探討人工智慧(AI)在醫療領域的應用潛力與挑戰,雖然 AI 能透過大數據和深度學習優化診斷、治療與工作流程,甚至創造醫療奇蹟,但其無法完全取代人類醫師的同理心與人性化關懷。我們強調科技與醫療人員合作的重要性,並呼籲在推動技術革新時,平衡病人隱私、倫理問題及醫療人性的核心價值。最終,AI 的崛起必須與人性化的照護相輔相成,才能真正改善病人健康,實現深度醫療的願景。
Deep Medicine [Chapter 1] 讓 AI 與人性一起療癒世界
![Deep Medicine [Chapter 1] 讓 AI 與人性一起療癒世界](http://sigridcw.com/wp-content/uploads/2025/01/截圖-2025-01-13-晚上8.30.46-1200x630.png)
By these means we may hope to achieve not indeed a brave new world, no sort of perfectionist Utopia, but the more modest and much more desirable objective a genuinely human society.
透過這些方法,我們期望達成的不是一個美麗新世界,也不是某種完美主義的烏托邦,而是一個更謙遜但更值得追求的目標:一個真正有人性的社會。
— ALDOUS HUXLEY, 1948 奧爾德斯.赫胥黎
復健科醫師無論看住院病人的會診、或是在門診看病人,三不五時會碰到為了解決身體某部位疼痛而接受手術、但術後原本的問題沒有改善甚至日益加劇的情況。受限於來診量與工作時間的限制,外科醫師在術前討論手術風險時,可能不容易把病人從小到大的每一項病史、生活經驗對術後併發症造成的影響都全盤納入考慮,人工智慧(AI)可以預測個別情況不同的病人,在接受同一個手術之後,可能更容易出現哪些併發症。如果有資深治療師分享他們豐富的臨床經驗、搭配完整的文獻回顧,我們就有機會為每位病人設計客製化的復健方案,讓開刀的醫師更了解病人術後可能面臨的風險,病人智慧型手機、平板或居家環境中的「虛擬醫療助理」,也能提醒病人只做套裝式的復健對他的確切效果如何、有沒有可能衍生出哪些後續的問題。
很可惜,醫療體系現存的問題很難只靠先進科技、演算法或硬體的進步就能解決,醫師對病人接受治療後依舊痛苦難耐的機械式回應也反映了醫療照護環節中不足的部分。手術可以執行得非常專業,但這只是技術層面的優化,當開的再精湛的手術依然無法解決病人的痛楚,我們有時會說出「要不要試試看吃(例如抗憂鬱)藥?」的話。退一步想,病人確實情緒低落,但憂鬱大抵根本不是問題所在:真正的問題是眼前這位病人正承受著劇烈的生理疼痛、活動受限、生活品質極糟,但因為對醫師來說,開立止痛藥或抗憂鬱藥物比花時間傾聽、理解、密集追蹤病人要容易得多,我們就很有可能最後訴諸於藥物的手段。單靠人工智慧無法解決醫療體系的問題,但隨著機器變得更聰明、並適度分擔醫療人員的繁瑣任務,我們可能更容易展現人性。
人工智慧的力量可以用來拯救孩子的性命。Dr. Stephen Kingsmore 是 San Diego Rady Children’s Hospital 的一位醫學遺傳學家,他的團隊在快 10 年前可以只用 19.5 小時就完成從抽血到基因定序和判讀的整個過程。有個出生時健康的男生寶寶,出生第三天出院就回家,但在出生第八天後,寶寶出現持續的癲癇發作。就醫檢查後,寶寶沒有感染的跡象,腦部電腦斷層掃描正常,腦波只顯示持續性癲癇的特徵;給予許多種強效藥物都無法減輕癲癇的症狀,反而變得更嚴重,預後非常不樂觀,可能造成腦部損傷甚至死亡。