這項實驗(2015一群先驅科學家針對乳癌診斷準確性-綜合個別受試者的圈選結果，就單一影像提供整體的評估，準確率衝高到99%) 確實證明了一個重點：

• 辨認出隱藏在細胞叢集中的模式，並非人類獨有的技能?
• 因此，當鴿子能辦到，為什麼演算法不行?

這項研究真正異乎尋常之處，並不在於受試者的技巧，而是受試者的身分。

這些有膽量的救命者不是腫瘤學家，不是病理學家，不是護理師，連醫科學生都不是。

牠們是：鴿子

◎聲明法遵及注意事項：

P4HealthCare、I am OK、Zero AI、OSTAR等衛教知識皆限專業醫療職護人員內訓使用，且內容為醫院臨床實驗結果，雜訊無法絕對表示疾病的嚴重程度，須經由心臟專科醫師進一步檢查或診斷。

美國食品藥物管理局(FDA)批准醫療人工智能(AI)運算軟體OsteoDetect上市：該軟體可對腕關節的X光片進行分析，讓醫療人員更迅速地判定骨折位置

對X光影像造影進行遠端檢測，FDA力推AI醫療器材提供醫療人員精準輔助

1. 檢視受傷處前，可以先精準確認位置
   • Imagen NY 的OsteoDetect AI 運算軟體
   • 對腕關節X光造影進行分析
   • 並檢測遠端橈骨骨折
   • 讓醫療人員更迅速地判定骨折位置
   • FDA指出：OsteoDetect軟體旨在利用機器學習運算分析腕部造影，進而在檢視腕部前、後位，以及內、外側腕部X光片過程中，確認遠端橈骨骨折區域，該骨折是最常見的關節傷害之一
2. 仍需由醫生判斷，無法取代醫師臨床判斷與診療
   • FDA強調：這是輔助工具，無法取代臨床醫師的X光片檢視或其臨床判斷；其作用僅止於標記影像中的骨折位置，讓醫療人員決定後續措施
   • 2份回溯性研究取得FDA核准：一份是1000張X光片，以評估該影像分析運算在檢測腕骨折之表現，這研究也將其判定骨折位置的精確性與3名手部整形外科醫師的表現進行比較
   • 另一份是由24名醫療人員利用該運算檢視200件相關病例的回溯性研究
   • FDA指出，兩份研究均顯示，該軟體有助於提升醫療人員確認腕骨折的能力，並增加敏感性、明確性、以及陽性預測值與陰性預測值表現
3. 精準輔助治療，AI運算潛力巨大
   • 影像分析已迅速成為AI在醫療方面最具前景的領域之一，可供放射專家、病理學家以及其他醫療人員在腫瘤、糖尿病性視網膜等範圍廣泛的造影研究中，更精準地鑑識主要特徵。
   • FDA醫療器材及輻射安全中心體外診斷暨放射健康部門代理副主任歐克斯(Robert Ochs)表示：「AI運算具有協助醫療人員診斷與治療的巨大潛能」

Source：https://www.accessdata.fda.gov/cdrh_docs/reviews/DEN180005.pdf & 自由時報

醫師善用科技與AI合作，減少誤判的風險，為服務的病患爭取治療時效、提高手術成功率

利用AI技術，開發醫學影像上的腦轉移瘤自動定位系統分析醫學影像，可協助放射腫瘤醫師快速且準確的圈選腫瘤，大幅縮短腦瘤放射手術的前置作業時程。

AI結合放射手術跟傳統比一比，以往醫師定位圈選腫瘤位置最長要好幾個小時，但透過AI定位 (圖下方)卻只要30秒，且圈選準確，可降低腦部其他部位在治療過程接受多餘放射量。

面對較棘手的腦瘤，醫師通常會採取放射手術治療，但術前必須精準定位腫瘤位置，過去主要利用手動圈選。在放射手術治療前，醫師必須檢視電腦斷層、核磁造影影像，勾畫出每一個腦瘤輪廓，以確認放射線要集中的位置，為避免傷害到其他組織，整個過程往往得花費數十分鐘至數小時。

