活動筆記速寫
科創講堂-智慧醫療
醫療科技應用與 AI 醫療
【渣筆記】
希望每次參加完活動都可以留下一點記錄給我的金魚腦（跟之前的 AI 主題比起來…醫療科技是我比較陌生的領域，而且這次筆電頻出狀況，很多時候只靠手機紀錄...若有遺漏或錯誤純屬個人缺陷還請見諒～
科創講堂為科學人雜誌於 2018 開始舉辦的系列講座，旨在分享科研最新知識給大眾。活動由科學人雜誌與國立清華大學主辦、科技部指導。
#警告# 此篇文超長！可以直接點目錄連結看有興趣的就好了ＸＤ
文末還有我這次的心得～
（app無法使用目錄連結）
目錄連結：
∎ 主題講堂 I – 醫療先鋒：醫療科技應用與服務
∎ 主題講堂 II – AI 醫療：掀起傳統醫學改革巨浪
講堂 I – 醫療先鋒：醫療科技應用與服務
專題一：從無到有創作一個醫療物聯網
講者：國立陽明大學醫學院副院長/國立陽明大學數位醫學中心主任 — 郭博昭
- HIOT 始祖，十幾年前就開始做智慧醫療。醫學院畢業，自學工程
https://hiot.tmu.edu.tw/ - 陽明醫學院創立背景 — 為解決偏鄉醫療問題（人工的遠距醫療 XD）
- 目前問題是：人口老化、偏鄉老人增加，醫療人力不足
- 工業 4.0 帶來解法，陽明大學數位醫學中心創立
- 自己的感測器自己焊、自己的 app 自己寫、自己的伺服器自己架設
- 雲端生理數據監測
- 雲端睡眠呼吸終止症監測
- 科研只是第一步，重點是新的服務模式，目前醫療產業還是高度人工
- 希望未來照護模式再進化、偏鄉不再邊緣
提問：
Q1：會不會未來科技進步到醫院都不見了？
A1：一切透過網路就診，除三個例外：1. 急救 2. 生小孩 3. 開刀 。醫院就在雲端。
Q2：AI 會取代醫生的角色嗎？
A2：恐怕進十年二十年還不會出現，但 AI 已經可以輔助醫生做決策
Q3：有嘗試過危險工作的工作人員生命質監測嗎？
A3：技術來說不是問題
主持人幫忙回答：101登高比賽中就有配戴感測器給需要的民眾，大型活動都需要
Q4：為何不收集人體的各種生理訊號，並作運算處理後再給醫生？
A4：其實一直都有在運算，靈活搭配。但醫生需要看到原始資料，加工後的資料醫生比較無法信任，因為醫生要負責任。
目前的確有分散式處理這些感測器回傳的資料。
Q5：病患的個人資料隱私問題？
A5：醫療服務是很特殊的醫療關係，醫療的話民眾會比較願意提供資料，但健康管理就不一定。這些資料其實很多東西都可以被算出來，健康產業就比較複雜。
Q6：剛剛說到醫生都比較信任原始資料，那目前的醫療設備是否都只提供原始資料？
A6：的確目前的醫療儀器都是提供原始資料，醫生可以自己判斷要怎麼診治。
專題二：先覺醫療 (Earlier Medicine)
講者：臺北醫學大學醫學科技學院特聘教授暨院長/AIMHI台灣醫療人工智慧創新研究中心發起人 — 李友專
- 台灣醫學資訊之父、也是皮膚科醫師，出書《醫療大未來》、天下雜誌專欄-未來城市。
- 早年使用邏輯訓練 AI ，但很多時候人類的直覺有時候很難用語言表達。近年開始運用機器學習。
- 因為網路跟大數據帶來機器學習復甦。
- 如果 AlphaGo 可以打敗人類…那如果應用在醫療上？
- 只有大數據沒有 AI 這個體制是沒有辦法建立起來的，這些資料(醫療數據)遠超過人類有辦法判讀的數量。
- 政府在醫療預防一年才投資不到兩百億、但急性照護長照醫療都是七千億
