| For a Better Tunghai |
|
| For a Better Tunghai |
受訪者：趙偉廷，東海大學生科系副教授
時間：2020年1月7日 下午14：30-16：30
地點：細胞生物學實驗室
整理：張運宗
【編按】智慧醫療是AI中心重點發展項目之一，理學院提出以生科系生醫組為主軸的「AI智慧醫療火箭計畫」，跨域結合數學、物理、化學、資工系，提出「從生物醫學到人工智慧的完整的系列課程，期望成為全國首創及獨特的 AI 醫療人才搖籃。」「積極建立新型態的 AI 醫藥研究，成立特色實驗室 發展 HERMES 智慧投藥大腦以及發展次世代量子神經網路做為未來AI 新科技。」
大渡山-東海AI中心的實體空間是很好的宣示決心。過去只要和廠商說我們在做AI，對方往往不置可否地說「現在好多學校在做AI。」院系計畫提出後，我帶AI醫療相關廠商去AI中心好多次，他們的想法不一樣了，普遍的觀感是「你們是真的。」坐下來深聊之後，這些原本合作對象集中於清華、北醫、台大的廠商紛紛感到驚訝，AI在東海不只是真的，甚至在某些領域，東海憑藉獨特的優勢，已經超前了一大步！他們不僅表達合作的熱切意願，且非常樂意開實習缺給東海。這是我比較開心的起步。
理學院有套細胞影像辨識的儀器，一個晚上可做五百七十幾種藥物的測試！這只是一台介於自動化和影像辨識之間很初步的機器，完全談不上多麼厲害的「智慧」，但是，好用！我開始使用後，強烈感受到AI的魔力。
理學院是基礎研究，早在去年初就由楊定亞院長主持一個跨系小組，討論如何建構數位學習的理論基礎。去年3月我在系網寫了一篇短文〈讓生物智能與人工智慧一起打造未來！〉。註 5G的來臨，我們既開心又害怕，到底能不能讓生物學有不一樣的發展？後來我們想到，為什麼細菌能在演化過程中通過層層關卡活下來？因為簡單化，而非複雜化。稻米的基因比人類還多，果蠅和人同為兩萬多個基因，但人可以做的事情比果蠅、稻米多太多。也就是說，5G讓設備愈來愈先進，AI更是很好的工具，但不該是記憶體多寡的問題，也不單單是幾G的問題，更不該是金錢大戰，而是要改變思路。
就像生物演化一樣，簡單多功能；人經由演化，以最少的基因完成最完整的個體，如果有機會接觸AI，我們必須思考的是，如何像分子操作一樣，把AI這個工具發揮的更好，簡單多功能。
其實，理學院一直在做相關範疇的思考，缺的是臨門一腳，該放在哪一個主軸上進行跨域整合？東海正好是綜合型大學，正好東海揭櫫「跨域」，正好AI中心提出院系計畫，一切的「正好」，讓我們的計畫有了真正實踐的起步。
我不喜歡大家只是把AI當作一個形容詞，「你有沒有在做AI？」這句話沒有靈魂。AI是很可愛的工具，應該用它來解決一個很重要的問題，但在醫療領域方面，目前全世界的做法似乎可以再改變！為什麼？現在談AI醫療往往認為，只要和醫生合作取得醫學影像或是臨床數據，資訊越多愈多，機器學習愈好，AI也就愈強；我想這種思維還有很大的調整空間。假設我丟一百本書給一個小孩，要他一直念，得到的成效還不如拿兩三本繪本好好陪他念，解釋給他聽。人工智慧也是同樣的道理，AI是一個機器學習，人就應該要陪著它學，它一開始可能超級笨的，面對複雜的知識網絡，我們就是要跟著機器一筆一筆訓練。尤其面對生命現象，我們是演化下來的生存者，許多教課書的道理都不是等號關係，既沒有最佳路徑，也充滿了矛盾，蛋白質間的交互關係是因也是果，這都是生物面對環境變異的生存法則。因此，陪機器學習把經驗傳遞出去就很重要。
