國防醫學院醫學系副教授兼醫學科技教育中心副主任
林嶔
醫療人工智慧時代下對醫學教育的影響
在過去的幾十年中，人工智慧技術已經取得了長足的進展，包括機器學習、深度學習、自然語言處理等等。這些技術可以讓計算機從以前單純地執行指令，轉變為可以自主學習、自主思考和自主決策的智能體。隨著人工智慧技術的進步，我們已經看到了人工智慧在各個領域的應用，包括自動駕駛、人臉識別、語音識別、機器翻譯、智能家居等。目前在醫療領域上人工智慧技術也已經開始廣泛進入臨床並用來處理特定的問題，主要的應用情境都是在疾病診斷及預測上，也就是所謂的電腦輔助診斷工具。
這些電腦輔助診斷工具的演進上，從依靠專家定義基於規則的系統到需要選擇特徵的機器學習，及到近代能夠自動抽取特徵的深度學習，其準確性及實用性不斷提升[1]。目前醫學上常見的各科臨床指引都是一種rule-based系統，因此在電腦上實現自動化依據臨床指引做出疾病判讀的方法都可以歸類為第一代人工智慧，1973年的AISCR-V2 [2]，透過一些規則的設計去輔助病理學家診斷胸部X光影像；而第二代的人工智慧則會選擇先在影像上進行特徵工程，例如Parmar C等人也先將像素灰度值進行運算並闡釋其意義（如影像灰度的變異數代表腫瘤質地不均勻)，再透過機器學習的方式預測肺癌病人的存活情況[3]。然而如同其他領域的問題一樣，能夠預先制定的特徵是有限的，因此近代醫學上的人工智慧都已經開始擁抱深度學習技術進行分析。
以深度學習技術打造的電腦輔助診斷工具帶來許多醫療品質的提升，像是淋巴結轉移檢查[4]、糖尿病視網膜病變檢測[5]、皮膚癌分類[6]等。除此之外，美國FDA所核准的AI軟體也已經從2017年以前的平均一年不到5件，到2020年至2022年平均一年有超過50件的核准，足見目前深度學習領域對醫學領域的影響。隨著深度學習突破性的進展，已在醫學領域造成極大的衝擊，可以預見未來的醫療環境必定受到改變，這包含了各科別的消長以及臨床任務的改變。目前大量、重複的工作已經可以預期被精準的人工智慧取代，但即使人工智慧可以提供精準的診斷輔助，卻無法百分百取代人力，未來醫師需要學習如何與人工智慧進行合作並試著善用新興技術，而過去的醫學教育並沒有相關內容，因此醫學教育應該思考如何帶給醫學生這樣的能力，以因應時代進步所帶來的環境劇變。
在關於如何訓練醫學生與人工智慧合作的問題上，多倫多大學的專家建議從兩個方向著手[7]。首先基礎課程應該教授醫師如何使用、解釋和說明人工智慧，醫學生未必要能完全理解人工智慧模型具體的數學原理、程式設計方法等技術，但可以將其視為一個較為複雜的統計方法，至少有能力去解釋人工智慧模型產出的報表並對於其的應用方式有相當程度的了解；另外應該安排課外活動計畫培養醫學生在人工智慧領域的領導能力，目前人工智慧的開發皆需要跨領域的合作，以麻省理工學院為例，他們會舉辦一些短期的「數據黑客松」，透過活動讓醫學生有機會接觸工程師並累積合作的能力。這種多學科、整合的方法可以幫助醫師更能勝任人工智慧時代的工作腳色，目前哈佛大學和多倫多大學都實施了這樣的計畫，並提供醫療資訊學相關課程，包含程式設計和臨床數據科學等項目的沉浸式學習。
儘管人工智慧時代中醫學生可能需要學習更多過往較少在醫學院強調的知識（像是數學、程式設計等），但需要強調的一點是傳統的醫學基礎學科對於醫療人工智慧的開發仍然是相當重要的，這是因為資料科學的模型開發仍然很重視領域知識所帶來的好處，一個比較重要的例子是流行病學及研究設計在此之上的重要性。雖然隨著技術突破，醫療人工智慧的研究近年發展相當蓬勃，但也有人開始質疑這些醫療人工智慧的可重複性問題[8]。這個問題是開始有人注意到有相當多的研究準確度差異極大，像是Mayo clinic團隊利用自己院內的建立了一個人工智慧模型能用心電圖診斷COVID-19（AUC = 0.78）[9]，但在一個具有COVID-19病患的心電圖公開資料集中深度學習模型卻能達到幾乎完美的準確度（AUC = 0.99）[10]。