人工智慧（AI）聊天機器人ChatGPT日前在未經人為訓練的前提下，通過了以困難著稱的美國執業醫師資格考試（USMLE），成為AI在醫療領域達到成熟的一個重要里程碑，未來將在臨床決策和醫學教育中發揮更多助益。資策會MIC觀察到，生成式AI已從文字、影像、蛋白質三種內容生成技術切入，為智慧醫療帶來三大類的創新應用。

圖片來源 : shutterstock、達志影像

資策會MIC產業分析師郭乃禎指出，生成式AI於智慧醫療的應用，首先是「生成醫學文件」，將可為專業醫護草擬報告、彙整資料等助理應用，未來甚至可為一般民眾提供用藥方法、健康狀況等諮詢；二為「生成放射影像」，生成式AI能為既有輔助診斷提供訓練資料，提供放射醫師更多診斷參考依據；三為「生成蛋白質結構」，利用生成式AI可為藥物研發流程省下大量時間與金錢成本，並促進新藥研究發展。目前國際智慧醫療大廠已將這三種生成式AI技術導入產品，並獲得醫院、藥廠機構使用。

郭乃禎表示，以目前生成式AI發展出的技術，已可理解醫學術語，並生成醫學文件和放射影像。美國MIT研究團隊發現，GPT-3可以看懂醫師問診筆記中的術語縮寫，並進⼀步解釋，顯見GPT-3已具備醫學知識。而Open AI的DALL-E 2模型，是一種透過自然語言描述生成逼真圖像的AI系統，在期刊中被證實可生成符合解剖學表現的醫療放射影像，並可理解胸椎、骨盆等臨床用語；尤其在X光影像上，DALL-E 2已習得醫學術語與影像各特徵的對應關係，可針對受損與模糊的X光影像進行修補。隨著更多資料持續微調與訓練，可期待DALL-E 2模型在放射影像生成中有更好的表現。

生成創新蛋白質、縮短新藥研發時程

藥物研發始於疾病研究與藥物標靶探索，標靶為可與藥物分子反應之疾病分子，通常為蛋白質；而掌握蛋白質生成與其結構，可加速標靶認定，並進一步展開對藥物分子組成的研究。郭乃禎指出，由於藥物研發需要耗費十分高昂的時間和金錢成本，尤其在初期研究動輒需要花上數年與百萬美元，生成式AI則有潛力在還未掌握太多資料時，就能預測並生成標靶蛋白質。生成式AI可從既有蛋白質序列資料生成大量新序列、蛋白質結構，為標靶探索提供充分研究內容，加速相關研究進行。

藥物研發公司Insilico Medicine是NVIDIA Inception新創培育計畫的成員，多年來投入於使用生成式 AI 開發治療衰弱性疾病的新療法，該公司在其生成式AI藥物設計引擎Chemistry42中使用NVIDIA Tensor Core GPU來生成新穎的分子結構，也是2015年NVIDIA DGX系統早期的首批採用者之一。

Insilico在臨床前藥物發現過程的每個步驟，都使用生成式AI來識別藥物化合物可以靶向的分子、產生新的候選藥物、評估這些候選藥物與目標的結合程度，甚至預測臨床試驗的結果。若使用傳統的研發方式，平均需要7.5年的努力、成本可能超過4億美元，Insilico以生成式AI開發藥物，在專案開始後兩年半就進入了臨床實驗的第一階段，整個研發流程僅花費260萬美元[1]。

圖一、生成式AI研發創新蛋白質示意圖

圖片來源：2023/7/3，《生成式AI發展機會與在智慧醫療之應用分析線上研討會》，郭乃禎簡報資料。

生成式AI在智慧醫療產品的發展方向

1.生成醫學文件，強化醫護助理應用

微軟在2021年以160億美元代價收購的語音識別公司Nuance Communications，日前推出一款能生成臨床筆記的AI醫療應用程式Dragon Ambient eXperience（DAX）Express，目標在大規模自動化建立臨床文件，使用對話式、環境式和生成式 AI的獨特組合，結合OpenAI 最新、功能最強大的GPT-4模型，標榜透過自然對話使用、可理解圖片資料，能將長達4小時的門診問診紀錄內容，在幾秒內完成重點摘要並建立臨床筆記草稿，醫生可以對DAX Express生成的記錄進行編輯，並在輸入患者的電子健康記錄之前進行簽名。利用GPT-4強化病歷報告生成，可協助減輕醫生的行政工作量、將更多時間用來照顧患者[2]。