人怎麼陪著機器一起學？計畫裡關於「教育轉化」的部分，開設了幾門課程，其中，我和數學、物理系老師合作「智慧影像組織學」，這是從組織學知識到組織切片再到AI智慧判讀的完整學習。假設現在有一個組織切片，必須用演算法做成電腦看得懂的東西，問題就在這一步，大家都把組織切片影像餵給它，以為多看一些，看久了電腦就會。不應只是這樣！生物學老師怎麼教的？肝細胞長怎麼樣就要教機器肝細胞就長怎樣，應該每一筆特徵教它。我覺得，人跟機器應該是要連在一起做最好的互動，把機器判讀的黑盒子透明化。
因為要「教」要「學」，所以專業非常重要。組織學是門大學問，單單切片染色就有很多的眉角。課程中的同學為什麼能判斷出這個切片是肝？那個是腎？因為課堂教過。同學把學習的歷程放到雲端的「腦」──我們取名為「HERMES」，隨著每年課程的進行，HERMES的判斷會愈來愈準確。試想一屆40位學生，一年一年下來，能培養多少人才！同學不止貢獻切片的學習，還要和「HERMES」PK；「HERMES」擁有學長姊的學習歷程，但未必達到最好的判斷，學弟妹可以設計不同的語法，嘗試更多的可能性。這個學習歷程讓「人腦」和「電腦」有了連結，同樣的組織切片，「人腦」看到的是一個畫面，「電腦」看到的是另一個畫面，兩者的連結、溝通，才能在AI醫療中達到真正的效果，並成為人才培育的新型態。
生科系的組織室已經做好準備，從傳統生物學一直到AI分析，學生將擁有完整的學習場域。除了理學院之外，農學院幾個系都會用到組織切片，也可以運用這間教室。接著細胞學的AI動態分析也將陸續建立。目前的進度應該可以趕在下學期開學前完成，我已經和招生組聯絡，3月招生時，如果應屆高中畢業生有興趣的話，可以引導進來體驗別的大學沒有的教學環境與模式。
除了學術研究之外，當AI成為生科系的強力工具後，東海生科將能對外宣揚，我們的課程從生醫專業課程到實驗室研究，結合機器深度學習，成為未來臨床醫學應用領域及醫療產業的人才。
AI需要時間成長，我們也沒有辦法現在判定某個做法一定有用，但無論從教育或研究來看，有個前衛的想法就該去做，因為有了學理的支持，也確實有用，更重要的是，過去生醫沒有很快速的運算來協助完成，現在透過跨域合作已經可以做到了。
科學研究有很巧妙的一面。不同領域上若有個共同idea，用實際行動促成一個發現，這和財力、規模沒有必然的關係，即使擁有雄厚的資源背景，也未必能有新的發現。試想，多少學校機關擁有龐大的資源，仍然無法有效對抗癌症。再設想，假設同樣的策略，是否資源雄厚者得勝？未必然。關鍵在人，不是一種人，而是跨領域的人。
跨域也是很巧妙的概念，是碰觸到每個面向？還是真的像達文西一樣投入學習？
在「HERMES」的主軸上，需要經過很多的實驗，生科系會做實驗，然不管是組織還是細胞，全世界還沒有完美的工具來分析，雖然影像辨識有高度的成長，但我們需要的是「客製化」的能力。除了資工系的協助之外，物理、數學系已經開始透過不同的策略，運用既有的AI技術，設計符合我們需求的運算。化學系熟悉藥物合成，也將同時介入與細胞的藥物反應測試，當未來醫療進入數位藥品的階段時，就會有非常重要的貢獻。
隨著院內整合的起步、成熟，就可以和醫院的數據、定序公司等進行「產業+」合作。