醫師立即將抽血的樣本送到 Rady Genomic Institute 進行全基因定序:定序產生 125GB 的資料,包含近 500 萬個與最常見基因組不同的位點,NLP 自然語言處理只花 20秒 就讀取了寶寶的電子病歷、定出 88 個 Phenotype Features 表型特徵(大概是醫師列出問題清單的 20 倍),機器學習演算法快速篩選約 500 萬個基因變異、找出約 70 萬個罕見的變異,其中 962 個已知會導致疾病。結合寶寶的 Phenotype 資料,系統找出 ALDH7A1 基因的一個變異最可能是病因,而這個變異非常罕見、發生率低於 0.01%,會導致代謝系統無法正常運作而引發癲癇。好在補充維生素 B6 和 Arginine 精氨酸、同時限制 Lysine 離氨酸的攝取,就能改善這個問題。調整飲食後,寶寶的癲癇立刻停止下來,36 小時後就出院回家了!在後續追蹤中,這個孩子都沒有腦部損傷或發展遲緩的跡象。拯救這個孩子的關鍵在於找出他病況的根本原因,而全球只有少數醫院會為重症新生兒進行基因定序,並運用人工智慧整合病人資訊和基因學。雖然經驗豐富的醫師最終有一天可能會找到正確的診斷和治療方法,但電腦與機器在這類型的工作比人類更快更靠譜。
人類和人工智慧的協作能創造醫療奇蹟,但在我們對人工智慧的發展潛力過度樂觀之前,我們來看看另一個病人。這位 70 多歲的男性病人患有一種罕見且嚴重的肺部疾病:Idiopathic Pulmonary Fibrosis(IPF)特發性肺纖維化,嚴重到如果再繼續惡化可能需要進行肺臟移植。同時,他開始出現新的症狀:非常容易感到疲勞、活動能力明顯下降,導致他無法走一圈社區的小公園或去游泳。胸腔科醫師排了肺功能檢查,結果顯示沒有變化,代表肺的問題可能不是症狀的原因,所以被轉到心臟科。他走進心臟科診間時步伐緩慢、呼吸急促、臉色蒼白,他說現在連日常生活都很困難,更別說運動了。這位病人幾年前因為走路時小腿疼痛,接受過左髂動脈阻塞的支架手術,這個過去病史讓我們合理推測他的冠狀動脈可能有粥樣動脈硬化,心臟科醫師安排電腦斷層血管攝影:右冠狀動脈有 80% 的狹窄,但其他兩條動脈沒有明顯問題。不過因為右冠狀動脈供應的心肌範圍不大,可能無法完全解釋症狀和檢查結果的關聯。病人思考了幾天後決定在右冠狀動脈放支架,讓大家都很驚訝的是,他在 Procedure 做完後立馬就感到精力充沛,出院當天晚上就走了很長的距離,感覺比過去幾年都更有力氣和精神,而運動能力的顯著改善持續了好幾個月。
這個病人特別之處在於:演算法可能會忽略這個診斷。儘管人工智慧在改善醫療方面備受期待,但如果用在這位病人的醫療資料和完整的醫學文獻,它會得出不建議做 Procedure 的結論,因為沒有證據顯示打通右冠狀動脈能改善疲勞的症狀 — 人工智慧只能透過研究現有證據來學習;而使用演算法的保險公司也很有可能會拒絕理賠這次住院的費用。但病人確實出現了很顯著且持續的改善,如果硬要解釋,確實可能與嚴重的肺部疾病有關,肺纖維化會導致肺動脈壓力升高,而肺動脈負責將血液輸送到肺部進行 Oxygenation,右心室負責把身體回流的血液打到血壓很高的肺部,這會讓右心室產生很大的壓力,而右冠狀動脈放支架可能可以減輕右心室的壓力。他提醒我們:每個病人都是獨特而複雜的個體,機器永遠無法完全透徹解析,也突顯醫療的人性面:只有病人最清楚自己的身體,而我們作為醫師,需要有耐心地傾聽他們的表述,演算法雖然是優秀的預測工具,但永遠無法真正了解一個人(如果 AGI 短期內不會出現的話)。
