Machine Learning in Medicine｜醫療人工智慧 — 機器學習

一位49歲的患者發現肩膀上出現一塊無痛的皮疹，但沒有看醫生。幾個月後，他太太要求他去就醫，醫生診斷為脂漏性角化症（Seborrheic keratosis）。後來，當他接受大腸鏡篩檢時，一名護理師發現他的肩膀上有一個黑色斑點，建議他接受檢查。一個月後，他去看了一位皮膚科醫生，切片結果為非癌性色素病變。但他的皮膚科醫生仍有點擔心，要求對切片進行第二次檢查，結果診斷為侵犯性黑色素瘤。腫瘤科醫生開始進行全身化療；這名患者的一位醫生朋友詢問他為什麼沒有接受免疫療法？ 無論是由醫學中心裡的重症科還是基層社區服務的家醫科醫師，如果每一個醫療決策，都能立即由相關專家團隊審核，在決策出現問題時提供指導，會是什麼樣的光景？ ☞ 新診斷的、無併發症的高血壓病人將會取得被證明最有效的藥物，而不是開立處方的醫師最熟悉的藥物。 ☞ 偶發性的藥物過量和藥物處方錯誤將可能不復發生。 ☞ 患有罕見和難以診斷疾病的患者，可以被轉診給與疑似診斷相關領域的知名專科醫師。 這樣的健康照護系統看起來難以實現，因為沒有足夠的醫學專家有辦法參與其中；專家們閱讀病史需要花費很長時間，隱私法相關的疑慮可能讓這類系統的發展停滯不前。然而，這正是機器學習在醫學領域的承諾：所有臨床醫師的決策智慧和數十億患者的就醫結果，應該可以被運用在協助每位患者的照護。也就是說，每一項診斷和治療決策應該根據特定病人的所有資訊，從集體智慧中汲取教訓，進行客製化的即時照護。 這樣的框架下，我們瞭解機器學習不僅是一種新工具，例如新藥或醫材；它是一種醫療技術的基礎建設，用於有效處理超過人腦所能理解的資料；越來越多的數據不僅包括龐大的臨床數據庫，還包括個別病人的數據。大約50年前，《NEJM》的一篇專文指出，運算將「輔助、增幅，在某些情況下取代醫師的智慧」。然而，直到2019年初，醫療領域仍鮮有依賴機器學習的情況。 我們想從 Prognosis（預後）、Diagnosis（診斷）、Treatment（治療）、Clinical Workflow（臨床流程）來探討機器學習運用在醫療場域的情況，並反思台灣目前的醫療現場發展 AI 的現狀與未來，最終由 SY 的秘魯小旅行來帶給我們苦悶生活裡清新的氤蘊。 ◐ Here we are. medium.com/mdbros -- Hosting provided by SoundOn