《AI醫療 DEEP MEDICINE》:深度學習能讓AI診斷出皮膚癌,甚至表現得比皮膚專科醫師還要好

《AI醫療 DEEP MEDICINE》:深度學習能讓AI診斷出皮膚癌,甚至表現得比皮膚專科醫師還要好
Photo Credit: Shutterstock / 達志影像

我們想讓你知道的是

有了AI協助,醫生與病人不僅能有更多時間相處,能促成更深的對話與情誼,醫學界挑選並訓練醫生的方式也能產生改變。

文:Eric Topol

我親身體驗了現代醫學的冷漠

以下是真人真事。我打從青少年時膝蓋就不好,因為我患了罕見的剝離性骨軟骨炎。這種疾病成因至今依舊不明,但其影響困擾了我一輩子──等到我20歲進醫學院時,我兩邊膝蓋都切除過壞死的骨骼和做過修復手術。接下來40年,我的膝蓋痛到迫使我放棄越來越多的運動項目:跑步、打網球、健行和走滑步機。就算直接對膝蓋注射類固醇和關節液,走起路來也痛到像活受罪。

於是,我62歲那年決定加入超過80萬名美國病人的行列,動手術換掉左膝蓋──膝蓋手術是美國骨科手術中最普遍的項目。我的骨科醫生說我是絕佳的手術候選人:夠年輕、不胖又體格健康。他說手術唯一的顯著不利條件是有1%到2%的感染機率,除此以外安全無虞。

但我很快就發現,其實還有另一個風險存在。

手術後第二天,我開始做標準復健──就我所知天底下就只有這一套復健辦法。復健非常激烈,得用力彎曲和伸展膝蓋,免得關節形成疤痕組織。我沒辦法有效收縮膝蓋,只好調高腳踏車健身機的座位,結果就是每次踩輪子的頭幾下會痛不欲生、得用吼的才撐得過去。

那種痛遠遠超出了oxycodone(鴉片類止痛劑)能壓過的程度。一個月後,我的膝蓋就發紫並整個腫起來、完全彎不下去。我痛到每天沒法一次睡超過一個半小時,還常哭個不停。

我回診時,我的骨科醫生看到我這副模樣,居然對我說:「你應該叫你的內科醫生開抗憂鬱藥給你。」

我跟我太太面面相覷,瞪大眼睛不敢置信。畢竟,我看的是骨科醫生,可不是心理醫生呀!

我每回復健後都幾乎走不出診所,也沒辦法開車回家。恐怖的劇痛、腫脹和僵硬持續不斷,我也日益絕望地在尋找解脫之道,試過的辦法包括針灸、雷射針灸、低能量雷射、電流刺激裝置、外用藥物跟各種營養補充品,像是薑黃素和酸櫻桃等等,族繁不及備載。但我心裡也很清楚,這些坊間常見的療法都沒有半點論著證實過其療效。

……原來我罹患了膝蓋纖維化

幸運的是,在我手術後的這兩個月復健期間,我太太也跳下來幫忙,最後找到一本叫《關節纖維化》(Arthrofibrosis)的書。我沒聽過什麼是關節纖維化,但後來發現這正是我所患的病。

我從書上得知,動膝關節置換手術的患者有2%到3%會產生「關節纖維化」併發症──所以這種病算罕見,但感染風險仍然比我的骨科醫生警告我的更高。該書第一頁似乎就完美描述了我的狀況:「關節纖維化是個災難」。更明確來說,膝蓋纖維化是置換膝蓋後的嚴重發炎反應,就像身體抗拒人工關節而產生了很深的疤痕。

手術兩個月後二度回診時,我問我的骨科醫師,我是否得了關節纖維化。他這才說毫無疑問有,但也表示他在手術後頭一年是無能為力的。他必須先等發炎「消掉」才能開刀移除結疤組織。

一想到得再忍受現狀一整年,還得再動一次手術,我就幾乎崩潰!

幸好後來我得救了

還好在一位朋友推薦下,我去看了另一名物理治療師。這位女物理治療師40年來看多了剝離性骨軟骨炎患者,很清楚例行復健對我這種病患而言只是場災難。

她沒要求那種強烈、強迫性的標準復健,因為膝蓋的劇烈收縮與伸展反而會刺激更多疤痕生成。她改採溫和途徑,要我停止所有重訓跟運動,並使用消炎藥物。她親手寫下一頁指示,每隔兩天也會傳簡訊給我,問「我們的膝蓋」表現得如何?

我得救了,很快就踏上康復之路。只是多年過後,我仍然得天天穿護膝來應付康復不全的膝蓋。這麼多折騰本來是可以避免的!