多年來,人工智慧已悄然進入我們的生活,從在電腦開 Microsoft Word 打字時的自動輸入提示、在 Google 搜尋問題的推薦連結清單、根據我們過去聽歌紀錄自動推薦的類似曲風的音樂,到 Alexa 用語音回答我們白話的問題或請他關燈,AI 已經無所不在。人工智慧在醫療領域的願景是提供個人醫療資訊的整體性視角、改善醫療決策、避免誤診和非必要的手術、協助適當檢驗檢查的開立和判讀、提供治療建議。這一切的基礎都是資料,我們早已進入大數據時代:全世界每年產生數以 ZB(百萬兆位元組,約等於一兆支智慧型手機的容量)計的資料,醫療領域中,大數據包括全基因組序列、高解析度影像、穿戴式感測器的連續性輸出;雖然資料持續湧現,但我們實際能處理的比例卻很小(大多不到 5%)。
人工智慧有許多類型,傳統的機器學習包括 Logistic Regression 邏輯迴歸、Bayesian Networks 貝氏網路、Random Forests 隨機森林、Support Vector Machines 支持向量機、Expert Systems 專家系統,以及許多其他資料分析工具。舉例來說,貝氏網路是一個提供機率的模型,如果我們手上有一個病人的症狀,模型可以列出可能的診斷及其對應的發生機率。在 1990 年代,當我們使用分類和迴歸樹來讓收集的資料進入「自動分析」模式,不帶解釋偏見時,資料科學家並沒有使用「機器學習」這個名詞,近年來人工智慧工具已擴展到深度網路模型,如 Deep Learning 深度學習、Reinforcement Learning 強化學習、和近期紅到不行的 Transformer Model。
深度學習自 2012 年一篇經典的圖像辨識論文發表後獲得了驚人的發展,新的深度學習人工智慧演算法和文獻數量呈指數性增長,從龐大的資料集中進行機器模式識別的能力也出現爆炸式的增長,用於人工智慧訓練的運算速度 Petaflops(每秒一千兆次浮點數運算)從 2012 年以來增加了 30 萬倍。


過去十幾年,許多醫療界專家對深度學習的發展感到驚訝,研究顯示人工智慧在某些皮膚癌的診斷上可以達到、或甚至超越皮膚科專科醫師的水準;AI 可以像心臟科醫師一樣辨識特定的心律不整;可以如同資深放射科醫師和病理科醫師一樣判讀醫學影像或病理切片;可以像眼科醫師一樣診斷各種眼科的疾病;甚至可以比身心科醫師更準確地預測自殺風險。這些能力主要涉及 Pattern Recognition 模式識別,透過訓練數千、數百萬個病例來學習這些模式。系統也不斷進步,從文字、語音和圖像資料的學習錯誤率已降至 5% 以下,遠超過人類的表現。而且跟會累、心情不好、情緒化、睡眠不足或分心的人類不同,機器可以很穩定、一個禮拜七天 24 小時工作而不需休假,也不會抱怨講幹話;這自然引發了一些人對醫師在未來所扮演角色的質疑,以及人工智慧對醫療可能產生的影響。

以下是對人工智慧在醫療領域中「過度樂觀」的期待:
– 在所有任務上超越醫師
– 診斷無法診斷的疾病
– 治療無法治療的疾病
– 在影像和病理切片中看到肉眼看不見的東西
– 預測無法預測的事情
– 分類無法分類的事物
– 消除醫療場域工作流程的低效率
– 大幅降低住院和再入院率
– 消除冗餘的工作崗位
– 100% 的藥物使用或醫囑遵從度
– 病人傷害降到零
– 治癒癌症
雖然深度學習不會解決現代醫療的所有問題,但這個表顯示了 AI 可能可以應用的範疇,人工智慧幫助我們朝這些目標前進,但這就像是一場沒有終點的馬拉松。深度學習的應用範圍其實很窄,預測憂鬱症的模型無法幫皮膚科醫師做診斷,這些神經網路演算法依賴於識別特定的模式,更適合高度依賴影像作為決策判斷依據的科別,比如放射科或病理科(Doctors with Patterns);其他專科的日常工作中也有一些模組化的任務,可能受惠於人工智慧演算法的輔助。我們仍處於人工智慧醫療的早期階段,它根本不是常規的 Medical Practice,當世界大多數的產業都已進入以人工智慧為中心的第四次工業革命時,醫療業仍停留在第三次工業革命的早期階段(也就是電腦和電子設備開始廣泛使用的時期)。

