个角度，包括利害关系人（病人、医生、医疗管理人员、保险人员）、地点（家中、医院、其他机构），以及照护急迫性（预防型、急性、长照型），受试者须从这3个角度中各勾选1项自己认为最重要的因素。

统计问卷结果显示，最高票的组合为“病人+家中+预防型”，“这给我一个灵感，预防性照护很重要。”

不过，预防医学要发挥效益，得靠预测。“要先Predict，才能做到Prevent，”李友专眼中的预测，要具备准确（Accurate）、及时（Timely）、个人化（Individualised）和可行（Actionable）等4个特点。也就是说，精准的疾病预测，其预测发病期应在未来的3至12个月，而这样的预测必须量身订做，考量个人家族病史、身体状况和生活习惯。

预防医学AI的应用层面

因此，李友专认为，AI在预防医学上可以有3大类应用，首先是用AI降低早期风险（AI-based Earlier Risk Reduction），也就是根据个人的家族疾病史、基因、身处环境和饮食习惯等百万个变数，来计算未来3至12个月罹患某疾病的概率。

第二是AI可用于侦测早期发病（AI-based Earlier Detection）。他解释，目前各国在第零期就侦测出癌症的比例，仍相当低。以乳癌零期来说，美国的侦测率为20％，台湾只有3％。他指出，要是能在第零期、第一期就发现癌症，治愈概率就会提高，“这是AI能介入的地方，”关键是机器学习可以处理大量的变数，不像古典统计学难以处理，削弱了预测准确率。

而第三项针对慢性病病患，AI介入可以降低并发症的发作（AI-based Earlier Intervention）。他举例，北医大先前开发一款App“MoleMate 痣能达人”，透过4位皮肤科医生和3,000位病人的资料，来训练深度残差网络（ResNet），民众只要上传痣的照片，系统就会告知是否需要就诊，并定期要求上传照片追踪，以降低转化为黑色素瘤或皮肤癌的风险。

北医也正进行一项肝癌预测计划，利用过去36个月的个人健康纪录（PHR）来预测未来12个月罹患肝癌的概率。北医利用去识别化的8万名肝癌患者资料、2,700多个变数等，来训练监督式机器学习模型。北医还有一项独特的做法，将时间矩阵转换为图像再来训练，以强化时间维度（Temporal Dimension）的影响。“因为医疗资料非常注重时间，”李友专指出，过去以统计方法来预测时，因为时间维度不好处理，所以经常压缩成一个变数。“但过程很重要，”他表示，用单一时间变数的预测准确率才70%，“如果将时间展开，就可以达90%以上。”

时间维度的重要性，不只反映在单一疾病的预测上，也反映在个人一生的疾病预测上。李友专认为，透过时间维度和每个人的表现型变数（Phenotype）、环境变数（Exposotype）、基因变数（Genotype）与行为变数（Behaviors），就能以机器学习来准确预测人一生中可能面临的疾病。文⊙王若朴