【AI實戰】AI應用百花齊放，本欄位每期介紹各產業新做法，由智慧醫療打頭陣。長庚醫院頻獲國家新創獎，他們成功的祕訣，竟是不怕無聊？
/
舟狀骨骨折很常見，但在臨床上容易被誤診為手腕扭傷，若延誤治療，很可能會引發關節炎。林口長庚開發的「腕部舟狀骨骨折偵測軟體」，可在很短時間內協助醫生診斷，及早發現問題。圖片來源：邱劍英攝
醫療業是人工智慧熱潮下，最被期待的產業之一。因為人工智慧訓練的軟體，可以像醫療器材一樣進行診斷，已成為浪潮。
根據Global Data分析，全球醫療器材的人工智慧應用市場規模，將從去年3.36億美元，成長為2027年的12億美元，年均複合成長率達29.1%。
在美國，截至2023年10月為止，食品藥物管理局（FDA）已核准692件人工智慧或機器學習輔助的醫療設備。
台灣正要開始急起直追。食藥署過去3年已核准105件相關醫療設備，其中37件為國產，有兩件由林口長庚開發，分別是「腕部舟狀骨骨折偵測軟體」與「心房顫動偵測軟體」。林口長庚是全台第一家獲得智慧醫療器材許可證的醫療院所。
今年2月，長庚再接再厲，透過判讀心電圖，篩檢心臟衰竭的偵測軟體，取得第3張許可證。
王永慶洞機先，大數據成利器
這一切得從20年前說起。長庚醫院很早便在創辦人王永慶的指示下，將所有資料電腦化。有了資料，就可以分析。加上長庚是全台最大醫療體系，有最豐富的大數據。
2018年5月，林口長庚醫院斥資4500萬元，成立「人工智能核心實驗室」。
五年多來，實驗室與醫院臨床單位合作開發的人工智慧應用軟體，頻頻獲得國家新創獎。目前研究團隊有20多人，分別負責資料分析、模型製作、網頁、app設計、協調溝通等工作。
以骨折偵測軟體為例，開發團隊包括2位工程師、2位資料科學家，另外有4位臨床醫師參與，再加上國外合作單位的2位研究人員，整體參與人數大約是10人左右。
如同快篩工具，而非取代醫生
長庚醫院很早就確認，醫院投入AI發明的目的「不是要取代醫生診斷，而是提供協助，」林口長庚副院長、心臟內科主治醫師溫明賢強調，「人工智慧軟體就像是一種快篩工具，可以迅速、準確地找出有潛在風險的患者。」
確認目的，下一個難題，就是實驗室人力、資源有限，要如何篩選來自各方的提案？
「好不好用、有沒有用、有沒有辦法維持、能不能解決使用者痛點，是首要條件，」人工智能核心實驗室主任郭昶甫解釋。
AI雖然日新月異，但郭昶甫選題的經驗是，「有時最有用的東西是最無聊的。我們要做的不是有趣的東西，而是對醫護人員真正有影響力的事情。」
以「腕部舟狀骨骨折偵測軟體」為例，舟狀骨是手腕腕骨的8塊小骨頭之一，非常容易發生骨折，是很常見的骨科問題，卻不容易辨識。尤其在急診區，經常被誤診為手腕肌肉扭傷，沒有第一時間得到骨科醫師的治療，延遲治療時機，有可能造成關節炎。
好用且可持續者，優先開發
偵測軟體用在急診，可提高醫療影像辨識的準確度，及早發現問題、進行治療。
又譬如，透過心電圖篩檢心臟衰竭的偵測軟體。一般心電圖無法準確預測心血管疾病，最精準的診斷得透過心臟超音波。但心臟超音波費用昂貴，且需要專業技師或是醫師操作，還得等兩、三個月才能知道結果。
而新開發的人工智慧整合十二導程心電圖，以過去170萬名病患、近600萬張心電圖為基礎，可快速預測病患風險有多高，還能預判可能死因。兩者都是有廣泛運用的發明。
知名管理學者、長庚大學校長湯明哲認為，偵測系統較容易被醫生接受，因為其定位是協助醫護人員而非取代。
以舟狀骨骨折為例，此系統有效降低急診室誤判，正確轉診到骨科，而非由急診取代骨科醫生，降低骨科醫生的疑慮，因此願意一同參與開發。
實驗室選題之外，長庚醫院「AI智慧醫療應用審查小組」也會協助評估，專案在臨床上是否可行、是否能為醫院整體帶來正面效益。
除了影響力，有沒有辦法維持，是AI軟體開發的特殊關鍵考量因素。郭昶甫解釋，AI運算相當耗費電力與算力，每項設備投資動輒要數千萬，在開發時，就得全盤考量長期的維護成本，組織是否有能力負擔？這是必須要思考的問題。
實際進入開發，其實人工智慧軟體的開發流程和一般相近。第一步必定是定義使用者需求與軟體規格；第二步是蒐集資料，包括原始資料、已標記的資料等；開發模型只是第三步，第四步才是將模型轉成臨床使用的系統。
「模型跟在醫院可使用的工具之間，還有很大差距，」郭昶甫解釋，AI牽涉到運算，必須考慮介面在哪裡？哪裡要做運算？更關鍵的是，臨床必須確保像超商24小時不間斷運作。
對長庚醫院而言，開發AI工具主要目的是在醫院使用。取得食藥署許可證後，下一步就是要用在醫院裡。這時的關鍵是壓力測試：同時間可以有多少人上線？可同時處理多少影像？網路頻寬是否足夠？
軟體上線後，AI智慧醫療應用審查小組會持續追蹤執行成效，例如：是否有提升效率、減少錯誤率、能否持續應用。
與外界想像不同，郭昶甫指出，AI工具開發過程，最大的挑戰是溝通。
很多時候，使用者無法清楚表達自己的需求是什麼，甚至不知道自己要什麼，「很多流程或做法，醫護人員做得很熟練、已經習慣了，不覺得有改變的必要。」
溝通最挑戰，法規更耗時
譬如，手術後，避免器具留在患者身體的防呆機制要一再仔細盤點器具數量，其實可以用AI照相比對，但醫護人員很習慣了，不會想到。這時，就得讓他們實際看到或感受到改變後的好處。
第二個挑戰是資料判讀。AI訓練的關鍵是資料，臨床上，醫師判讀難免會有個人主觀判斷，產生些微差異，但訓練模型時，必須要建立共通標準。
例如：如何判定是否有骨折、骨折發生的確切位置在哪裡等等。因此，得花費大量時間反覆和醫師討論標準的設定。
到了臨床試驗階段，就要驗證模型的正確率、靈敏度、特異度等指標，還必須反覆檢驗最源頭的資料輸入是否正確，這又得耗費一段時間，比模型建立還要花功夫。
「所以我們常常是花幾個月處理資料，然後只花了幾天，就建立好模型，」郭昶甫說，更長的時間是申請許可證，「平均來說，如果是模型開發，都是以週當單位，甚至可以天計算。但是，如果要變成使用者實際能應用的產品，就需要以月或是年為單位。」
有5年經驗，郭昶甫分享，AI技術已經變得像是大宗原物料一樣，建立模型都不是問題，但「如何在臨床上應用，而且能長期維持，從無到有建立新的ecosystem（生態系統），這是我們最重要的任務，也是最大的壓力來源。」
湯明哲認為，長庚的經驗印證「新經濟時代的資料，有如舊經濟時代的石油」。台灣健保資料庫是全世界最豐沛的寶藏，台灣應該運用這些寶礦，成為下一代競爭力的來源。