蕭輔仁 (台大醫院外科部主治醫師)表示，腦轉移瘤、腦膜瘤、聽神經瘤是常見腦瘤，若位置深、體積小、數量多，開腦切除風險太大，因此通常會以俗稱「電腦刀 (圖上方)」、非侵入式的放射手術治療，經由大劑量放射線殺死或控制腫瘤。

AI腦瘤自動偵測圈選系統可自動找出腫瘤位置，並快速地在影像上將腫瘤的邊界精準描繪出來，作業時間從原本最高數小時，可降至僅需三十秒，且準確率逾九成，有助於縮短病人等待手術的時間。

許峯銘 (台大醫院腫瘤醫學部主治醫師) 指出，鎖定腦轉移瘤、腦膜瘤、聽神經瘤，利用二○○八年以來累積收治一千兩百例、五百五十例、五百例的資料，作為AI訓練基礎，醫師再檢驗與修正AI模組結果，培訓出快速且準確率可達九成以上的醫師助手。

臺大醫院表示，本次發表的腦瘤自動偵測圈選系統，如同「醫師的第二雙眼及手」，幫助神經外科與放射腫瘤科醫師大幅縮短放射手術的前置設計時程，醫師只需檢驗及修正AI模型的結果，進而能夠投入更多時間與病患討論病情，爭取治療時效與提高手術成功率。

臺大醫院也指出，醫師與AI合作的優勢，在多顆腫瘤或是腫瘤情況較為複雜的情況尤為顯著。由於腦轉移瘤具有多發性的特徵，藉由AI輔助能夠協助醫師在放射手術時更準確地判斷病情，減少誤判的風險，有利於為病患研擬最適當的治療計畫。

Source：https://news.pchome.com.tw 、https://news.ltn.com.tw & http://www.gbimonthly.com/

模式獵手：

• 現代醫學的整個歷史和實務是建立在尋找資料模式?
• 為保健康而戰的基礎：觀察? 實驗? 分析資料?
• Q：自身健康量化? 管理? 預測? 導向的P4 Health Care 呢?

PathAI – Andy Beck, Founder (p.120)

PathAI 創辦人 安迪．貝克 / 哈佛大學病理學家

• PathAI成立於2016年，設計出各種演算法來分類切片檢驗玻片的公司
• Andy 說：「這是一項困難到不可能的任務，如果每一個病理醫師每天非常仔細地看五組玻片，妳/你可以想像他們或許可以臻至完美? 但那不是現實世界?」
• 當樣本片被判定落在哪一種特定類別，大概會對 妳/你的治療方式有重大影響?
• 如之前的乳癌診斷，看你的樣本落在這個排列的何處，你的醫生的建議從乳房切除到完全無需介入都有可能
• 問題是：這些模糊類別的區分會極端複雜? 醫生的建議的見解歧異有多大? (2015年有一項研究顯示這些病理學家最後只對48%的切片有相同的診斷)
• 一旦落到一半一半的地步，乾脆拋銅板來做診斷算了?
• 當賭注這麼高，準確性至關緊要了。所以，演算法能做得更好嗎?

• 竅門在於擺脫規則型典範，採用一種稱為「類神經網路」(neural network)的東西

1. 類神經網路比人腦簡單得多也有秩序得多的版本
2. 其(人工)神經元採分層結構，每一層的所有神經元聽取前一層的所有神經元
3. 神經元的升級程序是所謂的「反向傳播演算法」(backpropagation algorithm) 透過類神經網路反向傳播誤差的過程
4. 類神經網路驚人之處，在其操作者通常不了解演算法是如何，或為何，得出這些結論

• 可以把類神經網路想像成巨大的數學結構，其特徵是有很多很多的旋鈕和撥盤
• 這是另一種「機器學習演算法」，演算法超越了操作者安排它去做的，並從所得到的影像中自我學習
• 正是這種學習能力，賦予演算法「人工智慧」
• 而多層式旋鈕和撥盤給該網路一種深度結構，「深度學習」(deep learning)一詞就是這樣來的

