圖：shutterstock
口述／孫培然‧彙整／CIO編輯室
人工智慧(Artificial Intelligence, AI)的興起跟物聯網逐漸的成熟，再加上5G傳輸技術的升級，整合成「AIoT智慧化時代」的熱門議題，也顛覆了許多人類的行為，以及傳統的工作流程，更可能又是一波的工業革命的開始，恰巧工業4.0與醫療4.0所談論的重點都是圍繞在物聯網、雲端運算、Big Data 及AI等議題，可見這些議題有多麼重要。
如何將科技與醫療串聯，全面升級為AI醫院，邁向智慧醫療4.0時代來臨了。這次我所要講的AIoT，泛指的是IoT、AI、或者是AI加IoT，甚至AI跟IoT整合的AIoT的現代化應用。首先，讓我們溫故知新一下什麼叫做物聯網(IoT)，還有何謂AI？
物聯網的發展趨勢
IoT (Internet of Things)一般稱為物聯網，但我覺得稱為「萬物聯網」會更為恰當。因為聯網不只是裝置跟裝置、系統和系統的連結，裝置與系統或者跟人之間的聯網，就是以Internet為基礎，透過資料擷取以及通訊能力，連結實體物件與虛擬資料，進行各類控制、偵測、監控、識別及服務應用，我們都可以稱為IoT萬物聯網。
IoT主要是拉近分散式的資料，集中彙整成物與物的數位資訊，聚集形成 Big Data（大數據），以利於未來提供給AI做研究分析，在健康醫療領域具有十分廣闊的市場跟應用前景。例如在醫院有很多的醫療設備、病人、加護病房(ICU)，加上呼吸器、麻醉機、葉克膜、靜脈注射幫浦(IV Pump)等與治療相關的儀器，還有手術房、麻醉室、呼吸照護、血液透析等應用場域，很多儀器都必須要能做到自動聯網，才能讓醫院能夠即時監控病人的病情變化。
除此之外，我們也需要整合全院的各個臨床研究中心的資料，例如神經外科團隊的中風資料庫、外傷團隊建立的外傷資料庫、心內團隊的胸痛資料庫，以及腎臟團隊的腎臟資料庫，這些資料庫本來都是分散於各科，如果各科資料庫能夠加以整合，再進一步把HIS資料庫，甚至健保資料庫、國民健康署的健康資料庫以及更多的健康管理資料，一起匯總到整合資料庫，就可以成為日後做研究分析的 Big Data 資料庫。
Big Data 的萃取，有幾個關鍵的步驟。首先，我們得先將彙集存在的資料做資料清洗(Data Cleansing)，清洗之後再儲存在 Big Data 或者資料倉儲(Data Warehouse)的儲存設備上面，緊接著我們要將資料訓練成相關的資料模型(Data Model)，再透過資料模型去做資料分析，分析完以後再提供給臨床醫護人員做臨床決策(CDSS)參考。
AI的發展歷程
緊接著要談的是，什麼叫AI？什麼叫機器學習(Machine Learning, ML)？與現在所謂的「深度學習」(Deep Learning)，各有什麼差別？在1950年代，資訊科技(IT)的發展就已經開始有AI的概念，當時有非常遠大的理想，希望電腦能像人腦一樣聰明，但因為資料不夠多，主機也不夠強，最後導致無疾而終。
大概過了30年以後，在1995年左右，試著將專業知識告訴電腦讓它學習，就是機器學習的概念，但這時候碰到的問題還是一樣，資料量不夠多以及使用方法也不正確，最終導致的結果還是一樣，第二次的AI機器學習就失敗了，從此以後AI就成為票房毒藥，學者也鮮少再去研究探討AI方面的領域。
一直到了2010年，因為AlphaGo打敗了棋王，也就是蒐集的資料數量終於足夠了，而且又有新的GPU運算能力的出現，導致大家認為AI是可行的方案，也讓AI那時開始爆紅到現在。
