北榮AI火力全開 力推智慧醫療
在 2021 年啟用醫療人工智慧發展中心之外，臺北榮民總醫院也透過三階段推動醫療人工智慧的研發與應用，全面邁向智慧醫院。
採訪／施鑫澤‧文／林裕洋‧刊期／2022.5
在全球吹起智慧醫療風潮下，臺灣醫療產業推動相關專案速度比過去更快，在此領域擁有相當不錯成績的臺北榮民總醫院，過去幾年已投資上千萬經費建置 GPU 算力以支援院內的基本需要，只是最終仍不足以跟上現今發展智慧醫療的需求。為此，2021 年該院正式啟用醫療人工智慧發展中心，全面推動醫療人工智慧的研發與應用，除可強化各醫療部科在 AI 上的研發與應用，亦可擴大與中榮、高榮以及陽明交大等學術界和產業界攜手合作的量能，以及多年累積下來的優質大數據，結合最新的 AI 技術與資通訊科技，以全面提升醫療照護品質。
[ 2022年度CIO大調查報告下載 ]
不光如此，在高速運算資源上，臺北榮民總醫院將持續爭取院外大型研究計畫，並利用國家高速網路與計算中心（簡稱國網中心）的巨量運算資源，在兼顧病人隱私與自主權的前提下，搭配專業級的去識別化和資安管控，為各種專案提供巨量高速運算的大引擎。
臺北榮民總醫院資訊室主任郭振宗說，過去我們推動 AI 相關專案時，主要是仰賴智慧醫療委員會整合內部相關資源，以便能承接科技部的計劃或與業界共同推動產學計劃。雖然各項 AI 專案研究成效相當不錯，但每當計劃結束之後，就可能受限沒有資源繼續投入，導致無法將研發成果推展到臨床的應用。因此，副院長高壽延決定成立醫療人工智慧發展中心，期盼能以此為基礎發展更多面向的服務，共同推動院內相關 AI 專案在臨床上的落地應用。
推出AI輔助門診 展現專案效益
為提供民眾更好醫療品質、滿足各種智慧專案需求下，2016 年臺北榮民總醫院啟動「新世代 HIS 專案」，將過去大型主機轉移到開放系統架構，並於 2020 年正式而完成，最終完成將 56 項應用系統專案轉成 WEB 系統。根據資訊室統計資料顯示，專案期間共相關改寫批次程式及核心 Stored Procedure 系統程式項目高達數千支、相關資料表單 1848 個，並於 2021 年進行大型主機資料庫內容轉移到開放系統資料庫中，最終順利在 2021 年底關閉大型主機。至於委託北榮經營的關渡醫院，目前正與華碩集團下之台智雲合作採用混合雲技術建立新一代 HIS 平台，打造以關渡醫院為中心，服務關渡地區一帶約 5 萬人的社區照護模式，預計 2024 年完成全院系統更新。
隨著新世代 HIS 專案系統告一段落，臺北榮民總醫院也將重心放在發展 AI 智慧醫療上，期盼藉由醫療人工智慧發展中心集結全院量能，協助各臨床領域發展前瞻性之應用，從發想、探勘到訂定計畫，從資料的彙整、AI 模型的訓練到臨床應用的落地，都提供良好的輔助流程。以促進 AI 智慧醫療在各醫療場域的應用，讓民眾在未來享有更前瞻、更高品質的醫療服務。
郭振宗指出，AI 中心初期將建置三大平台，包括醫研部與資訊室合作之「大數據資料與資訊建構系統平台」、放射線部與病理部組成之「創新 AI 研發平台」，以及各臨床部科組成之「臨床 AI 研發平台」。除此之外，支援各臨床部科需之臨床數據、連續型訊號資料、醫學影像、病理和基因分析等數位新創應用技術，多面向的服務。目前約有 65 項 AI 專案提報到輔導會，且已有多項 AI 應用到門診診療輔助，如 AI 輔助心房顫動門診、AI 輔助腦影像門診、AI 輔助脊椎骨折門診及 AI 輔助青光眼門診。
改善AI專案效益 三階段推動自動化機制
推動 AI 專案多年的臺北榮民總醫院，在推動 AI 技術發展分成三階段，分別是「資料為王」、「AI 自動化與邊緣運算」、「管控與拓展」。在資料為王的第一階段，是整合院內資訊系統與儀器物聯網串流資料，打造 AI 臨床即時預判系統（血液透析風險預測），且展現出相當不錯的成果。
以往病患的洗腎資料只能運用人工抄寫資料，再進行事後的回溯性分析，無法在第一時間掌握病患的狀態。而現今透過與 SAS 合作推出的即時血液透析人工智慧預判系統，可做到毫秒級即時掌握並監測每位病患獨特的因子。根據臺北榮總提供資料顯示，即時血液透析人工智慧預判系統預判透析病患心臟衰竭準確度達 90%，也成功協助降低 80% 乾體重預估誤差率。而即時警示功能，讓第一線護理人員的巡視與紀錄時間，從平均 30 分鐘大幅縮減為 3 分鐘，使其有更多餘力照護病患透析的併發症和及時處置。
[ 加入 CIO Taiwan 官方 LINE 與 Facebook ，與全球CIO同步獲取精華見解 ]
