Deep Medicine [Chapter 3] AI 能終結醫生「猜病」的誤診嗎？

To be a good diagnostician, a physician needs to acquire a large set of labels for diseases, each of which binds an idea of the illness and its symptoms, possible antecedents and causes, possible developments and consequences, and possible interventions to cure or mitigate the illness.

要成為一位能做好診斷的醫師，需要掌握大量疾病的「標註」，每個標註都連結到對疾病及其症狀的知識、可能的前因後果、病程發展與預後、治療或緩解的方式。

— — 丹尼爾・卡尼曼（Daniel Kahneman）

Computing science will probably exert its major effects by augmenting and, in some cases, largely replacing the intellectual functions of the physician.

電腦科學可能會透過增強，在某些情況下甚至大幅取代醫師的智識功能，來發揮它的影響力。

— — 威廉・B・施瓦茨（William B. Schwartz），1970 年

Dr. Eric 在醫學院第三年初，到紐約羅徹斯特的斯特朗紀念醫院（Strong Memorial Hospital）參加臨床醫學見習，導師是羅徹斯特大學（University of Rochester）備受尊敬的心臟病專家亞瑟・莫斯醫師 Dr. Arthur Moss（Dr. Arthur Moss 不幸於 2018 年去世）。在他們去看第一位病人之前，要先在一間會議室進行熱身訓練，莫斯醫師的目標是教導 Dr. Eric 他們如何進行「診斷」的基本方法。莫斯醫師走到黑板前寫下一位病人：「66 歲男性到急診室。」然後問：「我們的鑑別診斷（Differential Diagnosis）是什麼？」這看起來很怪，因為資訊實在太少了；但莫斯醫師的重點在於，每當醫師評估一個病人，我們需要處理每個資訊碎片 —無論是症狀、表徵或實驗室檢查結果— 並迅速提出最符合臨床情況的最常見原因。當時還是未經訓練的準醫師們給出的回答是：心臟病發、癌症、中風和意外事故。

接著莫斯醫師又加了一個特徵：胸痛。Dr. Eric 小組的結論是，這位病人一定是心臟病發作。莫斯醫師接著告訴 Dr. Eric 他們全都錯了，需要考慮其他原因；於是 Dr. Eric 跟其他組員提出其他可能性，例如主動脈剝離（Aortic Dissection）、食道痙攣（Esophageal Spasm）、胸膜炎（Pleurisy）、心包炎（Pericarditis）和心臟挫傷（Contusion of Heart）。莫斯醫師接著寫：胸痛傳到脖子和背後，因此 Dr. Eric 小組將焦點縮小到心臟病發作和主動脈剝離。莫斯醫師又補充說病人曾短暫失去意識，讓 Dr. Eric 他們最終診斷為主動脈剝離。莫斯醫師微笑說「正確」，表示接到胸痛的病人時，永遠不要忘記主動脈剝離的可能，因為這種情況常被忽視，而導致致命的錯誤。

接下來莫斯醫師又寫：「33 歲女性入院。」Dr. Eric 他們表示，可能是乳癌、妊娠併發症或意外事故；莫斯醫師對他們的想法表達失望，給出下一個特徵是皮疹。Dr. Eric 小組的鑑別診斷現在延伸到感染、藥物不良反應、昆蟲或動物咬傷、嚴重的毒漆樹（Ivy）皮疹。莫斯醫師看起來有點失望，再加一個線索：臉部皮疹，但似乎沒有讓 Dr. Eric 他們找到正確的方向，仍維持同樣的鑑別診斷清單。於是莫斯醫師又加了一個描述：她是非裔美國人。Dr. Eric 的一位組員小聲說：「狼瘡（Lupus）？」一語中的，因為狼瘡在非裔血統的年輕女性更為常見，而且蝴蝶斑（Butterfly Facial Rash）是重要的特徵之一。

這是許多醫師學習進行醫學診斷的方式：由上而下（Top-Down），立即對好幾個一般性的描述提出一個簡短的假設、推測和初步結論。我們被灌輸一種思維模式，也是貝氏定理（Bayes’s Theorem）邏輯的一種體現：「常見的事情出現的頻率更高」。我們被訓練用我們的直覺感知、而非分析思維，但貝氏定理很仰賴先驗概率，但對於讀了很多書但接觸的病人很少的醫學生來說，並沒有太多可作為參照的臨床經驗；可想而知，貝氏定理對於已經看過數千名病人的資深醫師來說，效果要好得多。