2012 年，這個世界終於被迫奮起，把類神經網路認真當一回事。

電腦科學家傑佛瑞．辛頓 (Geoffry Hinton)和他的兩個學生，帶著新類型的類神經網路，加入一場影像辨識競賽。

競賽題目：從其他事物當中辨識出狗。

他們的人工智慧演算法(卷積神經網路, convolutional neural network)徹底擊潰甚至最強的競爭者，開啟了深度學習的大規模復興。

「心臟病」演算法 (I am OK Cloud Service, 由IMA與SSME/OSTAR攜手推動中)

醫學實例：心臟病演算法臨床實測 (發表在美國PLOS | ONE醫學期刊)

目標：分析靈敏度(Sensitivity)、特異度(Specificity)、陽性預測值(PPV)和陰性預測值(NPV)評估臨床療效

我們比較了心臟頻譜血壓監測儀對AF患者的12導程心電圖(金-標準)的診斷效果

• 方法1：分別為97％、97％、97％和97％
• 方法2：分別為90％、100％、100％和91％
• 方法3：分別為100％、94％、94％和100％

IMA 「心臟病演算法」AI大數據自助預防醫學科技雲端服務

IMA 團體會員 友義科技SSME與OSTAR攜手協助企業機構提前預警心肌梗塞、中風，打造幸福友善職場。

台大、榮總、慈濟、北醫、北市立聯合醫院八大院區、中科院石園聯合診所、羅東聖母、敏盛、成大、義大等全國超過百家醫療體系採用之醫療等級品質。通過美國軍規MIL-STD-810G雨淋、摔落測試，並獲日本金賞獎、衛福部金質獎、經濟部創新獎、台灣優良設計獎及中國CFDA、美國FDA、台灣TFDA、歐盟CE認證。

服務對象有：警政署、宏碁、台灣茂矽、英業達、凌群電腦、資策會、遠東航空、達欣工程、首都客運、豪泰客運、中興客運、新北市榮民服務處等。「保3對策」守護心臟健康。 服務專線 / 0932004986

我們之前在<司法>一章中已經談過靈敏度和特異度的原理，這兩個是偽陰性和偽陽性的近親(或是黑武士和天行者路克---你要問我的話，科學文獻就應該這樣提)。以我們此處正在討論的脈絡，偽陽性發生於健康婦女被告知她有乳癌，而偽陰性則是有腫瘤的婦女得到一切沒事的報告。

特異度高的測試幾乎不會產生任何偽陽性，而靈敏度高的測試所產生的偽陰性極少。

分工合作：整合人類與機器的強項 (p. 129)

演算法去做枯燥的苦工，搜尋玻片上數量龐大的資訊、標出一些有趣的關鍵區，接下來由病理學家接手。

機器標示出來的是不是癌細胞並不重要，人類專家可以快速檢查一遍，把正常的都剔除掉。

這種演算法初篩的合作模式不只省下很多時間，也衝高了診斷的整體準確度，達到令人目瞪口呆的百分之99.5。

這一切聽起來雖然很令人讚嘆，但事實是：

人類病理學家一直很擅長診斷侵襲性癌性腫瘤。難診斷的是那些處於中間地帶的模糊病例，那個地帶的癌症與非癌症區分比較微妙。演算法在這上頭也幫得上忙嗎? 答案(大概)是肯定的。

但並非運用病理學家一直再用的複雜分類來診斷，反倒是演算法這麼擅長在細微片段的資料中找出隱藏的異常，或許可以提供一種更好的診斷法，做點人類醫生做不到的。

然而驚人的是，科學家在她們的文章裡發現的線索，預告了遙遠未來會發生在她們身上的事。

研究人員分析文章裡的語言複雜度，發現了修女年輕時有多能言善道與她們老年時失智症機率的關聯。

後來罹患阿茲海默症的修女，有90%在年輕時「語言能力低落」，而年老時仍保有認知能力的修女，只有13%的文章拿到「觀念密度低」的評分。

這項研究突顯的重點之一是，我們關於自己的身體還有多到不可思議的東西要學。

所以到底是怎麼了? 我們有一種沉默的流行病需要照料嗎?