我們將在這本書看到,換作人工智慧(artificial intelligence,AI)就有辦法預測我手術後會產生併發症。若有經驗的物理治療師們──比如我最後找到的那位女治療師──能將資訊分享出來,AI只要完整分析這些醫療文獻,就會曉得我需要的是特殊、針對個人量身打造的復健。

這不只能讓骨科醫師更了解病患面對的風險,其他領域的醫生也能受惠。要是我的智慧型手機或臥室裝有虛擬醫療助理,它就能警告我標準復健很可能會引發關節纖維化,甚至能告訴我該去哪邊尋求溫和復健,避開這種可怕的下場。


在醫學上運用AI,不只是未來的願景而已:有人已經真的在用AI拯救性命。我的摯友Stephen Kingsmore醫師是醫學遺傳學家,在聖地牙哥的Rady兒童醫院主持一項前瞻計畫,最近就靠AI救了一名罹患罕見疾病的嬰兒。

這位喝母乳的健康新生兒在出生第三天後回家,第八天就被母親帶去Rady醫院的急診室。嬰兒不斷癲癇,即所謂的癲癇重積狀態(status epilepticus)。醫生找不到感染跡象,大腦斷層掃描結果也很正常,腦波圖卻顯示出持續癲癇不止的電子訊號。

各種強效藥物都沒法減緩癲癇,事實上還讓狀況惡化。醫生判斷此病的預後(對疾病未來發展的預測)──不管是對嬰兒的腦部損害或死亡的可能性──都很不樂觀。

接著,嬰兒的血液樣本被送到Rady基因組學院,做快速全基因組定序。Kingsmore和他的團隊僅用19.5小時就對這份樣本做完基因組完整定序及解讀,破了金氏世界紀錄。

AI的分析威力

基因組序列包含125 GB的資料,當中顯示這名嬰兒的基因組與大多數人的基因組有近500萬處差異。Rady醫院使用稱為「自然語言處理」(Natural Language Processing,簡稱NLP)的AI技術,只花20秒就讀完男嬰的電子醫療檔案,找出88個表現型(生物受基因影響的特有外觀),幾乎比醫生用問題列表做出結論的速度快上20倍。

接著,機器學習(machine learning)演算法很快檢視過那近500萬個突變基因,從中篩選出大約70萬個罕見突變基因。AI透過既有文獻得知,當中的962個罕見突變基因會引發疾病。

AI系統結合這些資訊和男嬰的表現型資料,鎖定一個叫ALDH7A1的基因最有可能是癲癇病因。這種基因突變極為罕見,只發生在不到0.01%的人身上,會導致新陳代謝缺陷並引發癲癇。幸好,只要拿維他命B6和精胺酸當飲食補充品,並限制第二種胺基酸(離胺酸)的服用量,就能壓制病情。

男嬰的飲食做出這些調整後,癲癇突然停了,36小時後就出院回家了!這名男嬰在後續追蹤中也完全健康,毫無腦部受損或發展遲緩的跡象。

男嬰的性命之所以能得救,關鍵就在於成功找出病因。現今很少醫院會對新生嬰兒做基因組定序,並動用AI把病患的一切背景資料跟他們的基因組整合起來。經驗豐富的醫生說不定到頭來也能找到正確的治療方式,但機器在這方面做得比人類更快更好。所以,即使現在AI醫療尚未普及,只要讓人類跟AI在才智與速度上聯手,就能創造出醫學上的勝利。

機器學習的類型

AI分析資料的方法──也就是機器學習──分成許多子類型。傳統來說,當中有邏輯斯迴歸(logistic regression)、貝氏網路(Bayesian network)、隨機森林(Random Forest)、支持向量機(support vector machines)、專家系統(expert systems)等等。

舉例來說,貝氏網路是個能算出機率的模型:假如我知道某位病人有哪些症狀,這模型就能丟出一系列可能的診斷結果,每個結果各自有其發生的機率。

我們在1990年代做分類和迴歸樹、好讓我們收集的資料能在不帶人類偏見下自行分析和做決策時,我們沒有用「機器學習」這麼炫的詞。近年來這類技術突飛猛進,擴展到深度網路模型,比如深度學習(deep learning)和強化式學習(reinforcement learning)──我們會在第4章更深入介紹。

AI研究的爆炸性成長

2012年,多倫多大學發表了一篇關於影像辨識的新論文,使深度學習的AI領域一飛衝天──這篇論文如今也成了經典之作。

新的深度學習AI演算法和論文如雨後春筍般增加(圖1.1),而透過龐大資料集做機器辨識的技術也呈指數般成長。此外,每天用於訓練AI的運算量(以每秒千兆次浮點運算速度petaflop/s跑一天的運算次數)成長了30萬倍,這全都反映了2012年以來的改變(圖1.2)。

1
Photo Credit:旗標科技股份有限公司
圖 1.1:自 2012年那篇影像辨識論文發表以來,深度學習AI演算法的成長狀況。來源:圖 1-1 A 取自 "To Understand Digital Advertising,Study Its Algorithms",A. Mislove Economist(2018): www.economist.com/science-and-technology/2018/03/22/to-understand-digital-advertising-study-its-algorithms。圖 1-1 B 取自 "Should Artificial Intelligence Copy the Human Brain?" C. Mims,Wall Street Journal(2018):www.wsj.com/articles/should-artificial-intelligence-copy-the-human-brain-1533355265?mod=searchresults&page=1&pos=1。
2
Photo Credit:旗標科技股份有限公司
圖 1.2:最新的AI學習運算量已經成長了 30 萬倍。來源:"AIand Compute",D. Hernandez and D. Amodei,OpenAI(2018):https://blog.openai.com/ai-and-compute

模式辨認的醫療潛力

過去幾年來,有些AI研究參考的對象都是深度學習論文,而且還是刊登在頂尖、有同行審查的醫學期刊。深度學習的能耐令醫學界許多人深感訝異。AI已有本事診斷出皮膚癌,其表現跟皮膚專科醫師一樣好、甚至有過之。

AI能像心臟科醫生辨認出特定的心律不整,解讀X光片或病理切片的能力不輸資深、高素質的放射科醫師或病理學家,診斷各種眼疾的能力也與眼科醫師平起平坐。甚至,AI預測自殺的成功率更超越了心理健康專家!

