人工智慧在醫療保健的創新應用
文/臺灣人工智慧實驗室 黃佳欣首席科學家（基因體）
在醫療保健的領域，人工智慧已逐漸從理論研究轉化為實際應用。醫療保健人工智慧已經融合了最先進的技術，如機器學習、自然語言處理和深度學習，進一步勾畫出未來醫療的輪廓。近年的研究和實踐證明，透過對大數據的深度挖掘和模式識別，這些技術不僅能提高診斷的準確性，還能為患者提供更為個性化的治療方案。隨著技術的演進，人工智慧不僅加速了醫學的發展，還為患者和醫生創建了更智慧和高效的醫療環境。例如，利用深度學習分析放射影像或與過去的病例比對，可以為患者提供更精確的診斷；而利用電子健康記錄，將可幫助預測患者預後等任務。這使得醫療保健流程更聰明也更有高效，為患者提供早期警示，實現更有效的預防和治療。讓我們來看看整合人工智慧技術為醫療保健產業帶來的進展。
人工智慧在藥物預測的重大進展
人工智慧透過分析大量的化合物並識別出具有潛在治療效果的化合物，在加快藥物發現過程中發揮著至關重要的作用。透過機器學習演算法，研究人員可以預測這些化合物的成功率，而無需進行費時費力的實驗。這大大縮短了藥物開發的時間，增加了發現各種疾病新療法的機會。
大多數藥物是透過與標的蛋白質上的不同位點結合，然而，過去研發往往受限於解開蛋白質結構需要費相當漫長的時間，而無法快速地預測可用的藥物。而Google DeepMind 在2020年發展出 AlphaFold 演算法，可以準確地預測科學家先前所知甚少的蛋白質結構[1]，並且在2022年發布 AlphaFoldDB，公開超過2億個預測的蛋白質3D結構 [2]，為生醫製藥領域帶來重大的應用。在2023年9月，位於美國猶他州的生技公司宣布，他們根據AlphaFoldDB 提供的15,000 多種人類蛋白質的預測結構 [3]，與360億個藥物進行結合，可增強預測適用的藥物。儘管這些預測結果還需更多臨床實驗的驗證，透過人工智慧的技術大量產生的預測結果，將可以在早期快速篩選潛在藥物，大大縮短研發週期，這對於致力於發現、治療罕見疾病或抗藥性疾病新療法的生醫研究人員來說，是一大福音。
判讀醫學影像的第二雙眼
人工智慧可以快速且準確地檢測出核磁共振成像掃描、X 光和 CT 掃描中的異常情況，從而大大改善醫學影像分析。與傳統的人工方法相比，這項技術能讓放射科醫師更快辨識出可能危及生命的問題。此外，人工智慧演算法可以最大限度地減少人為錯誤的可能性，最終提高診斷的準確性和患者的治療效果。
以跟臺北榮民總醫院與臺灣人工智慧實驗室共同合作開發的腦轉移瘤AI輔助診斷系統（DeepMets）的應用為例，將累積30年由專業放射科專業人員所標註的MRI影像，透過深度學習技術，將專業醫師的判讀經驗轉換成AI模型，並藉由國家級的腦轉移瘤影像資料集來提昇AI模型的通用性與預測準確度。訓練好的AI模型可以協助腦轉移性腫瘤病灶區域做快速地圈選，大幅節省放人工病灶圈選的時間，並提供腫瘤詳細的分析結果，進一步縮短整個診療流程，提高效率，讓醫師能夠把節省的時間用來制定治療方案，也減少患者和家屬的焦慮和等待時間，提供更好的醫療體驗。
從自然語言處理到大語言模型的醫療應用
自然語言處理（Natural language processing, NLP）是人工智慧的一個子領域，它使機器像人類一樣理解自然語言並進行交流。NLP 技術透過理解大量的文字資料紀錄可以衍生出各種應用，包括自動分析、問題解答、文字分類、命名實體識別、情感分析等。
從生物醫學文獻和疾病病例等文本資源提取重要資訊，都需要應用 NLP 技術。美國國家衛生研究院長期投入資源應用先進的 NLP 演算法進行文本探勘，利用實體識別（entity recognition），讓醫學臨床症狀、基因、藥物等各類別專有名詞能夠有條理地被彙整在資料庫中，使海量的文章都能夠在 PubMed 等平台上輕鬆被搜尋。除了方便地查詢醫學文獻之外，探勘生物醫學上的特定名詞在語句的關聯性，對於生醫專業人員來是另一項重要的需求。因此，臺灣人工智慧實驗室與臺灣大學的學研團隊共同開發 pubmedKB平台，幫助生醫論文的理解 [4]，並透過 NLP 技術可以找到文獻中的語句包含基因跟疾病症狀等是否有語意上的關聯，使生醫研究人員能夠更精準地找到相關的文獻，應用在臨床與治療的規劃。
