Zi 字媒體

  俗話說「工欲善其事，必先利其器」，而企業想要善用機器學習，也得先問出一個「AI 好問題」，才能把正確的武器磨亮、解決正確的問題。 在醫療影像擷取與傳輸系統（ Picture Archiving and Comnumication System；PACS ）領域佔據領導地位的雲端醫療大廠商之器，便是在與 Amazon Web Services ( AWS ) 攜手合作的過程中問出好問題，成功讓醫療影像分析落地。 問出好問題的企業，AI 應用才能到位 為什麼企業應用 AI 要到位，得先問出「好問題」？   已故的台灣知名人工智慧專家陳昇瑋曾指出，目前人工智慧系統多半是針對特定問題來開發，客製化程度遠比 ERP 或 CRM 等系統高；如果一開始沒找到好問題，到時「頭都洗一半」才要修改系統，將是一場浩大工程。   雖然商之器在標準化醫療影像領域耕耘超過 30 年，但也不斷思考：如何透過 AI 使醫護人員更專注發揮專業，並讓新服務跨出國際？   為了找到屬於自己的「AI 好問題」，一開始商之器先以「資訊標準化」作為初步篩選條件。商之器台灣區總經理丁偉能觀察到，儘管心電圖影像目前早已標準化，急救人員也能在救護車上第一時間量測到心肌梗塞（ AMI ）病患的心電圖資料，但相關影像資料仍得透過簡訊、郵件傳送到醫師手機裡，再等待醫師遠距判讀。   ▲商之器總經理 丁偉能 然而，有時資料送來剛好是夜深人靜的離峰時段，或恰好碰上手忙腳亂的尖峰時刻，晚了一分一秒都可能影響患者的預後。為了不「錯過」任何病患緊急資料，有些醫師隨時守著手機，壓力龐大如山。   其實日常中，從你我身邊鳴嘯而過的救護車，就是醫院急診室的「延伸」，如果把救護車與急診室之間用 AI「打通連結」，就能替心肌梗塞患者從上帝手中搶得關鍵時間。於是商之器找到 AI 好問題：救護車到院前的異常心電圖判斷。 在救護車上，與上帝搶時間 這段短短流程，為何足以成為許多企業遍尋不得的「AI 好問題」？   商之器策略長陳迪智指出，救護車到院前的異常心電圖判斷，其實具備醫療 AI 應用的四大特質：   一、在救護車上先透過 AI 進行異常心電圖判斷，就能讓病患送到最合適醫院、進行最合適手術，具備分秒必爭的「即時性」。 二、民眾個資會「匿名處理」，避免隱私爭議。 三、AI 適當介入能「緩和現場壓力」。 四、醫師能以「專家背書」身份，讓 AI 成為輔助醫療現場的最佳助手。 ▲商之器策略長 陳迪智 因為這四大特質，當心電圖資料即時從救護車傳送到平台後，透過 Amazon SageMaker 進行資料接合，旋即判斷出誰是 AMI 患者，再由 AWS 將判斷異常的資料立刻傳送到通訊群組內，醫護人員便能提早準備後續搶救流程。   當救護人員不必再被動等待醫師遠距判斷，醫護人員不必再背負過度壓力、時時檢查手機有沒有傳來緊急訊息，醫療現場才能好好運用從上帝手中搶來的寶貴時間，更專心地替病患備好後續手術。 醫療 AI 落地不容易，機器學習能助一臂之力 之所以能向上帝搶得時間，靠的就是機器學習。   機器學習擅長解決「與外界情境無關」的問題，也就是那些只要判斷單一或幾項已知種類的數據就能推測未知的問題。雖然醫療影像的數據量不多、也得考量隱私，但因為屬於低情境相關的問題，因此是機器學習能大展身手的領域。   不過，商之器最初也遇到「數據量不足」挑戰。雖然已有累積近七年、共約 2000~3000 張的心電圖資料，但仍屬於「少批量資料」，不足以達到機器學習模型運算，因此初期資料處理精準度只有 50%。還好，Amazon SageMaker 提供了數據資源與資料科學家協助，再透過數據模型轉換，將商之器擁有的資料擴增 10 倍，即便心電圖樣態繁多，也能讓精準度超過 80%。   不只如此，從原本熟悉的醫療影像拓展到異常心電圖判讀，雖然看起來皆屬於醫療場域，但服務設計卻大大不同。如果商之器單打獨鬥，丁偉能估計可能得花費 1~2 年才能驗證服務；但因為能把 AI 相關資源、設備通通「丟」給 AWS，不到 6 週就完成場域應用，也讓商之器未來在新應用服務開發時，更大膽、更願意投入創新。 高階經理人看過來！AWS 協助你找出「AI 好問題」 問出好問題，是所有想要推動 AI 應用的企業高階經理人必備思維；而曾協助各行各業進行數位轉型的 AWS，將以其豐富的經驗協助你找出「AI 好問題」。   丁偉能用「各自專心」來形容與 AWS 的合作成效。商之器專心把資源、時間投入設計醫療服務流程，AWS 專心機器模型訓練、應用部署，而這個雙方協作下共同產出的「AI 好問題」，便能轉為使醫護人員專心第一線工作的「AI 好應用」。   你也想要應用 AI、但遍尋不著 AI 好問題嗎？讓 AWS 來協助企業領導人「找對問題」並一起「解決問題」！