醫療界對採用新技術的猶疑和保守是很常見的,Seonsor 感測器、Sequencing 定序、影像、Telemedicine 遠距醫療等技術當然有機會推動醫療數位轉型,醫療民主化也讓醫療權威體制會隨著病人產生而且擁有自己的資訊意識抬頭而褪色,最終病人可以(如果他們選擇的話)更完整地掌控自己的醫療決策。繼 Digital Transformation 數位化和 Democratization 民主化之後的下一個階段,也就是第三個、影響最深遠的一個「D」 —Deep Learning 深度學習,我們將能擁有一個框架來孕育人與人之間的連結,而這個過程的最終結果,就是「Deep Medicine 深度醫療」。
深度醫療需要三個深度組成部分:

首先是深度定義每個人(將人體的醫療本質數位化),運用跟這個人所有相關的資料,可能包括醫療、社會、行為和家族疾病史,與生物學特徵:解剖、生理和環境。生物學有許多層面 — DNA 基因組、RNA、蛋白質、代謝物、免疫組、微生物組、表觀基因組等;在生物醫學研究領域,常用的術語是「Deep Phenotyping 深度表型分析」,既要廣泛、涵蓋我們能想像到的各種資料類型,也要涵蓋我們生命中盡可能長的時間,因為許多重要指標都是動態的,隨時間不斷變化。
第二是深度學習,不僅包括醫師用在診斷的模式識別和機器學習,還包括虛擬醫療教練(Virtual Medical Coach)指導民眾更好地管理自身健康或醫療狀況;也得以提高醫療院所運作的效率,使用電腦視覺來改善病人安全和照護品質,最終透過遠端居家監測來減少對醫院病房的就醫需求。雖然深度學習在醫療領域的成果近年來發展迅速且潛力巨大,但仍算處於起步階段。
第三,也是最重要的部分,是病人與醫療人員之間的深度同理心和連結。到 2017 年底,醫療已經成為美國最大的產業;1970 年,William Schwartz 威廉.施瓦茨在《NEJM 新英格蘭醫學期刊》上發表了一篇題為「Medicine and the Computer 醫療與電腦」的文章(Schwartz, W. B., “Medicine and the Computer: The Promise and Problems of Change.” N Engl J Med, 1970. 283(23): pp. 1257–1264.),他推測未來電腦和醫師會進行頻繁對話,電腦持續記錄病史、理學檢查的結果、實驗室檢驗與影像檢查資料等,提醒醫師最可能的診斷並建議最適當、最安全的治療方案。但 55 年過去了,這個預測實現了多少?其實並不多。雖然確實有 Google 協助醫師做出困難診斷的例子,但一般性的症狀查詢並非是準確的診斷方法 ,可能反而成為引發焦慮和慮病症的溫床。
我們可以想像 AI 將拯救醫療面臨的許許多多問題,包括診斷不夠準確、工作流程效率低落(如繁瑣的計價或編碼),但這些都還在實現的路上,也為企業提供絕佳的機會,可以與臨床醫師、電腦科學家和其他領域(如行為科學)的研究人員合作,協助打造人工智慧和醫療照護的整合性服務。醫療產業如今已成為美國超越零售業規模的最大 Sector,從各項指標來看,醫療支出呈現爆炸性成長。然而,即使醫療業僱用如此多的人力、且每人醫療支出如此龐大,醫師與病人之間的互動時間卻持續減少,無論是門診或住院的場域,醫師都太忙了;在美國一天近 5,000 美元的住院費用,醫師的查房時間可能只有短短幾分鐘(還要另外收費)。