此外，由 OpenAI 開發的 ChatGPT 成為今年最受關注的一項改變醫療未來的革命性工具。超越其對話功能，這個大型語言模型（Large language model, LLM）重新定義了機器與醫療的互動方式，例如：透過迅速提供重要數據來加強臨床決策、協助醫學研究瀏覽大量的文獻，以及提高病人互動，為醫療專業人員引入創新的培訓方法，並通過作為病人和醫生之間的關鍵橋樑來加強遠程健康體驗。
醫療診斷與健康保健的新願景
先進人工智慧的技術有潛力為臨床醫生帶來創新的數據洞察，從而顛覆傳統的診斷和治療方式。透過深度分析大量患者數據資料，機器學習可以找出專家可能遺漏的特定模式和關聯性。這有助於實現更精準且即時的診斷，並根據每位患者量身制定個人化的治療方案。此外，人工智慧還能即時評估治療效果並提出優化建議，從而改善治療效果和降低醫療成本。
與此呼應的，採用人工智慧還可以自動化執行瑣碎的行政任務來提高效率，讓醫療專業家有更多時間專注於病患照護。整合人工智慧於醫療服務中，不僅可以優化預約流程、提供遠程健康監控，還能依據患者的醫療紀錄提供個性化的治療建議，進一步提升患者滿意度。最後，聊天機器人的應用也愈來愈普遍，它們能夠回應日常的醫療查詢，並提供患者何時應該尋求進一步的專業治療建議，有助於減少不必要的壓力，並為患者和醫護人員節省寶貴的時間。
參考文獻：
[1] Jumper J, Evans R, Pritzel A, Green T, Figurnov M, Ronneberger O, Tunyasuvunakool K, Bates R, Žídek A, Potapenko A, Bridgland A, Meyer C, Kohl SAA, Ballard AJ, Cowie A, Romera-Paredes B, Nikolov S, Jain R, Adler J, Back T, Petersen S, Reiman D, Clancy E, Zielinski M, Steinegger M, Pacholska M, Berghammer T, Bodenstein S, Silver D, Vinyals O, Senior AW, Kavukcuoglu K, Kohli P, Hassabis D. Highly accurate protein structure prediction with AlphaFold. Nature. 2021 Aug;596(7873):583-589. doi: 10.1038/s41586-021-03819-2. Epub 2021 Jul 15. PMID: 34265844; PMCID: PMC8371605.
[2] Varadi M, Anyango S, Deshpande M, Nair S, Natassia C, Yordanova G, Yuan D, Stroe O, Wood G, Laydon A, Žídek A, Green T, Tunyasuvunakool K, Petersen S, Jumper J, Clancy E, Green R, Vora A, Lutfi M, Figurnov M, Cowie A, Hobbs N, Kohli P, Kleywegt G, Birney E, Hassabis D, Velankar S. AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models. Nucleic Acids Res. 2022 Jan 7;50(D1):D439-D444. doi: 10.1093/nar/gkab1061. PMID: 34791371; PMCID: PMC8728224.
[4] Li PH, Chen TF, Yu JY, Shih SH, Su CH, Lin YH, Tsai HK, Juan HF, Chen CY, Huang JH. pubmedKB: an interactive web server for exploring biomedical entity relations in the biomedical literature. Nucleic Acids Res. 2022 Jul 5;50(W1):W616-W622. doi: 10.1093/nar/gkac310. PMID: 35536289; PMCID: PMC9252824.
分享到:
