AI临床决策辅助 不乏挑战、也存在希望

万芳医院医疗信息CEO陈俊佑。

不可否认，AI辅助医学是时下正夯的话题，藉由「AI」和「医学」彼此相加相乘，在对抗COVID-19(新冠肺炎)疫情上展现奇效，有医院因而将疫效率大幅提升5至6倍。然而AI临床决策辅助系统真的如此无懈可击？且看万芳医院医疗信息CEO陈俊佑说分明。

他表，过往医院推动信息化，目的并非服务病人或临床工作者，而是服务会计与管理，若从临床照护观点来看，界面设计并不好，但随着日后逐步改善，使病患与临床工作者的使用体验不断进化。如今大家都在谈临床决策辅助系统，事实上「临床决策辅助系统」(CDSS)早在1950即已现身，只是过去是规则式(Rule-based)，现在则演变为以人工智能为基础(AI-based)。

至于医师为什麽需要机器协助治疗病人？以被喻为「内科圣经」的Harrison而论，从1991年到2018年已历经八次改版，厚度更是大幅增加，单靠人类的认知功能，已难以继续追逐爆炸性成长的知识；换言之数据量愈来愈多，医疗决策的变量愈来愈大，当然需要倚靠机器来辅助。

只不过，CDSS始终并未达到普遍盛行，究其主因大致有五点。第一复杂的系统难以制作，判断逻辑太过简化，未提供个人化之建议；第二对于使用CDSS的过程及造成的预后影响评估不足；第三未与临床流程良好整合，常以中断性警示呈现，造成过多警示与警示疲乏；第四忽略人性，未注意操作人员与系统的互动关系，降低使用意愿；第五难以分享CDSS至不同机构之电子病历系统。

陈俊佑说，综观万芳医院导入CDSS的历程，前后出现好几个显着案例。首先是「酸血症监别诊断」，考量酸血症足以影响病人存活、相当严峻，无奈找出根本原因的过程极为复杂；因此2012年时该院以Rule-based方式开发出适用于此症状的CDSS，旨在侦测并警示酸血症、利用检验数值计算找出背后病因，以及提示缺少的检验项目。后来2015年时该院改采AI结合CDSS，使得进一步检验完成监别诊断的比率，从过去的55%大增至80%，且警示率仅2.99%，不再出现以往过多警示或警示疲乏的现象，所以不少医生对它的接受度颇高。

第二例为「结核病影像诊断」，因影像需要专业且有经验的医师判读，院方希望藉由AI建立协助医师判别结核病的工具，降低对个人经验值的依赖。后来尝试运用ResNet50、ResNet50 V2、ResNeXt50 V2、MobileNet V2等模型，检出率都有近八成水准；一开始模型被用于辅助放射科医生，让医生更易于精确描述X光的样态并做出诊断，但院方考量AI出现在放射科医生看片子前，似乎有影响医生判断之虞，最终决定将此功能置于临床医生端，做为是否验痰的依据。

再来的案例是「Watson癌症治疗决策辅助」，于2017年导入。当初院方认为IBM Watson每三个月更新最新知识，加上操作简单，故医生只要输入病况，即可望获得良好的治疗建议。

Watson主要功能其实是自然语言处理(NLP)，医院只是让它阅读网络上大量文献，并进行判读，呈现各配方之存活率及副作用比率，再提供给医生评估；问题来了，即使医生一旦使用Watson，通常可在15分钟内获得治疗建议，但高达80%医生认为这些建议本来就与自己的想法相同，如今藉由Watson不过是增加信心而已，CP值似乎不高，因此万芳医院在引进2年后停止继续使用。

陈俊佑最后总结，AI结合CDSS，尽管有助解决Rule-based之缺陷，但AI仍有局限性，模型的敏感度与特异性不易拿捏得准，难免影响医生的认同度与实用性，设计上需再斟酌，可说未来还有持续探索与精进的空间。