醫護人員出現史上最高比例的職業倦怠和憂鬱情緒,身為醫師,我們有時無法真正地照顧病人,而病人也感受不到被我們照顧。1927 年 Francis Peabody 說:「The Secret of the Care of the Patient is Caring for the Patient. 照顧病人的秘訣在於關心病人。」人工智慧讓我們有機會重建病人和醫師之間珍貴且歷史悠久的連結和信任 — 人性的溫度,有更多時間相處,更深入的溝通和同理。醫界向來推崇「聰明」的醫師,但隨著所有臨床醫師都能獲得機器學習所提供的診斷治療技能的支援,醫學知識的平等化,最終會帶來新的重點:具有高度情緒智商的醫師。
在心理健康領域,目前也面臨著諸多挑戰,如憂鬱症等身心科疾病就醫需求與心理健康專業人員之間的嚴重失衡,人工智慧可能在未來的心理健康照護扮演關鍵角色。然而,我們也必須注意人工智慧的限制,例如人為的偏見、可能加劇不平等、黑箱等特性、隱私和安全性的疑慮。人工智慧不僅能促進新藥的發現,還能從複雜的資料集中萃取洞見,例如數百萬個全基因組序列、人腦的複雜性,或是多個生物感測器即時分析的整合資料。雖然這些工作在病人照護的上游,但促進基礎科學和藥物開發的進展最終將對醫療產生重大影響。
許多居家照護的進展也將整合到虛擬醫療教練中,不只是透過像 Siri、Alexa 和 Google Home 等語音模態,也可能以虛擬人物 Avatar 或 Hologram 的形式出現;虛擬醫療教練是對一個人所有資料的深度學習,能無縫收集、持續更新、整合所有生物醫學知識,並提供回饋和引導。這類型的系統最初可能會針對特定疾病,比如糖尿病或高血壓,但最終會提供廣泛的消費型健康平台,幫助民眾預防或地管理疾病。然而,所有這些美景都可能因資料濫用而毀於一旦,包括網路竊盜、勒索、駭客、大規模的資料販賣和使用。如果保險公司或雇主可能取得我們所有資料 、我們的深度學習分析結果 ,來決定我們的醫療保險、保費或工作,將是非常可怕的景況。
如何在病人、醫師和 AI 之間找到適當的平衡,利用 AI 獨特的優勢來促進人與人之間更好的連結 ?或許探索答案的歷程中,我們有機會能找到當今醫療問題的重要解決方案。結合人類和人工智慧 將使醫療達到前所未有的高度,雖然有許多障礙、路途崎嶇荊棘滿布,終點也還很遙遠,醫療人員需要準備好對抗既得利益,不要錯失為病人照護優先挺身而出的機會。AI 的崛起必須伴隨著高度的人性化 — 有更多共處的時間、同理心和溫柔 — 才能使醫療的「照護」變得真實。
— –
📒 Compiled by — 台中慈濟醫院復健科 R3 陳佳菁醫師 Sigrid Chen, PM&R Resident Physician at Taichung Tzu Chi Hospital, Taiwan; Former Medical Consultant at ASUS Intelligent Cloud Services.
Technology us For the reason that the admin of this site is working, no uncertainty very quickly it will be renowned, due to its quality contents.
http://termpaper.education/__media__/js/netsoltrademark.php?d=mythav.com