2.建立放射影像生成平台

若欲大規模使用AI加速醫療服務，需要數千個神經網路共同運作，才能涵蓋人類生理學、疾病，甚至醫院營運等範疇，這對當前的智慧醫院環境而言是一大挑戰。MONAI是一個透過輝達（NVIDIA）的技術加速運算的開源醫學影像AI框架，下載量已超過65萬次，現在進一步藉由MONAI Application Packages（MAPs）將這些模型導入臨床工作流程。大多數AI模型至今仍停留在研發階段，而MONAI Deploy提供的MAP是一種打包AI模型的方式，讓具有影響力的臨床AI可以被頻繁實際應用，更方便部署在現有的醫療生態系內。

MONAI Deploy由來自十餘間醫學影像機構的專家，組成制定MAP規範的工作小組，開發人員使用 MAP可以幫助研究人員在臨床環境中輕鬆打包和測試模型、加速AI模型的發展，並收集實際的回饋來改進AI的表現。MONAI Deploy除了造福 AI應用程式開發人員，還能支援運行AI應用程式的臨床和基礎設施平台，以整合的方式來進行AI應用。

目前已有醫療機構、學術醫療中心與AI軟體開發人員開始採用 MONAI Deploy，包括美國辛辛那提兒童醫院（Cincinnati Children's Hospital Medical Center）、英國國民保健署 （NHS）、加州大學舊金山分校 （University of California, San Francisco）、NVIDIA Inception新創培育計畫的成員Qure.ai和SimBioSys公司等等，使AI突破性的研究成果在醫學臨床上發揮作用。另外，包括Amazon HealthLake Imaging、Google Cloud、甲骨文雲端基礎架構（Oracle Cloud Infrastructure）等雲端平台，也已整合MONAI Deploy與MAPs的服務[3]。

3. 利用蛋白質生成平台加速藥物研發

AI框架還能用來支援大型語言模型生成優質蛋白質，加快藥物設計的速度。NVIDIA的Transformer模型，使用神經網路來理解文字的意涵，讀取蛋白質中的數百萬種氨基酸序列的技術，以了解與掌握大自然如何組成蛋白質。傳統的蛋白質生成方式稱為定向進化，通常一次只能改變幾個氨基酸的序列，透過AI機器學習可以排查海量的蛋白質序列，並有效地識別出最有用的序列。

美國一家專門研究蛋白質的新創公司Evozyne，發布使用 NVIDIA預先訓練好的AI模型，創造出兩種在醫療照護與潔淨能源方面具有巨大發展潛力的蛋白質。Evozyne使用NVIDIA的Transformer模型找出解決的功能以生成新的蛋白質，除了可用於藥物開發，還能生成用來對抗疾病和氣候變遷的有用蛋白質[4]。

圖二、Evozyne使用NVIDIA的Transformer模型來生成用於藥物開發和能源永續的蛋白質。

圖片來源：NVIDIA

Evozyne的資料科學家Joshua Moller指出，透過運用多個GPU進行訓練及加速處理龐大的作業流程，將訓練大型AI模型的時間從幾個月縮減至短短一週，讓訓練涵蓋數十億個參數的模型成為可能，運用AI加速蛋白質生成的未來前景非常看好。

郭乃禎認為，國際大廠及新創正應用生成式AI技術提供智慧醫療產品，國內廠商所開發的智慧醫療產品，橫跨健康促進、診察與治療、照護與復健，且多具有AI功能，建議台灣智慧醫療廠商應及早掌握生成式AI在智慧醫療市場的變化，在醫護助理、放射醫學影像、藥物研發等生成式AI技術領域儘速布局，評估導入生成式AI技術及發展產品，以強化既有的競爭優勢。

資料來源：

1. 《生成式AI發展機會與在智慧醫療之應用分析線上研討會》郭乃禎簡報資料，ITIS智網，2023/7/3。

備註：

Facebook 在北美智權報粉絲團上追踪我們