AI的發展可以回溯到1960年代，當時叫做Age of Reasoning，主要應用在於如何建立電腦的邏輯推理原則；到了90年代進入Age of Representation，研究如何抽取人類的知識放進電腦裡，不過由於人類也難以清楚的表達自己知識的學習歷程，因此遇到了技術瓶頸；到了2015年機器學習(Machine learning)的技術出現，透過網路和大數據訓練電腦，讓AI快速崛起，當Google AlphaGo陸續打敗了南韓圍棋之神李世乭和中國圍棋職業九段棋手柯潔，雖然讓人們失去了自信，卻也意外為醫學打開了新契機。

利用預防醫療AI因應未來長照社會的醫療負擔

目前我國健保支出1年大約7千億元，但是在預防醫療上卻不到200億元，李友專院長表示，面對高齡化社會，未來長照經費預估將上看7千億元，若是再加上醫療的7千億元，總共1兆4千萬元，國家整體預算１年也只有大約２兆元，這將是未來社會要面對的沉重負擔，因此我們應該要先解決上游的問題，也就是要加強預防，才能夠降低醫療費用，提升整體醫療品質。

AI預測要朝向精準及個人化目標發展

預防是沒有明確目標、重覆且緩慢的工作，因沒有感受到痛苦容易被輕忽，民眾不了解疾病機率，科學也無法產出有效的預測，這些因素讓預防工作變得非常困難，李友專院長表示，若AI有機會可以突破這五大問題，就有機會成為一個非常具有市場價值的醫療預測產品。

目前台灣或是全世界都是無差異性預防，比如說乳房攝影只利用年齡和性別當變數，只要符合45-69歲的婦女就會被要求做乳房攝影，而各大醫院也會被要求每年要達到多少檢查人次的KPI，然而1000名婦女中只有5名是有乳癌，就如同棒球揮棒千次只有擊中５次，打擊率只有0.005，球員勢必會被淘汰，因此不及時、不精準、不個人化的預防工作效率是非常低的，在AI預防的發展上，首要就是要達到精準和個人化並且是可行的方案，將能夠協助解決預防成效不彰的問題。

AI能夠輔助偵測健康惡兆、預測疾病進程及預防失能，李友專院長表示，在台灣從完全失能到死亡平均是7年，這７年間的長照是要付出很高的社會代價，但是挪威從完全失能到死亡平均卻只有兩個禮拜，因為在挪威，在出院之前就會預測個人化風險，並且主動介入病人出院後的生活，來進行各種預防，達到有效的預防風險控管。

人要防癌，但是要防什麼癌呢？首先必須要知道自己有哪些風險，李友專團隊研發「痣能達人MoleMe」App，民眾只要上傳痣的照片，就能透過痣能達人的人工智慧立刻分析出這顆痣發生異常變化的風險；目前分析結果與人類醫師相比，一致性高達95%。此外，李友專也有另外一個團隊正開發以健康存摺資料為基礎的癌症預測模型，能夠利用過去36個月的病歷資料預測未來一年得到癌症的風險；目前準確率已經達到94.1％。在疾病的預測上，除了病歷資料，還需要蒐集基因、行為、環境、微生物群等大約200萬個變數，李友專院長表示，假使能夠全部蒐集到位，未來AI幾乎能夠預測臨床上所有可能發生的事情，實現預防醫療的目標。