AI的革命性算起來可以分成三波，以第一波來講，主要就是試著將人類思考給電腦，也就是在1995年的時候，我們認為要把人類的思考完完全全的告訴電腦，讓電腦來形成AI。在第二波的時候，人類的野心就沒那麼大了，當時的想法是試著把人類的專業知識告訴電腦，所以第二波也可以稱為專家系統(Expert System)，就是要把很多的專家知識變成系統。
也就是說，我們先把資料匯入電腦。再將人類的思考規則或者思考邏輯寫成程式，也就是告訴電腦規則，再由電腦透過資料跟規則產生答案，這就是第一波跟第二波做AI的思考邏輯，我們也稱這兩波的邏輯，叫做 Human Learning，也就是人類的學習。
但是我們都知道，有很多東西你就算會，但你不一定講得出來，比如說我會游泳，但是我不一定會教其他人游泳。因為有很多東西講不出來，就不能告訴電腦，電腦就不能形成知識，這也是第一波和第二波會失敗的原因。
到了第三波，開始使用跟第一、二波不同的方式，我們把資料跟答案都告訴電腦，然後讓電腦自己學習建立模型(Model)，瞭解整個模型的概念以後，再得出應該要有的邏輯。
比如說先給電腦500張蘋果樣子的圖，然後再告訴電腦，這些圖片就是蘋果的樣子，讓電腦自己學習，蘋果應該要有的樣子，讓電腦建立依照什麼規則跟怎樣的特徵資料模型，就是蘋果。叫做 Machine Learning，才是真正的機器學習，也因為這樣子，才讓我們看到第三波AI的曙光。
AI第三波革命的突破
AI第三波的新突破，主要是深度學習，它是機器學習的一個分支，是一種以人工神經網路為架構，對資料進行特徵學習(Feature Learning)的演算法；把資料透過多個處理層(Layer)中的線性或非線性轉換(Linear or Non-Linear Transform)，自動抽取特徵的能力，取代人類專家的特徵工程所花費的時間。帶著強大的自動特徵抽取的能力，因此，深度學習在以往機器學習一直無法突破的應用，得到非常驚人的優異表現，使以往認為電腦無法做到的事，變成了可行。
目前最較具代表性的有卷積神經網絡(Convolutional Neural Network, CNN)，因為網路架構中的卷積層(Convolutional Layer)及池化層(Pooling Layer)強化了模式辨識(Pattern Recognition)及相鄰資料間的關係，使卷積神經網路應用在影像、聲音等訊號類型的資料型態能得到很好的效果，以及遞迴神經網路(Recurrent Neural Networks, RNN)，可以儲存先前的狀態，所以可以處理不同長度的輸入資料，對時間序列(Time Series)、自然語言處理(Nature Language Processing)、語音辨識等應用有非常好的效果。
根據我們的統計調查，目前大概有四種機器學習的方式。第一種叫做監督式學習，第二種叫非監督式學習，第三種是半監督式學習，最後一種就是增強式學習。資料科學家會依照資料內容跟資料類型，實際應用到各個不同的學習類型。
所謂的監督式學習，就是我們先針對資料做好標記(Labeling)，就是前述的第三波模式，告訴電腦資料以及答案。比如說我先給電腦500張蘋果的圖，以及500張橘子的圖，再告訴電腦這500張是蘋果，另外500張是橘子，讓電腦自己去學習蘋果跟橘子應該要有的樣子。此時我再拿新的蘋果照片問電腦，這是蘋果還是橘子時，電腦會以百分比的機率告訴我們，98%是蘋果2%是橘子的概念，目前的機器學習模式，大概有 90% 以上都是屬於監督式學習。