- 預防勝於治療，預防才能解決源頭問題
- AI 雖然用在急性醫療很有用，但用在預防上的價值更高一等！
- 以往預防醫療沒有痛點，難以喚起民眾意識，AI 可以增加預防醫療的市場價值
- 有預測才有預防；目前的預防策略都是無差異的普遍性預防，精準度低、消耗預算
- 應該要精準、即時、個人化、有解決方案
- 在台灣從完全失能到死亡七年，在挪威是兩週
- 痣能醫療 — 預測亞洲人長的痣惡化風險 https://www.molemedermai.com.tw/
- 防癌，防什麼癌？知道不同癌症的風險對症下藥，可以從健康存摺裡面的數據來預測
- 《黃帝內經》中提出「上醫治未病，中醫治欲病，下醫治已病」。不做預防醫療，健保也難以救你。我晚上會做的惡夢就是 — 健保沒錢了…
提問：
Q1：這麼多數據該如何選擇權重？
A1：現在 AI 機器學習連權重都不用管，資料餵給他就有答案。這是優點也是缺點-難以解釋，下一波發展趨勢就是「可解釋的 AI」。
Q2：食安問題、壓力環境…都會造成疾病，如何預防教授怎麼看？
A2：身體數據監測。至於食安問題，趨勢是縮短食物到餐桌的距離，減少加工。然後很多營養品都缺乏科學證據，因為沒有人願意投資數據監測。
Q3：剛剛那個痣達人的案例，需要多少材料跟多少時間才能達到 95%準確率？
A3：資料處理其實不用幾個小時，難的是取得有用的資料，大約千筆資料開始有很好的準確度
Q4：醫生會不會被取代？
A4：會先取代醫生在休息的時候、偏遠地區…但是人要相信 AI 到超越醫生的程度恐怕要好一陣子。像是電梯也是花了六七十年才會得取代人類的信任。以前大家都覺得坐電梯一定會摔死…
Q5：遠距醫療的合法性？
A5：以往只有緊急、偏鄉等情況才合法，最近有開放遠距慢性長期照護，但不能開處方籤
Q6：專業醫師與 AI 的準確率？
A6：AI 不會給最終診斷只會給建議，所以還是需要去找醫生才算是正確答案，所以我們目前都是以醫生為 100% 為假設。
專題三：打造你自己的虛擬杯麵！！
講者：臺北醫學大學醫務管理學系教授 — 簡文山
- 守護神？醫療機器人-杯麵
- 2025 年台灣將正式進入老年化社會(超高齡社會)，這距離我們不遠了
- 實體醫療機器人不容易做，但是虛擬的越來越容易！
- 現在是人圍繞電腦工作，未來是雲端電腦與各種設備圍繞人類、網路就相當於神經系統。
- 智慧輔具-醫療床
- 必須要打造自己的醫療大平台，接觸各種技術-NLP.NNA…
- 站在巨人的肩膀上，使用各項已有的技術來輔助開發，代替自己從頭打造。
- 平台系統是未來核心，整合終端 AI ，加上各種硬體支援已逐漸成熟，打造自己的醫療守護神將是未來趨勢。
提問：
Q1：目前討論的 iot 環境都是城市有網路固定地點的，但如果像是在沒有網路的偏鄉呢？
A1:其實現在科技已經可以解決了，網路都快5G了，期待未來各種情境都可以被技術解決。
Q2：剛剛說的那些醫療輔具都是需要許可證的嗎？
A2：要！這個(醫療床)目前算是臨床實驗合作，醫療級設備都需要申請嚴格的許可。
專題四：創新科技輔具
講者：國立陽明大學物理治療暨輔助科技學系副教授 — 游忠煌
- 什麼是輔具？協助功能受限者的裝置 （一般人可能也都可以用）ex:近視眼鏡、免至馬桶、凳子。
- 輔具的設計需考慮「人、情境、活動、方法」。
- 科技輔具？利用科技讓輔具更聰明更方便。
- 如何創新？發現需求、定義問題、創新提案、分析測試