儘管血液透析人工智慧預判系統成效不錯，但是臺北榮民總醫院在第一階段專案過程中，也持續思考如何改善模型開發方式與效率、可解釋性面等問題，因此決定推動第二階段 ─ AI 自動化與邊緣運算。以需要改善模型開發的方式與效率為例，對腎臟科而言，除心臟衰竭、乾體重等議題，也開始要加入肺積水影像辨識的資料，但是 AI 建模時間曠日廢時，資訊室分析人員還得去了解領域知識，也導致整體開發過程變得非常冗長。其次，每個命題都有其專業領域知識，考量資料源或因子各異，若要資訊室分析人員去了解領域知識，不如培養各專科醫生護理人員具備資料科學的能力。然醫護人員的工作也非常繁重，若還得花費時間學習資料科學，同樣也會造成過多負擔與無法發揮核心能力價值的能力，因此需要仰賴 AI 自動化與邊緣運算協助。
郭振宗表示，在 AI 可解釋性部分，AI 專案產出結果後，仍然得仰賴資深醫師臨床經驗的判讀，只是受限於資深醫師的時間有限，難以親自與 IT 部門一起共同開發與訓練 AI 模型，深入了解其後邏輯，以至於醫護難以信賴 AI 產出的數據。為此，我們決定在原本平台上，再強化導入 SAS 自動化機器學習（ AutoML ）的技術。
借重AutoML 縮短資料解讀時間
導入 SAS 具備自動化機器學習能力的 AutoML，可讓 AI 專案從前期的資料處理、建置、部署，到後續模型解釋，都能仰賴 AI 本身做出建議與轉換。如此一來，可讓重複耗時的基礎工程交給 AI 負責，資訊人員或醫護人員只要進行後續驗證與監控，能省下非常可觀的開發時間。此外，藉由 AutoML 技術協助，整個流程的開發軌跡、運算綜合評分後的高風險因子，都可被清楚記錄且視覺化呈現，醫護人員可自行探鑽資料，進行判讀或比對真實性。
第二階段完成之後，根據醫院內部資料科學家回饋的資料，分析人員單次建模時間從過往 3 天減少到 30 分鐘，節省多達 93% 時間。換句話說，分析人員有更多時間與醫生討論，聚焦在接續要測試的情境，或是一同探索資料理解病患狀態等重要任務。以有實作經驗的醫生，過往使用開源軟體的過程常遇到結果不如預期，還要再補值 debug、Troubleshooting 或重新驗證，若專案要取得可信任的結果，以及完成 AI 模型建立，預估要花上一年的時間。但現今改用具有 AutoML 功能的 SAS AI，約在一週可以完成，節省時間非常可觀。
以腎臟科醫師的應用情境為例，即便資深醫師也需要逐項檢查可能導致病患心衰竭的重要成因，包含病患的乾體重值（洗腎後的最適體重）、是否肺積水（判讀 X 光片）、營養素異常（血紅素、白蛋白）等，才能決定後續治療策略，至少花費五分鐘以上。現今透過 AI 解釋報告能產出重要因子排序，醫師只要一秒即可理解導致病患心衰竭的重要成因。
「第二階段我們還加入肺積水 X 光片的影像辨識資料，透過 AI 平台納入各類資料源的運算結果，再回饋到影像上自動標示異常區域，讓醫生快速掌握重要成因、加速分析異常區域。如此一來，醫生可藉由 AI 提供的數據，以更具科學實證評估依據藉由病患討論醫治方式。」郭振宗解釋：「在我們規劃中，未來還會加入邊緣運算裝置，讓 AI 模型在洗腎機的端點，即可做到即時分析、分擔運算，讓中央伺服器能專注於模型訓練中，即可免去不斷擴增硬體的數量，預估可大幅減少 99% 硬體費用。」
放眼未來發展 啟動AI第三階段
隨著 AI 第二階段的成效浮現，臺北榮民總醫院規劃推動第三階段以管控與拓展為主，期盼要做到管控 AI 效能以及拓展應用場域。主因是考慮到多個因素，首先是 AI 模型在開發完成後，往往隨著時間、人體狀態或資料源更多元，導致 AI 模型的準確率下降或偏離原本模型目的，以致無法應用於輔助臨床診斷之中。以此狀況之下，AI 模型需要重新訓練，過往約得花上 3~6 個月時間，如果同時監控 n 個模型，並讓它們都維持在最佳狀態，需付出相當大的時間成本。
郭振宗說，為此我們決定超前部署 AI 模型生命流程的控管、規模化與自動化，藉由不斷重啟訓練、驗證安全性的方式，建構具備彈性的架構，預計讓整個 ModelOps 流程在混合雲環境上運行。如此一來，即可根據需求彈性調整運算資源量，避免旺季不敷使用或淡季閒置浪費的問題，讓 AI 投資花在刀口上。特別，若未來 AI 專案拓展到其他醫療院所時，可享有更敏捷的共享環境。
值得一提，臺北榮民總醫院也正與臺中榮民總醫院攜手合作，共同推動聯邦式學習 DeepSOFA 專案，以便預測 ICU 病人器官衰竭狀況的預警系統，及急性腎損傷的評估（ AKI ）專案。由於此專案需要大量 AIoT 裝置輔助，所以該院也將大量部署更多連網裝置，藉此提高 AI 模型開發的準確度，為病患創造更佳醫療服務品質。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