這種的診斷方法是 Danny Kahneman 歸類為「系統一思維」（System 1 Thinking）的例子 — 一種自動、快速、直覺、不費力的思考方式，用捷思或經驗法則的反射心理捷徑，繞過分析的過程以快速解決問題。相形之下，「系統二思維」（System 2 Thinking）是個著重分析反思的歷程，發生在大腦不同區域。大家可能會認為資深醫師診斷時會特別用到系統二思維，但許多研究指出，資深醫師的診斷功力與直覺、經驗和知識的結合密切相關。大約半世紀以前，快速且反射性假設所生成解方的系統一思維，其實才是正確診斷的典範，如果醫師在看到病人後五分鐘內想到正確的診斷，準確率高達驚人的 98%，但如果在五分鐘內沒有想到診斷，最終的準確率僅為 25%。

在急診特別突顯出這個挑戰，急診的醫師必須快速評估每位病人，決定動向是讓他們住院還是回家，錯誤的診斷可能導致病人離院不久後死亡，考量到美國每年有近 20% 人口會到急診就診，他們所面臨風險的人數也相當龐大。一項針對聯邦醫療保險（Medicare）病人至急診評估的大型研究顯示，每年超過 10,000 人從急診返家後一週內死亡，儘管他們去急診以前沒有任何被診斷過重大會對健康造成威脅的疾病。這不單是急診的問題，在美國每年有超過 1,200 萬起嚴重的診斷錯誤，而根據 2015 年美國國家科學院（National Academy of Sciences）發表的一份報告，多數人一生中至少會歷經一次錯誤診斷。

前述的數據指出醫師診斷的方式或許存在某些問題，系統一思維 — Dr. Eric 稱為「快速醫學」（Fast Medicine）— 失靈，不少我們常用的診斷方法都有很大的改善空間，而系統二的診斷推理可能是個解方。Kahneman 認為「阻止源於系統一的錯誤很簡單：意識到自身的認知誤區，放慢腳步，請系統二來幫忙。」，但迄今用系統二補強系統一的想法並未得到證實：雖然醫師進入分析模式、有意識地放慢腳步判斷，診斷準確性並沒有明顯提高。一個可能的主要因素是系統一或系統二思維並不是唯一相關的變數，還有許多其他可能的因素也會影響診斷的正確性，例如醫學教育對診斷技能的投入不足：美國內科醫學認證委員會（American Board of Internal Medicine）為醫學教育制定的二十二項里程碑中，只有兩項與診斷技能相關。進入臨床受訓後，多數醫師在整個執業生涯中的診斷水平原則上就定型了，美國也不太有獲得診斷技能反饋的成熟制度。Philip Tetlock 在《超級預測》（Superforecasting）說過：「如果你沒有收到回饋，你的信心會比你的準確性增長得更快。」然而，醫學院期間和畢業後對診斷技能的重視不足，似乎被對更深層的認知偏誤和可能導致診斷錯誤的認知扭曲缺乏認識所掩蓋。

在 The Undoing Project: A Friendship That Changed Our Minds 這本書中，加拿大醫師 Donald Redelmeier 在青少年時受到 Amos Tversky 和 Danny Kahneman 的啟發，在 Sunnybrook Hospital 的創傷中心，他請醫師們放慢腳步，採用系統一思考，並嘗試避免在判斷時出現心理偏誤。他強調：「當一個看似簡單的診斷立即浮現在你腦海中，並完美解釋病人所有症狀時，我們要特別小心，需要停下來檢視自己的思考有沒有缺漏之處。」有個病人被誤診為甲狀腺機能亢進（Hyperthyroid）導致心律不整，但實際上卻是肋骨骨折和肺塌陷，Redelmeier 將這個錯誤歸因於代表性啟發法（Representativeness Heuristic），一種基於過去經驗的決策捷徑。

人類普遍受到許多偏誤影響 — — 維基百科列出了 185 種，但 Dr. Eric 只想強調其中少數幾種會損害診斷準確性的偏誤。這些醫療常見的認知偏誤雖是人性使然、並非只在做診斷或決定治療建議時才出現，但醫療決策可能帶來深遠甚至生死攸關的後果。世界上約有 10,000 種人類可能罹患的疾病，沒有哪位醫師能記住全部，如果醫師在進行鑑別診斷時無法想起某種可能的診斷，他們就會根據腦中「可獲得的」可能性進行診斷，如此一來就可能導致錯誤，稱為可得性偏誤（Availability Bias）。

第二種偏誤源於醫師一次只處理一個病人。1990 年，Redelmeier 和 Tversky 在《新英格蘭醫學期刊》（New England Journal of Medicine）發表的研究顯示，個別病人、特別是該醫師最近看過的病人，會影響醫療判斷，原因是每位醫師一生中只能接觸相對少數的病人，因此個人經驗可能會凌駕於從更大樣本病人群中獲得的大數據，例如我們知道罕見疾病出現的機率相對低，但或許僅僅因為先前一位我們接觸過有類似症狀的病人最後被診斷為某種罕病，我們就會在往後所看的病人身上尋找這個罕病的影子。Dr. Eric 曾經診斷過一位中風病人，他的心臟瓣膜上有一種非常罕見的腫瘤（Papillary Fibroelastoma），之後 Dr. Eric 便在許多病人身上將這個診斷視為潛在病因，可見醫師的認知偏誤受到相對有限的臨床經驗和未能系統性尋找醫療證據的影響。

基於規則（Rule-Based）的思維也可能導致偏誤，如下圖所示，心臟科醫師在急診看照會時，年滿四十歲的病人他們才會懷疑心臟病發作；Stephen Coussens 在他標題為「謹慎行事：急診室中的捷思 Behaving Discretely: Heuristic Thinking in Emergency Department」論文中清楚指出數據存在不連續性，醫師用四十歲作為分水嶺，未屆不惑的病人就被分類為太年輕而不可能有心臟病，即使四十歲的病人發生致命性心臟病的風險並不比三十九歲病人高出太多。Coussens 在回顧病人的九十天追蹤數據後， 發現許多被錯誤認為太年輕而不會罹有心臟病的病人，之後確實心臟病發作。

醫師的另一偏誤是過度自信，Kahneman 稱之為「醫學中的普遍現象 Endemic in Medicine」，他提到一項評估醫師對其診斷信心程度的研究，比較透過大體解剖確定的死亡原因與醫師在病人死亡前所做的診斷，「臨床醫師對生前診斷『完全確信』的案例中，有 40% 是錯誤的。」Tversky 和 Kahneman 在 1974 年發表於《科學》（Science）雜誌的經典論文中討論了這種傾向確定性的偏誤，列舉了人類在面對不確定性時所仰賴的多種捷思方式。但醫療最不缺的就是不確定性，因為幾乎為每個病人做出正確診斷的線索與證據都相對匱乏，而要處理這種不確定性往往導致對專家意見的依賴，就是 Dr. Eric 所稱的「權威基礎醫學」（Eminence-Based Medicine）。在醫學院的求學階段，老師們會教導醫學生用鑑別診斷（Differential Diagnosis）的方法來考慮各種可能的診斷，要求醫師列出所有可能解釋病人症狀的潛在疾病，然後根據可能性排序。但這種方法存在一個問題：醫師往往會優先考慮他們最熟悉的疾病，而不是最有可能的疾病。

另一個常見的認知偏誤是確認偏誤（Confirmation Bias），一旦醫師形成初步診斷假設，就傾向於尋找支持該假設的證據，而忽視或解釋掉不符合該假設的證據。如果醫師懷疑病人有心臟病，他們可能會特別注意胸痛、呼吸急促等支持這一診斷的症狀，而對不典型症狀如背痛或消化不良給予較少關注。錨定效應（Anchoring Effect）是另一種影響醫療決策的偏誤，指醫師過度依賴最初獲得的資訊來做判斷，例如病人被轉診到我們醫院時如果已有「可能是肺炎」的初步臆斷，後續接手的醫師可能會過度受這個初始診斷的影響，即使有證據指向其他可能性也會某種程度地視而不見，這種「我方偏誤」（Myside Bias） — 即傾向於接受支持自己信念的資訊，同時拒絕與之相矛盾的資訊，過度自信與解釋深度錯覺（Illusion of Explanatory Depth）有很大的關聯性，我們容易相信自己知道的比實際上還要多；無論是哪種偏誤類型，很明顯人類（包括醫師）在做關鍵決策時往往偏離理性行為。

醫學教育教導學生用貝氏推理來診斷疾病，要求醫師考慮疾病的先驗機率（Prior Probability），並根據檢查結果和症狀微調這個機率。例如一位 30 歲女性出現胸痛，心臟病的先驗機率相對較低；但如果她有家族史、吸菸或其他風險因素，則這個機率會上升。然而，即使是經驗豐富的醫師也常常無法正確應用貝氏推理；部分是因為人類大腦不擅長處理機率和統計數據，更傾向於依賴直覺和經驗。認知偏誤不僅影響診斷，也會影響治療決策。框架效應（Framing Effect）指的是同一資訊的不同呈現方式會導致不同決策，Tversky 在史丹佛大學對治療癌症病人的醫師進行一項調查，詢問他們為晚期癌症病人選擇手術方案的決策。當手術被描述為「有 90% 的存活率」時，82% 的醫師選擇了該手術；但當同一手術被描述為「有 10% 的死亡率」時，僅有 54% 的醫師選擇了這個選項。僅僅是將措辭從「存活」和「死亡」互換，以及相應的百分比表達方式不同，就導致了醫師選擇的明顯變化。損失厭惡（Loss Aversion）是另一種影響醫療決策的偏誤，指人們傾向於避免損失而非獲取等值的收益。在醫療環境中，這可能導致醫師和病人選擇更積極的治療方案，即使這些方案的風險可能超過潛在為醫病帶來的好處。

近年來，醫學教育越來越重視教導學生認識這些認知偏誤，並提供減少其影響的策略，包括使用結構化的診斷方法、依靠臨床決策支援工具、促進團隊決策，以及培養反思性實踐的習慣。AI 和機器學習在減少醫療認知偏誤方面展現出巨大潛力，AI 不受情緒和經驗的影響，能夠客觀分析大量數據並識別人類可能忽視的模式，例如 AI 能夠識別放射科醫師可能錯過的細微異常。然而，我們也必須謹慎確保 AI 本身不會引入新的偏誤，如果模型是基於包含偏見的數據進行訓練，它們可能會複製並放大這些偏見。例如，如果用來訓練的數據顯示某些群體接受的醫療服務較少，AI 可能會錯誤地將這種差異解釋為這些群體較少需要醫療服務。而關於誤診（Misdiagnosis），根據一項 583 個醫師自我報告的診斷錯誤案例研究，最大的問題不是診斷本身，而是在一開始就沒有想到正確的診斷（下圖），這是系統一思維（System 1 Thinking）和可得性偏誤（Availability Bias）的產物，未能即時診斷或延遲診斷是美國醫療糾紛訴訟的最主要原因，在 2017 年佔所有訴訟的 31%。

淺度或快速的醫療本身就是個大問題，我們必須同時應對這兩個挑戰，即使醫師對病人的了解相當深入且能夠組建近乎完整的輪廓，我們仍必須承認人類思維的缺陷和人類經驗的有限性。每位醫師在其執業生涯中可能會看數千名病人，這是每位醫師系統一思維的基礎，然而目前沒有成熟運作的普世機制能夠為主治醫師提供關於他們診斷是否正確的定期回饋。每位醫師需要數十年才能積累這些經驗，但這些經驗其實是相當有限的；即使是那些可能終其一生看數萬名病人的醫師，跟用大數據所能積累的經驗相比，這個數字仍然很小。

科技可能為醫療帶來新的契機。

醫師的一個潛在幫手是線上工具，目前醫師使用的最古早的症狀檢核工具是 Isabel Symptom Checker，涵蓋了超過 6,000 種疾病。當 Dr. Eric 輸入北美地區一位 50 至 64 歲男性出現咳嗽和發燒症狀時，「可能」的診斷結果包括流感、肺癌、急性闌尾炎、肺膿瘍、反覆發燒、非典型肺炎和肺栓塞。除了流感和非典型肺炎之外，幾乎所有這些診斷都很容易排除，因為它們的症狀與這些疾病的關聯性不高。2015 年發表在《英國醫學期刊》（British Medical Journal）的一項研究評估了 23 種 Symptom Checker，結果顯示僅有 34% 在輸入資訊後能得出正確診斷。

