医疗信息分享系统与人工智能医疗

健保署于1月18日举办记者会，发布健保署医疗信息上传云端与调阅分享1月正式上线服务的新闻，其中特别强调的是医疗影像的分享，电脑断层、核磁共振、腹部超声波的影像跨院信息分享已在去年开始试办，这个架构领先全球。大部份报导的新闻重点聚焦在民众的便利与每年20亿的健保经费撙节，但这是划错重点。

健保署这一步虽然是为其辖下业务所开展的一步，但是对AI产业来说，这使台湾的数码医疗可以依附在台湾领先的健保体系下快速发展，尤其是医疗影像的数码学习。

以心脏超声波(echocardiography)为例，一个典型的研究需要70笔左右从各个视角(viewpoint)拍摄的影片，而且这些影片的拍摄视角往往没有注记(label)。要做心脏超声波的机器学习，大概会做下列几件事：1.建立自动化电脑视觉流线(automated computer vision pipeline)以自动下载超声波影片及其元数据(metadata)。2.以卷积神经网络(CNN)机器学习识别视角。3.以卷积神经网络在图像中识别物件(image segmentation)，譬如左心房。4.心房、心室结构和功能之量化。5.以喷出比(ejection fraction)和全域纵向应变(global longitudinal strain)－上一步骤所获得的量化数据－判断心脏功能。6.建立心脏疾病模型，壁如心肌肥厚或淀粉样变性(amyloidosis，一种类似阿滋海默氏症因蛋白质错误摺叠所形成的心脏疾病)等。

我讲的这个例子不是过去既有的知识，而是刚在arXiv上1月公开的文章(https://arxiv.org/abs/1706.07342)，正在送到期刊审核、发表，这是学术研究的前沿，但是也有立即转化成应用的潜力。

台湾目前医疗、AI界也有类似的合作计划，进展也相若。但是台湾在此领域享有一个优势，其它国家短期内无法企及－健保体系支撑的数据流通架构，以及从其中累积的大数据。在AI领域这已经成了常识：数据的多寡比演算法的优异与否更重要，而且通常领先者全拿，像Google的查找引擎。以上述研究为例，使用的数据仅是从3个个别数据库取出的4000笔心脏超声波影片。台湾的健保体系绝对可以在每个领域提供压倒性优势的数据！

健保署布建的架构比较针对医疗行为本身的使用，这个架构如果要能够提供数码医疗机器学习使用还需要至少几方面的基础建设：

1. 高性能计算能力(HPC：High Performance Computing)。目前国家高速计算中心正在加装人工智能所需的GPU及类似芯片，有一部已可稳定运作，另外还要涵盖网安、带宽等考量，这是科技部的人工智能主要计划之一。

2. 一个类似Google File System或Colossus的系统。现在各医疗院所分散式的储存医疗数据需要能够让AI计算机从线上自动、流线式的读取经核可的选定档案。

3. 医疗数据的规格及医师的注记。以前述的心脏超声波为例，虽然都是用医疗数码影像传输协定(DICOM；Digital Imaging and Communications in Medicine）在医学影像存档与通信系统（PACS；Picture Archiving and Communication System）下运作，但是离机器学习的方便、有效使用还有相当距离。这一部份可以由各学会商议、统一制定。

好的部会政策通常会产生综效。健保署此一计划同时也为科技部数码医疗计划铺路，台湾的AI产业也因此拥有其它竞争对手难以取得的资源；而AI医疗的开展进一步会回馈到整个医疗体系，以前述的心脏超声波研究为例，提供线上、快速、高质量、低费用的医疗诊断以及疾病预防，这价值不是新闻中区区20亿所能涵盖的！