第二種叫非監督式學習，就是不用先將資料標籤化再給電腦，而是讓電腦自己去自動分群分類，也就是讓電腦依據整個資料的分佈狀況，去找出資料的相關性。比如說，我們都知道，在台灣，在中秋節的時候，人們會有習慣烤肉的行為，此時如果讓機器去蒐集賣場的購物資料，就可能會得出買月餅的人也會買烤肉架這樣的觀點。這種「買月餅也會買烤肉架」的相關性，就是將資料分群分類，也就是說，如果你資料量過大，就不需要標記化，而是根據資料的相關特徵去做分群分類。
以前我們在研究資料採礦(Data Mining)時，有個很有名的案例，就是很多人到賣場買尿布的同時，也會買啤酒，到底是什麼原因呢？為什麼買尿布的人也會買啤酒？那是因為這些資料都是來自於美國，可能是很多家庭主婦會叫丈夫到賣場去買尿布，買好尿布以後，丈夫就想說，順便拎個啤酒回家，所以賣場的銷售資料裡面，就會看到很多人在買尿布時也會買啤酒。發現資料會有什麼好處？就是在擺設商品層架的時候，賣場就可以將尿布跟啤酒擺在附近，買尿布的消費者，可能在看到啤酒時，就會順便拿走，這就是 Big Data 分析的好處。
再來是半監督學習，就是我們有很多的資料，但是可能沒有能力去做標籤化，那怎麼辦？就可以先把一部分的資料先把它標籤化，標籤化以後，再把這些資料跟剩下的資料去做混合，讓電腦可以根據不同的資料分群分類把它分出來，可以減少標籤化的標記成本。
那什麼叫增強式學習呢？比如說，要訓練機器人投籃，機器人如果投進了，就給他十分，他如果投不進，就給他負八分，這樣機器人就會知道要怎麼調整角度及力道，才可以把球投進去，他就會慢慢自己調整，調整到正確的姿勢，以設法得到最大的利益。現在的無人駕駛，就是類似的概念，先告訴電腦這樣走是正確的，給分數高一點，這樣走會撞到東西，就倒扣的分數，這種就叫增強式學習。
以AIoT為基礎 驅動 HIS 4.0 智慧醫療
最近幾年，AI爆紅，許多醫院及科技大廠也紛紛投入研究醫療領域AI (Medical AI)，試問我們平日使用的HIS系統，所收集的資料真的滿足AI所需要的資料了嗎？足夠正確性嗎？足夠多元化了嗎？是否都結構化了嗎？遇到非結構或不正確的資料怎麼辦？然而需要大大小小的醫院都去研究醫療AI嗎？許多醫院寧可投資人力及資金去研究醫療AI，卻不願意投資改造醫院老舊的HIS系統？看到這種景象真的讓人擔憂。
不管是AI或HIS的本質，就是如何透過IT的輔助，進行全面性作業流程再造。以病人安全為中心來思考，重新檢視及精實臨床作業流程，搭配IoT達到全自動化流程，提升整體效能，透過數位轉型做到全院無紙化及無片化，儀器設備全面連線，透過條碼全自動化掃碼做到「閉環管理」(Closed Loop Management)，讓病人醫療照護更安全，提升效率，減少錯誤率，在醫療過程中，可以適時地提供AI來支援醫師做臨床決策支援(CDSS)，並且善用行動裝置、事件驅動、條碼化、IoT、AI及AIoT，再加上5G傳輸技術，做到全面性的智慧流程整合最佳化。
綜觀，工業革命2.0時代的電力，有很多人去研究如何發電嗎？還是去思考如何利用電力來改變人類日常生活模式與工作流程。目前醫療AI要如何順利落地於臨床上也面臨到挑戰，因此，我們應該要思考如何HIS優化再造，以AIoT為基礎，驅動 HIS 4.0 智慧醫療，將AIoT內化到HIS系統，以融入醫院臨床作業流程中，並且能夠適時地回饋給AI系統；另外，在驅動 HIS 4.0 智慧醫療的過程中，應該重新檢視AI所需資料所面臨的問題，徹底改善之，例如：確保資料正確性做防呆機制、資料不夠多元化新增所需欄位、資料輸入盡量以結構化、相關檢查報告可以做到即時標記功能。最後，要做到精實醫療流程，藉由AIoT的IT輔助，循序漸進地解決臨床所遇到的問題，踏踏實實做到「強化人的能力、提升人的效率、輔助防止人為錯誤」的AI。