儘管表現沒有想像中好，近年來 Symptom Checker 的 App 如 Ada、Your.MD 和 Babylon 仍如雨後春筍般湧現，並號稱整合人工智慧的元素，但它們尚未被驗證能模擬醫師診斷的準確性（雖然我們不該將醫師的診斷視為絕對的黃金標準）。這些新創公司開始把超出症狀清單的資訊整合到產品中，詢問病人一系列的健康史等問題，旨在縮小鑑別診斷的範圍並提高準確性，例如 Buoy Health 利用超過 18,000 篇臨床出版物、1,700 種醫療情況的描述、超過 500 萬病人提供的數據作為資料庫。但認為幾個症狀的組合就可以拼湊出正確診斷的想法似乎過於簡化，因為很明顯地病人出現的症狀並非二元的 0 或 1，症狀是有許多層次及面向的，例如主動脈剝離的病人可能不會說他「胸痛」，心臟病發作的病人也可能會握緊拳頭（Levine Sign）表示感到一種無以名狀的壓迫感，或可能是一種既不像壓迫也不是疼痛的灼熱感。此外，病人描述的詞彙、臉部的表情和肢體語言所傳達的症狀資訊也非常重要，往往無法僅用幾個字詞就能完整捕捉。

電腦與科技也可以協助醫師及病人取得第二意見，提高達成正確診斷的可能性；根據梅約診所（Mayo Clinic）一項針對近三百名轉診病人的研究，第二診斷意見與轉診醫師的診斷僅在 12% 的病人中達成一致。希望提高診斷準確性的醫師目前也可以透過群眾外包（Crowdsource）方式向同儕收集資料並尋求診斷協助，這不完全是系統二思維，但能善用多位專家的反思性輸入和經驗。近年來，醫師專用的多款智慧型手機 App 如 Figure One、HealthTap 和 DocCHIRP 相繼問世；以 Figure One 為例，它讓醫師能分享醫療影像以快速獲得同儕的診斷意見。Dr. Eric 在 Scripps 團隊發表一項醫師群眾外包應用程式 Medscape Consult 的數據研究，在推出兩年內已被來自超過 200 個國家、多專科的 37,000 名醫師使用，回應速度也相當快，使用者的平均年齡超過 60 歲。人類診斷計畫（Human Diagnosis Project，也稱 HumanDx）這個網頁和 App 平台也已被來自 40 個國家的 6,000 多名醫師和實習醫師使用，Shantanu Nundy 醫師曾診治一位三十多歲女性，她的雙手出現僵硬和關節疼痛的症狀，而由於他對類風濕性關節炎的診斷不太確定，便在 HumanDx 上發出「35 歲女性，左右手關節疼痛和僵硬持續六個月，懷疑類風濕性關節炎」的訊息，並上傳了她發炎手部的照片，數小時內多位風濕免疫專科醫師協助確認 RA 的診斷。

另一種改善診斷的群眾外包模式融入公民科學的概念，由 CrowdMed 開發的平台建立了一個有財務誘因的競賽機制，讓醫師和一般民眾共同破解困難的診斷案例，這種納入非臨床人員參與的方式相當創新，該公司創辦人兼執行長 Jared Heyman 告訴 Dr. Eric，非專業參與者的診斷準確率竟高於參與的醫師。若這結果得到驗證，一個可能的解釋是：普通人有更多時間深入研究這些病例，強化了慢速思考和深入研究在解決困難醫學病例的價值。

眾所周知，IBM 是一家宣稱要透過 Watson 超級電腦和人工智慧應用改善醫療診斷和品質的公司，2013 年 IBM 開始與美國知名醫療中心合作，投入數十億美元收購公司，並將病人的各種數據、醫學影像、病歷、生物醫學文獻和帳單記錄輸入 Watson。到 2015 年，IBM 聲稱 Watson 已經消化了 1,500 萬頁醫療資訊內容、超過 200 本醫學教科書和 300 種醫學期刊，每天出版的大量文獻無疑代表了醫學界無法跟上但值得挖掘的知識庫。2016 年，IBM 以 26 億美元收購了 Truven Health Analytics，目的是為了獲取 Truven 擁有的 1 億份病歷資料。