- 輔具設計？「人」就是最好的範本 ex:永遠在身邊…
- 找到關鍵數據，ex:輪型助步車與使用者之前保持的距離就是重要參數
- 雖然輔具一樣，但每個使用者的情況跟使用情境都不一樣
- 高科技輪型助步車，依據各種不同需求情況給出不同解法。ex:使用紅外線發射步行距離提示線可解決帕森金氏症患者的行動遲緩問題
提問：
Q1：你的科技輔具可以去哪買？XD
A1：我常常被問這個問題…目前要通過醫療安全法規是一大障礙
Q2: 有以照護者為對象開發的輔具嗎？
A2: 有針對照顧者需要而開發的輔具，同樣技術可以運用在不同的地方
講堂 II — AI醫療：掀起傳統醫學改革巨浪
專題一：人工智慧取代醫師的時代？
講者：國立陽明大學附設醫院首任院長/國立陽明大學醫務管理所教授 — 唐高駿
- 事情要從 IBM 華生開始說起，人工智慧 - 數據>推理>學習
- 醫療診斷流程太依靠醫生的直覺或是靈光一閃，有時醫生會太過自信
- 人工智慧診斷皮膚癌（影像辨識）
- 醫療診斷不是 100% 準確，疾病和治療效果都有其不確定性
- IBM 華生給每個可能評估信心水準，醫生在臨床診斷上卻沒有，醫師會有一定比例的認知偏誤
- AI 可以輔助醫生下決策、提供即時預警系統，而且電腦不會疲憊，可以提高醫療品質
- 期待未來納入更多變相，提高準確性
- AI 當醫師的缺點，無法判斷人文變數：同理心、信任…
- 醫生的價值：病患的選擇、手術…
- 直覺式的經驗還是有其價值，例如危及時刻、反應速度要快
- 不要小看人腦，我們腦袋裡面有數十億的神經突觸
- AI 加入使得照護模式改變， AI 會變成醫療系統中一個重要的夥伴
提問：
Q1：不用面對病患的醫生或許會被取代？(例如病理科、放射科…)
A1：醫生也會隨著時代進步，不會關在房子裡做事不跟社會接觸
Q2：醫學院是否不應該再招收更多放射科醫生？
A2：需要省思的是醫學教育在 AI 時代應該如何進行
Q3：例如說 SASS 是一個沒有出現過的事件，那 AI 也沒有過去資料，這要怎麼應對？
A3：AI 的演算也會自行嘗試不同的可能性，就可能從根本沒發生過的事情中找到預兆。
Q4：AI 如果判斷錯誤是誰的責任？
A4：AI 只負責給建議，採取建議的還是人。它可以幫助我們的是，提醒我們仍有不同可能性，給我們警惕。最後的最高決定權還是醫病共同決定的。
Q5：臨床診斷是由現在跟過去的病例還有理學檢查來診斷，AI 缺少理學檢查，那為何準確率會超過人類？
A5：AI 的發展隨著感測器的進步而提升，這不是不能做到(理學檢查)，只是目前大多依靠影像資料判斷。
專題二：人工智慧於精準醫療之創新機會與挑戰
講者：國立交通大學數據科學與工程研究所所長 — 曾新穆
- 資料量、演算法、處理能力帶動 AI 發展
- 醫療照護產業成為 AI 熱門投資項目
- 精準醫療近年被大力推動
- AI 幫助視網膜、糖尿病腎臟病變等等
- 集合更多各式穿戴裝置及設備
- 還有對話機器人應用 for 心理疾病診斷及發現
- 科技部這幾年投注相當多心力在發展國內智慧醫療
- 影像辨識技術可以在臨床上幫助醫生，例如大腸內視鏡檢測、中風腦部影像…
- 目前的挑戰：醫療影像有沒有被正確標注、資料的品質、跨領域上的合作、商業模式如何設計、醫療法規、模型訓練的資源、做得好又做的快還要符合產業市場需求。
- 我們現在處在一個令人興奮的時機