類似這樣的數據不一致結果，電腦科學領域的專家建議解決方案是請大家盡可能公開資料以供驗證[8]，但醫學院的專家明顯認為問題的關鍵似乎不在資料是否有公開，以上述的例子來說大家可能會更相信Mayo clinic團隊的研究結果（儘管他們沒有公開自己的資料集），而問題的關鍵可能是出現在研究設計的問題上。傳統醫學研究通常遵循流行病學的指導，在研究設計上可能要考慮到病例與對照組是否具有可比較性，這包含了樣本來源與個人基本資料等，這種干擾因子對醫療人工智慧的影響也已經被專家指出[11]。以剛剛的COVID-19病患的心電圖研究為例，由於心電圖與年齡的關聯性極強，而公開資料集中的病例組與對照組又具有很大的年齡差異，從而造成高估的假相關性。上述這個簡單的例子強調了醫學院傳統基礎學科的重要性，在規劃醫學教育課程時不應該過度刪減基礎學科以增加人工智慧相關課程，醫師在醫學人工智慧開發團隊內的重點角色可能仍然在提供領域知識，大部分的醫學生在人工智慧時代中需要學習的部分可能只是如何與工程師合作，而非取代工程師的工作。
除了領域知識的重要性之外，我們也要了解現代深度學習技術的限制。隨著病歷電子化的發展提供了大量的數據資源，可以讓深度學習模型進行更加全面和精確的學習，深度學習模型需要大量的數據進行訓練，才能夠達到高準確度的預測和分類能力。由於深度學習技術在數據不足時的限制，因此未來人類專家的工作重點則可能轉向在罕見病例的診斷上，以及定義更多亞型讓疾病更進一步細分化。這就強調了未來的醫師其中有一部分的工作將轉換到研究上，透過研究將更多知識產生出來進一步再教給人工智慧，創造人機合作的良性循環。我們可以預期在未來知識會變得普及，未來不會有任何人在特定領域的經驗上有超過人工智慧的經驗，而醫療上也是一樣，人工智慧可以在短時間內學習超過100萬張心電圖並綜整數十個醫師的智慧（標註資料），而人類醫師一輩子也很難學習超過1萬張心電圖，因此自主創新及研究能力也會是未來醫師更加不可或缺的能力。
另外醫學人文的重要性也在人工智慧時代中更加重要。人工智慧技術可以協助醫療從業人員更快速、更精確地進行診斷和治療，但同時也對醫療倫理、病人權益、隱私保護等方面帶來挑戰。因此，醫學人文的角色在於幫助我們更好地理解和應對這些挑戰，保障醫療的公正性、人性化和尊嚴性。醫學人文可以幫助我們更好地理解人工智慧在醫療領域中的局限性和缺陷。由於人工智慧技術是基於大數據訓練而成，因此對於那些資料庫中不存在或缺乏足夠資料的疾病或人群，人工智慧技術可能會出現偏差或失準。此外人工智慧技術也無法取代醫護人員在治療過程中的人性化關懷和關注。醫學人文可以幫助我們更好地應對人工智慧在醫療領域中帶來的道德和法律問題。例如，當人工智慧技術用於疾病診斷時，我們需要思考如何保護病人的隱私權和資訊安全。當人工智慧技術用於醫療決策時，我們需要思考如何平衡技術的效率和醫療的公正性，並避免技術對某些人群產生不公平的影響。最後，醫學人文可以幫助我們更好地關注病人的權益和需求。當人工智慧技術被廣泛應用於醫療領域時，病人的聲音和需求往往容易被忽略。因此，醫學人文的角色在於提醒我們，需要在技術發展的同時，重視病人的權益和需求，並保障病人在醫療過程中的尊嚴性和人性化關懷。
本文提供了在人工智慧時代下醫學教育幾個觀點：醫學生應該要有能力與科技共存，這包含了學習與工程師進行合作，醫學院應該提供支持性的環境讓醫學生能更容易學習跨領域的對話；另外在醫學院的傳統學科上也不能偏廢，並需要比以往更注重醫學生的獨立研究能力。除此之外，醫學人文也可能是科技進步難以取代的關鍵。醫學生也需要試著提升自己的思考層次以避免被精確快速的人工智慧取代，這是下個世代醫療產業必然會經歷的智慧化革命，透過了解科技、掌握科技也能對自己的專業及生涯發展做出更好的規劃。
參考文獻