但 IBM Watson 與美國頂尖癌症中心安德森癌症中心（MD Anderson）的合作可說是一場災難，充滿諸多失誤，其中最根本的問題在於 IBM 宣稱能夠消化數百萬頁的醫療資訊，卻忽略了理解和應用這些資訊的複雜性。安德森癌症中心測試 Watson 專案的負責人 Lynda Chin 博士指出：「教機器閱讀醫療記錄比人們想像的要困難得多。」事實證明，讓當時的機器理解非結構化數據、縮寫、簡寫、不同的寫作風格以及人為錯誤並非易事。紀念斯隆凱特琳癌症中心（Memorial Sloan Kettering）的 Mark Kris 博士也參與了 Watson 腫瘤學系統（Watson for Oncology）的早期訓練，他表示醫療文獻中片段化的臨床數據和缺乏足夠證據使這個專案價值大打折扣。最終，MD Anderson 與 Watson 的合作耗資 6200 萬美元後宣告失敗，這個專案一再錯過死線，不斷轉換癌症類型，計劃的試點項目也從未真正啟動。

在尤瓦爾·諾亞·哈拉瑞（Yuval Noah Harari）的《人類大歷史》（Homo Deus）一書中，對 Watson 未來的展望曾非常樂觀：「唉，即使是最勤奮的醫師也無法記住我所有過去的疾病和檢查。同樣地，沒有醫師能夠熟悉每一種疾病和藥物，或閱讀每一篇發表在醫學期刊上的新論文。更何況醫師有時會感到疲倦或飢餓，甚至會生病，這會影響她的判斷力。難怪醫師有時會在診斷上出錯或建議比較沒那麼理想的治療方案。Alas, not even the most diligent doctor can remember all my previous ailments and check-ups. Similarly, no doctor can be familiar with every illness and drug, or read every new article published in every medical journal. To top it all, the doctor is sometimes tired or hungry or perhaps even sick, which affects her judgment. No wonder that doctors sometimes err in their diagnoses or recommend a less-than-optimal treatment.」雖然我們距離 Harari 描述的願景還很遙遠，但我們確實需要機器或 AI 輔助診斷，面對每個病人海量且不斷增長的數據和資訊、浩瀚的醫學文獻，我們必須將診斷從一門藝術提升為數位資料驅動的實證科學。

到目前為止，我們剛剛談到的是病人被下的診斷，而沒有深入探討醫學影像、病理切片、心電圖或語音 / 言語解讀，在這些模式的理解上，AI Model 正在取得實質可見的進展。我們已經看到對中風病人腦部影像判讀的更高準確率，以及影像中的微妙改變作為阿茲海默症（Alzheimer’s Disease）早期預警信號的可靠標記；AI 也已能準確判讀心律異常的心電圖和心臟超音波、診斷皮膚病變和病理切片、眼科疾病的視網膜異常影像。語音處理也在創傷後壓力障礙（Post-Traumatic Stress Disorder）或創傷性腦損傷（Traumatic Brain Injury）的診斷中發揮作用，甚至咳嗽的音頻波形也被用來輔助診斷氣喘、肺結核、肺炎和其他肺部疾病。

FDNA 開發的 Face2Gene 應用程式，能幫助診斷超過 4,000 種遺傳疾病，包含許多目前極難確診的疾病。舉例來說，一個孩子可能有特殊的臉部特徵，這些特徵對於經驗豐富的臨床遺傳學家來說可能是某種罕見綜合症候群的線索，但由於這些疾病非常罕見，即使是專家也可能一生中只見過幾例。Face2Gene 應用程式藉由分析照片，能夠提供可能的診斷建議，幫助醫師確定是否需要進行特定的基因測試。以柯芬-西里斯症候群（Coffin-Siris Syndrome）為例，這款 App 能在幾秒內識別獨特的臉部特徵來協助診斷，而現行的醫療可能需要長達十六年的評估才能得出相同的診斷結果。開發者透過深度學習識別出這種症候群特有的臉部特徵組合，目前已有 60% 的醫學遺傳學家和遺傳諮詢師使用這款 App，且不斷擴充罕病知識資源庫，使其能更準確診斷出越來越多的罕見疾病。

雖然講到這裡彷彿前景一片光明，但我們還在方興未艾的階段；前面談了很多關於人類偏見的問題，但這些偏見作為人類文化的一部分，極有可能被嵌入人工智慧的工具當中。由於醫療領域的 AI 發展遠落後自駕車、人臉識別、寫程式和遊戲產業等其他領域，我們可以從這些領域的經驗中借鏡學習，避免類似的錯誤。醫師和病人都應該了解 AI 幕後的運作原理，而不是盲目接受一個由演算法主導的新醫療時代，如此一來，當我們與「演算法醫生」（Dr. Algorithm）見面時，我們早已做好準備。

— –

📒 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.