這當中牽涉到的技術都是模式辨認(pattern recognition),也就是機器靠著成千上萬(很快便增長到數百萬)個範例來學習。這類系統越來越強大,以文字、語言和影像為基礎的資料學習,其錯誤率已降到5%以下,低於人類門檻(圖 1.3)。

機器學習當然有某種極限,但它們還沒走到那個地步,而且機器不像人類會累、不爽、情緒化、睡眠不足或者分心,它們可以不放假和全天候工作,當然也不會抱怨(雖然人和機器都會生病)。

3
Photo Credit:旗標科技股份有限公司
圖 1.3:機器AI在辨識影像(1.3 A)與詞語(1.3 B)的準確性增加了,如今兩者處理附有分類標籤(label)的資料集的表現都超越人類。來源:圖 1.3 A 取自 "Efficient Processing of Deep Neural Networks: A Tutorial and Survey"),V. Sze et al.,Proceedings of the IEEE(2017): 105(12): 2295–2329。圖 1.3 B 取自 "Performance Trends inAI," Word Press Blog(2018): https ://srconstantin.wordpress.com/2017/01/28/performance-trends-in-ai/。

可想而知,人們會開始納悶,醫生將來的角色會如何改變?AI對看診又會帶來何種非預期的衝擊。我不相信深度學習AI能治好現代醫療的一切弊病,但表1.1讓我們看到,人們確實相信AI能套用在很廣泛的領域上,但其效果也有一些是被過度渲染的。當然,AI遲早會把我們推向這些目標,但這會是一場永遠不會完賽的馬拉松長跑。

1
Photo Credit:旗標科技股份有限公司
表 1.1:醫療保健體系對AI的古怪期望

現今醫療保健的問題,就在於它已經喪失「關心」(care,字面同「照護」一詞)。一般醫生不夠在乎病患,病人也感覺受到漠視。如同Francis Peabody在1927年寫道:「照顧病人的祕訣就在於關心病人」。AI能提供的最大良機,其實並非減少看診失誤和減輕工作負擔、甚至是治好癌症,而是有機會恢復病人與醫生之間寶貴、歷史悠久的連結與信任──人情味。

有了AI協助,醫生與病人不僅能有更多時間相處,能促成更深的對話與情誼,醫學界挑選並訓練醫生的方式也能產生改變。

書籍介紹

本文摘錄自《AI醫療 DEEP MEDICINE》,旗標科技股份有限公司出版

  • TAAZE網路書店
  • 透過以上連結購書,《關鍵評論網》將由此獲得分潤收益。

作者:Eric Topol
譯者:黃鈺閔、王心薇、涂瑋瑛、李偉誠

許多資訊都隱藏在所謂的正常範圍裡:以一名在過去5年內血紅素從 15.9 g/dl 穩定下降到 13.2 g/dl 的男性病患為例,其血紅素數量變化的起點和終點都落在正常範圍裡,因此這個變化絕對不會被檢驗報告標記出來,但是血紅素減少情形有可能是病患身上某種疾病的早期徵兆,比如隱性出血或癌症。在資料解讀上,AI能掌握更多豐富、細緻且連續的資料及解讀方式。這就是深度學習的重要性!

健康飲食金字塔的唯一標準其實並不符合每個人,AI將能根據你的腸胃道菌種量身打造專屬個人的飲食建議!癌症資訊最近還擴展到了活癌細胞分析,用微流控技術(microfluidics)從乳癌或攝護腺癌病患身上分離出活的癌細胞,接著用AI機器視覺進行評估,以預測術後風險,不同於以往的癌症檢驗依賴固定在福馬林中的死亡組織塊。

戴上智慧手錶,免抽血就能偵測血鉀濃度的變化,避免因心律不整而猝死!AI能偵測出人類所感覺不到的細微變化,只要貼上類似OK繃的裝置,就可以偵測出「無症狀」心房震顫的病人,預防可能引發的中風!

美國著名心臟科權威醫師Eric Topol以自身就醫的經歷揭開序幕,帶我們一窺原來「即使身為醫師也未必能得到最佳的醫療診治!」直擊醫療現場的真實缺口,揭露出為何醫療場域迫切需要導入AI?AI醫療並非未來式,而是現在進行式!AI更不是冷冰冰的機器,而是重塑醫病關係的新契機!

F0324_UDN
Photo Credit:旗標科技股份有限公司

責任編輯:朱家儀
核稿編輯:翁世航


Tags: