AI Labs号召成立台湾医疗联合学习AI联盟，六大指标医院、卫福部、国发会都加入

“我们要让世界知道，台湾也开始发展联合学习了！”台湾人工智能实验室（AI Labs）创办人杜奕瑾说道。本月4日，AI Labs宣布成立台湾联合学习医疗AI联盟，联手六大指标医院包括台大医院、三军总医院、台北荣总、北医附医、台北慈济医院、中国附医，要藉联合学习（Federated Learning）来打破医疗小数据瓶颈，让各医疗机构以共享模型来取代共享资料，跨过资料隐私对医疗AI发展的限制。这次联盟宣示还吸引了卫福部、国发会、科技部等-代表，就连前副总统陈建仁和流行病学权威张上淳都亲临会场，他们究竟看上联合学习的什么？

共享模型取代共享资料，联合学习突破小数据痛点

杜奕瑾指出，AI大浪兴起数年，近来国际AI趋势逐渐由中心化，演变为去中心化，资料使用模式也渐从集中转为共享，“联合学习就在这股潮流下顺势而生。”科技部次长林敏聪也直指，联合学习去中心化、共享的概念，是AI必然的趋势。

也就是说，有别于集中式机器学习、需收集大量使用者资料，联合学习不须集中资料，就能获得与大数据相仿的训练效果。它靠的是各端点各自训练一套模型，再将训练好的模型参数上传至中央服务器来优化，接着把优化过的参数下放到各端点，进行一下一轮训练，如此反复直到模型收敛。

如此一来，各端点不必上传任何敏感个资，只靠各端点参数就能优化模型，绕过资料隐私障碍来达到集中式机器学习的训练效果。

比如，Google在2017年发表的研究成果，就是联合学习的经典案例。当时，Google为改善手机虚拟键盘输入程式Gboard的选字建议，但又不想收集每位用户的使用资料，于是设计一套分散式机器学习方法，让每支手机从中央主机下载一套模型，在用户端依使用者行为，来训练Local端模型。

训练好后，用户手机会上传模型权重至中央主机，中央主机收集一定数量的权重后，就会聚合（Aggregation），计算出一个优化过的权重，再回放到用户端手机，进行下一轮训练。后来，Google就将这套多次优化的模型，部署到数百万支Android手机上。

负责台湾医疗影像去识别化作业的国发会，也看好联合学习。国发会副主任委员高仙桂指出，“联合学习是未来精准医疗的关键。”因为，联合学习发挥共享模型效益，等于间接共享医疗影像，打破过去医疗影像是敏感个资的藩篱。

指标医院押宝联合学习，要扩大AI训练阵容

这次联盟押宝联合学习，就是看上这个不需大数据就能达到同等训练成效的优势，要来突破医界深受资料隐私规范的限制。

身为联盟成员之一的三总，近年开发不少AI应用，比如以心电图来判断血钾浓度的AI、以眼底镜来辨识视网膜病变的AI。三总院长王智弘直言，他们要藉这次联盟经验，将联合学习技术扩大应用至全台14家国军医院，也就是将14家国军医院纳入来AI训练阵容，来开发更多AI。

不只如此，北医附医院长陈瑞杰指出，今年3月，北医附医透过联合学习与台大医院发展武汉肺炎X光片判读AI，而后也扩展到其他国家。这次经验，让北医附医期望以联合学习，来推动更多医疗AI应用，甚至包括远距医疗。

台北慈济医院副院长郑敬枫也表示，今年初，台北慈济发展为以病人为中心的防疫医疗计划，整合民众门诊、急诊、检查检验等资料来开发医疗应用。他期望未来藉联合学习，来扩大医疗AI的训练与应用。

医疗联合学习大爆发，从Nvidia跨国医疗、李飞飞AIoT居家照护计划到台湾抗疫都靠它

联合学习在国际上的应用，更是一波接一波。去年，英国伦敦国王学院就与Nvidia联手，要透过Nvidia Clara联合学习平台，来联合英国数家医学中心打造12种临床AI模型。

今年，为加强武汉肺炎疫情期间，对长者的健康照护，由李飞飞带领的史丹佛大学人本AI学院，就研究以联合学习方法，透过长者配戴的IoT装置数据来训练健康预警模型。

同时间，Nvidia更发起对抗武汉肺炎疫情的联合学习计划EXAM，联手跨欧美亚三洲共20家医疗机构，来打造武汉肺炎病情恶化模型，预测未来数小时至数天内，患者是否需要氧气治疗。特别的是，台湾医学中心三总、台湾大学医学影像与数据人工智能（MeDA）实验室和台湾健保署，都是计划成员之一。

不只如此，台湾本土也出现联合学习先锋案例。今年疫情爆发期间，台大医院就透过AI Labs自行开发的联合学习平台Harmonia与健保署资料，来优化原有的肺炎X光片判读模型，作为武汉肺炎病灶判读AI，准确率达9成以上。之后，台大医院也与北医附医采联合学习，来共享、优化模型。

流行病学专家、中央流行疫情指挥中心专家咨询小组召集人张上淳就指出，这种以联合学习跨组织进行的科技防疫，就是台湾控制疫情一个范例，他看好联合学习集众人之力的潜力，来发展跨组织甚至跨国应用。

其他联合学习应用案例，还包括由台大医院发起的遗传疾病检测平台、帕金森氏症风险预测AI，以及由国内8家医学中心发起的心血管影像数据库建置和AI模型开发，都靠联合学习打破医疗资料难以共享的壁垒。

不过，这类医疗影像判读AI还是面临法规限制，与台湾最有关系的便是卫福部食药署。卫福部食药署主秘李明鑫指出，食药署除了确保医疗器材的安全效能和品质外，也扮演AI医材辅导角色。在法规布局上，继3年前发布了医疗器材软件确效指引，食药署在今年1月正式发布医材专法，9月也发布“人工智能／机器学习技术之医疗器材软件查验登记技术指引”。

他指出，食药署也将于明年5月医材专法正式实施前，观察产业状况，来完成所有子法制定。

AI Labs自建开源联合学习平台Harmonia，成为台湾联合学习代表性工具

其实，台湾医疗界之所以能顺利以联合学习训练AI模型，一大关键就是支撑训练和部署工作的联合学习平台Harmonia。这套平台由AI Labs开发，有别于常见的联合学习框架Tensorflow Federated和PySyft，Harmonia可真正部署联合学习模型，更在今年6月开源释出第一版，是台湾联合学习的代表性工具。

在平台正式发表前，台北荣总放射线部主任郭万祐就已抢先试用了。早在今年初，他就以Harmonia和国网中心的超级电脑台湾杉二号，来验证医疗影像AI的联合学习可行性。

他先将2年前与AI Labs打造的脑转移瘤辨识AI：DeepMets，以健保大数据资料来优化，并将优化过的最终版DeepMets Plus，当作集中式机器学习代表。之后，他与一名瑞典交换生Lukas Nyström，在国产超级电脑的云平台环境中，建置5个节点，作为5家虚拟医院，来模拟联合学习训练情境。

结果发现，光是迭代一轮，其模型相似系数DICE值就达0.77，甚至在一些领域如复杂的肿瘤形状、大小，以及对不同厂牌、扫描参数的辨识率表现也特别好。就在前几天，团队也把DeepMets的程式码与资料集都在GitHub上开源，提供下载。

除了先导应用，AI Labs本身也利用该平台，来投入全球基因组与健康联盟（GA4GH）、推动国际基因医疗研究。杜奕瑾期望，联盟成员能透过该工具来跨组织发展医疗AI，甚至走出台湾，在国际上打响台湾医疗AI的名声。最后，他也表示，“联合学习联盟不只是研究医疗问题，而是要纵向联合医疗产业，最终要成为国家数位经济的代表。”文◎王若朴