對AI產(chǎn)業(yè)來說，數(shù)碼醫(yī)療可以快速發(fā)展

對AI產(chǎn)業(yè)來說，數(shù)碼醫(yī)療可以快速發(fā)展，尤其是醫(yī)療影像的數(shù)碼學(xué)習(xí)以及醫(yī)療影像的分享，計算機斷層、核磁共振、腹部超音波的影像跨院信息分享等。

以心臟超音波(echocardiography)為例，一個典型的研究需要70筆左右從各個視角(viewpoint)拍攝的影片，而且這些影片的拍攝視角往往沒有注記(label)。要做心臟超音波的機器學(xué)習(xí)，大概會做下列幾件事：1.建立自動化計算機視覺流線(automated computer vision pipeline)以自動下載超音波影片及其元數(shù)據(jù)(metadata)。2.以卷積神經(jīng)網(wǎng)絡(luò)(CNN)機器學(xué)習(xí)辨識視角。3.以卷積神經(jīng)網(wǎng)絡(luò)在圖像中識別物件(image segmentation)，譬如左心房。4.心房、心室結(jié)構(gòu)和功能之量化。5.以噴出比(ejection fraction)和全域縱向應(yīng)變(global longitudinal strain)－上一步驟所獲得的量化數(shù)據(jù)－判斷心臟功能。6.建立心臟疾病模型，壁如心肌肥厚或淀粉樣變性(amyloidosis，一種類似阿滋海默氏癥因蛋白質(zhì)錯誤摺疊所形成的心臟疾病)等。

我講的這個例子不是過去既有的知識，而是剛在arXiv上1月公開的文章(https://arxiv.org/abs/1706.07342)，正在送到期刊審核、發(fā)表，這是學(xué)術(shù)研究的前沿，但是也有立即轉(zhuǎn)化成應(yīng)用的潛力。

目前醫(yī)療、AI界也有類似的合作計劃，進展也相若。但是資料流通架構(gòu)，以及從其中累積的大數(shù)據(jù)在AI領(lǐng)域這已經(jīng)成了常識：數(shù)據(jù)的多寡比算法的優(yōu)異與否更重要，而且通常領(lǐng)先者全拿，像Google的查找引擎。以上述研究為例，使用的資料僅是從3個個別資料庫取出的4000筆心臟超音波影片。

針對醫(yī)療行為本身的使用，這個架構(gòu)如果要能夠提供數(shù)碼醫(yī)療機器學(xué)習(xí)使用還需要至少幾方面的基礎(chǔ)建設(shè)：

1. 高性能計算能力(HPC：High Performance Computing)。人工智能所需的GPU及類似芯片，有一部已可穩(wěn)定運行，另外還要涵蓋資安、帶寬等考量，這是人工智能主要計劃之一。

2. 一個類似Google File System或Colossus的系統(tǒng)?，F(xiàn)在各醫(yī)療院所分散式的儲存醫(yī)療資料需要能夠讓AI計算機從遠(yuǎn)程自動、流線式的讀取經(jīng)核可的選定檔案。

3. 醫(yī)療資料的規(guī)格及醫(yī)師的注記。以前述的心臟超音波為例，雖然都是用醫(yī)療數(shù)碼影像傳輸協(xié)定(DICOM；Digital Imaging and Communications in Medicine）在醫(yī)學(xué)影像存檔與通信系統(tǒng)（PACS；Picture Archiving and Communication System）下運行，但是離機器學(xué)習(xí)的方便、有效使用還有相當(dāng)距離。

AI醫(yī)療的開展進一步會回饋到整個醫(yī)療體系，以前述的心臟超音波研究為例，提供遠(yuǎn)距、快速、高質(zhì)量、低費用的醫(yī)療診斷以及疾病預(yù)防！