- 期待跨領域合作的創新、資料串連、科技持續發展、即時動態分析
- 人類＋AI 共同診斷的準確率比人類或 AI 個別診斷都高
提問：
Q1：在現在這個深度學習的時代，專家系統還有存在的必要性嗎？
A1：訓練資料庫中的案例並不是所有可能性，所以這些專家的經驗還是可以被納入，這就有點像一個小的專家系統。
Q2：？(專業問題，聽不懂
Q3：AI 能否提出解釋為何它會這樣判斷？
A3：是有一些新的技術可以提供線索，未來可以協助醫師診斷
專題三：數位病理：科學家+醫師+AI創意組合新契機
講者：國立清華大學分子與細胞生物研究所教授 — 張大慈
- 科學家與醫師的研究特質：「通幽洞微」，透過微小的線索知道背後的事實。
- 現行病理檢驗其侷限：光學檢查只能做二維檢測，所以說我們只取了不到 3% 的檢體去檢驗，且不同切片方式會影響癌細胞的檢出多寡、如何檢視免疫治療的微環境？
- 新型三維數位病理檢驗的解決方案：立體的病理樣本，處理之後使其變透明、染色，再用螢光顯微鏡檢視。
- 此破壞式的創新的檢驗方法，優勢是可以同時取得多種影像。顛覆以往的工作流程及原理。
- AI 模型可以用於分析三維病理樣本
- 免疫螢光三維影像，可涵蓋多種常用抗體，可補足現有方法的諸多缺點。
提問：
Q1：臨床可以執行了嗎？往後病理師是不是都需要重新學習？
A1：目前還在募資階段。我們會做 friendly 病理師的設計，讓他們學習負擔不會太大，讓它成為病理師的工具。
Q2：現在傳統的方法需要切多少片？
A2：目前一個組織切三片最多了，這個(新的方法)可以看多 40 倍的深度，大約傳統的 200 張片子。
主持人：以前都需要學會看二維的片子來想像三維的情況，現在這個就更符合自然(的思考方式)
A3：也是因為科學的進步，我們現在可以把檢體變透明，才能應用這項技術。
Q4：國外目前有這個技術嗎？
A4：國外並沒有。
主持 A：AI 時代會帶來許多我們工作流程的改變。
專題四：光學導引 AI 硬膜外針之研發與應用
講者：臺北榮總一般麻醉科主任/國立陽明大學醫學院教授 — 丁乾坤
- 新的醫療器材，光學斷層技術(用於麻醉)
- 麻醉醫生：專注於病患的生命安全。危險的處理者，快速反應部隊。（如果 AI 要取代醫生，麻醉科醫生大概是最後一個被取代的 XD）
- 手術的成敗取決於外科醫生；但麻醉醫生的成敗決定病人的生死。
- 麻醉是外科手術發展歷史上的重要因素
- 這是一個還未被滿足得的療需求：以往硬膜外腔麻醉(ex:無痛分娩)靠手感及醫生經驗。(打破外腔造成脊髓液流出可能會有頭痛的後遺症)
- 曾經嘗試過雷射硬膜外針、 AI 應用輔助、針內高頻超音波等等，但是成功率都只到達 95%左右，還不夠好。
- 光學引導式探針系統成為最終解法。再加入 AI 幫助，現在已達 100% 成功率，取得台灣跟美國專利。
- 另外的應用：修補硬膜外腔破洞
- AI 的定位是輔助醫療
提問：
Q1：技術問題…（不是很懂
A1：光學引導是可見光、即時影像
Q2: 你自己會想換成 AI 的新技術來麻醉嗎？
A2：我們現在還卡在法規，要進行人體實驗階段，關於這點我們當然是很有自信的。
Q3：若法規通過會取什麼名字？
A3：我們還沒想～可能要舉個徵名比賽 XD
專題五：醫療資訊管理及巨量健康資料分析應用
講者：國立臺北護理健康大學資訊管理系主任 — 徐建業
- 要達到精準化、個人化，都必須都以數據為中心
