Big data、演算法和運算能力驅動人工智慧發展，最初AI發展運作方式是由專家定義知識，機器模擬專家思路解決問題，後續機器學習方法出現、應用新一代的演算法像Deep Learning、搭配高速運算GPU，才能夠達成像Alpha go的AI系統，近幾年AI醫療快速發展，很重要的關鍵就是Big data，醫療數據的整合將產生非常大的力量。

 

 
AI醫療被創投界認為是最有發展前景的領域之一，近兩年在北美就有將近百間的新創公司出現，並且涵蓋多元領域，像是醫療影像、健康風險預測系統等，Ｇoogle的AlphaGo在圍棋比賽勝出之後，就開始和很多醫院合作，例如把它應用在眼底鏡視網膜的病變診斷，而我國的工研院巨量資訊科技中心和交通大學也合作研發視網膜病變自動辨識系統，收集數萬張的影像，藉由Deep Learning Model 達到高辨識準確度；而整合 Medical Images 與 EMR data 更可進一步提升準確度，像這樣的系統就可以推廣應用放在第一線的家醫診所，達到早期診斷早期治療的目標，同時也可以串聯實驗室生理檢測的數據，利用視網膜眼底影像的微血管分析去推估是否有心血管等疾病。

 

除了技術研發之外，以色列的Zebra公司在AI醫療領域創造了新的商業模式，讓使用者藉由上傳醫療影像獲得第二醫囑的服務，Zebra公司不但可以藉由此服務模式收集到全球匿名的大量影像資料，並且使用者還願意付費上傳自己的資料，以獲得分析服務。

 

 
基於AI影像辨識能力大幅提升，近期也已開始應用在遠端醫療和照護服務的協助，如美國Aicure平台利用臉部識別和動作感應技術，透過智慧型手機，對病患自動化觀察其服藥及反應行為，協助醫師決定藥方，實現遠端治療。

 

曾新穆教授團隊的科技部iDeepCare計畫結合深度機器學習和巨量資料分析技術研發智慧型深層健康照護系統，與國內醫療機構和專家合作，收集各種生醫原始資料建立模型，可實際應用於精準醫療、預防保健、個人化醫療、風險預測等，例如iDeepCare計畫和三總合作用大腸內視鏡影像建立開發大腸息肉AI辨識模型，可輔助醫師病辨別息肉的性質，準確率可以達到96%；另外也和北榮合作心律不整預警系統，預測高風險猝死的布魯蓋達氏症候群心電圖表現，一般內科訓練醫師判斷準確率只有47.5%，透過AI機器可達75%。

 

透過技術整合對醫院和健保資料等大型資料庫分析，則能找到各種疾病的早期病灶，並可以挖掘出很多有用或過去未知的標記，有助於醫師早期診斷。

 

 
任何科研都會存在著挑戰，AI醫療最大的挑戰在於資料的品質，如何避免「Garbage in, Garbage out」，以及其他的門檻如跨領域合作、商業模式要如何設計、研究如何趕上市場需求等等，曾新穆教授表示，AI醫療研究可以從現有的data基礎發想，也可以透過跨領域腦力激盪去找到創新想法，目前最矚目的就是即時性動態性分析相關應用，未來人類與AI共同合作，將能夠大幅提升醫療精準率，AI不會取代人類，而是成為人類重要的幫手。