在醫學改革人士、蒙特婁麥基爾大學 (McGill University)外科住院醫師強納森．卡內夫斯基博士 (Dr Jonathan Kanevsky)看來，答案是沒有。至少不是真的有。因為癌症的出現不必然是個問題：

如果某人體內有癌細胞，可能他們的免疫系統會把它認定為突變細胞，直接加以攻擊並殺死~那癌細胞不會長成可怕的東西。

但有時候免疫系統會把事情搞砸，意思是身體支持癌細胞生長、容許它發展。那時，癌症就會致命。

〔註釋24〕：卡內夫斯基之語引自私下通訊內容。

麻煩的是：我們往往沒什麼辦法得知最後哪一種會變成哪一種。

我們之前提過的哈佛大學病理學家、PathAI執行長 貝克，不久前放手讓他的演算法自行處裡取自荷蘭病患的一系列樣本後發現，病患存活性的最佳預測因子並不在癌組織本身，而在鄰近組織的其他異常。

這是一項重大進展~演算法自己推動研究向前發展的具體例證，證明演算法可以發現改進我們預測能力的模式。

這是由Google Brain的團隊，它們打造了一套演算法，對世界上可預防的失明原因中最大的一 項~糖尿病視網膜病變~進行篩檢。這是一種對眼部感光區血管產生影響的疾病。

如果你知道自己有這種病，可以接受注射以挽救你的視力，但要是沒有及早發現，會導致不可逆的失明。

Google團隊的演算法是與來自印度的醫生合作打造，如今對病情的診斷和人類眼科醫生一樣厲害。

和這種情況類似，有些演算法(如：IMA與SSME/OSTAR一起推動的「心臟病演算法 I am OK. ai」)尋找心臟的心血管疾病、肺臟的肺氣腫、大腦的中風和皮膚的黑色素瘤。甚至有些系統在大腸鏡檢查過程中及時診斷出息肉。

2016年，Google DeepMind與倫敦皇家免費國民保健署信託基金 (Royal Free London NHS Foundation Trust)簽署一項合約。

DeepMind獲准取得倫敦市三家醫院的醫療資料，回報條件是一套能協助醫生鑑別急性腎臟損傷的應用軟體。

急性腎臟損傷在英國每個月奪去一千人的生命。再加上腎臟損傷在患有其他疾病的人身上更為常見，一個大範圍的資料庫，將使得人們未來健康的線索與關連性搜尋起來變得容易許多。

該計畫的消息並未令人振奮，反而迎來了怒潮，而最糟糕的是哪一點?

是從未有人徵求過病患本人的同意、從未有人給過他們退出的選項，甚至從未有人告知他們是該研究的一環。

Play A+ | 會讀書? | Hello World

醫療? (p. 115) | Q：納透自身覺察?

隱私問題? (p. 147)

如果你必須在你的醫療紀錄與網路瀏覽紀錄之間，擇一項全世界公布，你比較想選哪一個?

醫療資料中有什麼最令你在意的?

你最在意你的資料會以什麼方式被利用來對付你?

維護醫療紀錄隱私與對演算法開放而得到巨大好處間存在著某種兩難?

你準備好要承受此一風險了嗎?

你對這些演算法及其利益的信任，足以令你犧牲自己的隱私嗎?

或是，如果有一天走到這個地步，你還會不會在乎呢?

我們對個體的自身與整體人類身體的健康有不同的優先順序組合?

如果有辦法打造一部能夠提出治療建議的診斷機器? 這部機器應該為誰服務? 某個個人、或全體人群?

一部為所有人服務的機器決定誰該接受器官移植? 很可能不同於只考慮你一個人的機器?

為國民保健署或保險公司工作的機器，只要有可能，大概都會盡量降低成本?

而設計來服務製藥公司的機器，可能會以推廣使用某種特定藥物而非其他藥物為目標?

醫療保健系統裡的每個人都是為了相同的目標~讓病人康復~在努力?

即使如此，過程中的每一個部門的目標組合都有微妙的差異?