- 要點在於數據的「數位化、整合、標轉及交換、智慧化」
- 台灣健保做得很好，資料齊全。而且因為台灣人很愛看病，所以資料量很多（就醫頻率是美國的十倍）
- 醫療資訊的交換及標準化很重要，使不同醫院以及跨領域合作都能運用這些資料。
- 健康存摺的資料讓很多醫療資訊管理的應用化為可能
- 目前要達到預測還非常困難，影響健康的因素非常多。社會、生活、基因都有可能影響。
- 希望未來整合所有資料及 AI 的運算，讓預測變為可能。
提問：
Q1：目前健保資料既然可以看到各種用藥資訊，那能不能也把影像資訊放上去？
A1：健保署其實已經有在著手進行。也可能配合現在很流行的區塊鏈等等，資料也不是應該存在一個固定的什麼地方，可能可以放在雲端或是區塊鏈。也是有很多健康管理中心，未來希望能做到整合跟個人化，讓模型去執行(分析)這個事情。
Q2：教授對於醫療資料的安全性怎麼看？
A2：區塊鏈架構目前是比較可能保障隱私的方式。我們目前是朝這個方向規劃。
Q3：教授怎麼看待醫療資訊的商業價值？還有基因資料庫如果政府拿來運用是否妥當？（像是美國用基因資料庫抓犯人）
A3：如果藥廠想要買(醫療資訊)，這個其實可以做很細，像是要賣給誰、哪個醫生開了什麼藥、病人用藥五年後情況如何…（商業價值）這件事我們都不太敢做，聽起來觀感不是很好。
DNA 這一塊台灣，至少醫療的這一塊我們是比較正向的去使用。而且從資料去看很多資訊都跟我們人的判斷差很多。像是我們可以看很多看起來無關的指標就可以推論很多結果(ex:香港腳跟中風好像有數據上的關聯？)。數據跟實際上的因果可能根本看不出來。
主持人：（我猜想其實可能是去看中風順便拿了香港腳藥膏 ＸＤ）
心得：
依據上次的經驗 ⬇️
這次起了個大早，九點不到就去佔位子。
而且也不敢小看科研人員以為他們是沒有實戰經驗的理論派…
但這次聽到各位醫師教授大大的分享還是覺得膝蓋不夠用 இдஇ
現在的醫生都自學程式、自己焊感測器得醫療發明大獎、自己寫 app 、自己架伺服器、自己串資料嗎？(不怕別人智商高就怕人家智商高還比你努力還比你有行動力… (;´༎ຶД༎ຶ`))
更誇張的是他們還會服務設計、UX 、產品開發、還會市場評估跟產業分析、去美國創業競賽跟募資…還有產品拿到美國與台灣的專利技術…
最後的感想只剩…希望台灣的醫療法規趕緊跟上，讓這麼多優質的台灣之光趕快將發明跟想法投入使用。
雖說當然法規嚴謹有嚴謹的理由，但是時代在變，台灣將邁入超高齡社會、各種長照問題隨之而來、健保隨時在破產的邊緣、還有醫療照護人員血汗工作…希望這些科技智慧的解決方案能改善這些問題，而政府也應該積極介入推動預防醫療的觀念，將國家預算花在刀口上。
感謝台灣還有這麼一批人在為眾人的健康努力！
希望大家都能珍惜台灣如此優質的醫護人員、支持他們有更好的工作與研發環境！
我是科學人雜誌的忠實訂閱戶、也是個喜歡腦科學與 AI 資訊、關心醫療科技產業的設計師，歡迎喜歡這些資訊的朋友一起交流討論：智慧醫療時代來臨，設計師該如何做服務設計呢？ 🤔 要如何考量更多科技與醫病之間的信任關係？
//拍手小實驗（給大家一個按爛的機會ＸＤ）//1~3：朕知道了/已閱/防誤觸(感恩各位大大水水～)
4~6：普普通通/沒有功勞也有苦勞
7 ：森77/是在供三小
8~10：還不錯，但還能更好/有些小錯誤
10~15：很棒！希望看到更多相關主題
50 拍好拍滿：嗚嗚...愛你❤