在生物醫療方面，判讀只是AI的一部份，我們需要的是真正能夠幫助病人的解決方法。我們正在增強生物學在AI醫療的know how，為了加快速度，上禮拜我和影像辨識公司討論，希望先把架構做出來。廠商聽取我們的想法、架構，看到AI中心，知道東海和AWS合作，都非常興奮，愈談愈有興趣。結果，廠商提出來生最困難的點，反而是我們的利基。為什麼？因為談AI醫療，資工有人工智慧的技術，但需要醫生的專業，醫生能夠提供醫學診斷影像和數據，卻沒時間陪著機器學習，大部分的人工智慧介入的成果都只能停留在分類或偵測的層次。但是，東海有生醫專業，細胞學、神經學、組織學、生理學、遺傳學等專業知識，，能在資工與臨床間做為很好的橋樑，讓每一筆臨床數據在機器的深度學習中更為活絡。
包括我在內，一直在學術圈成長，知道產業很重要，但不知道該怎麼開始；現在比較能夠拿捏了。我們的介入點在哪裡？開發一套有效的醫療方式。例如，我們在大腸癌的研究一直有領先的優勢，居然有病人不知道從哪裡得到消息，打電話來要求堅持一定要用我們的方式介入。我只能委婉拒絕。
病人需要就有產業價值，從這個角度出發，把學術研究的領先優勢和AI放在一起看，就會發現，目前全世界在AI的醫療運用都在進行醫學影像畫面的判讀，這也是生科系的強項，但我們要更進一步，建構「腫瘤離體智慧分析實驗室」，以及「HERMES智慧醫療投藥大腦」，透過病人腫瘤藥物配對、基因定序、病理等資訊，讓AI做到為眼前的病人「思考」而進行投藥。
CTC（Circulating Tumor Cell），循環腫瘤細胞，這是個新名詞，會在這一兩年迅速竄起，因為只要透過抽血就能攔截癌細胞進行分析、藥物配對。我們的「HERMES」平常看似教學使用而已，其實還有另一個任務，為硬腫瘤進行藥物配對。我也跟CTC產業廠商到AI中心討論，他們非常看重我們的整套系統發展，一致覺得具備龐大的產業價值。為什麼？因為醫療檢測如果進不了健保便無法普及，CTC數據如能與HERMES的投藥系統合作，對病人的後續治療會有直接的幫助，就更有機會擴大產業價值。
基因定序也是一個明顯的例子。定序有龐大的市場，香港一家定序公司已經跨足娛樂事業，透過基因定序做出比星座還準確的人生規劃，但基因定序應該在「救命」這件事上有更大的發揮才對。台灣的定序廠亦非常成熟，但同樣努力敲醫院的門，卻不見能普及大眾，這對基因定序技術在醫療的應用非常可惜。
從醫生的角度來看，「HERMES」不是提供給醫生參考的一個醫療數據而已，而是和醫生平行；當醫生看診時，思考在FDA指引下該給什麼藥，旁邊有另一個「腦」協助判斷。相關醫療產業的介入就在這裡。簡單的說，目前現行的個人化醫療產業都可以併入我們的系統，當HERMES的病人數越多，就會更接近真正個人化醫療的實現。
要吸引學生、產業，我們需要先建設一個AI場域，只要我們做得夠好，大家看見了，就一定會來。
整個AI醫療計畫最大的合作對象還是醫院，醫生是整個醫療過程最重要的角色，我們的檢體一直來自於中榮，澄清、彰濱秀傳的大腸直腸外科、病理科，都是長期合作的夥伴；他們都希望藉由AI協助診斷。醫學院和生科是不同的學習，生科人對於藥物及細胞生理和基因層次的作用機制熟悉，也積極開發新藥，但臨床診斷和醫療是醫生的強項，所以雙方必須坐下來一起教AI如何判斷，對病人會有更大的幫助。
很多人會說，東海沒有能力強碰藥物研發這一塊，確實如此。但問題不完全取決於資源的多寡。真正的困難點在哪裡？一個簡單的感冒藥對家裏面的成員不一定每個人都有效。我們開發了「一種」藥物，但沒有一個人的基因是一模一樣，如何用「一種」藥物面對「每一個」人達到一樣的效果？在生物學上這是不可能的事。所以只好靠臨床實驗，以眾數（mode）來決定有沒有效。AI的好處正在此，可以做到真正的「個人化」醫療，直接顯露每一個人對藥物的反應。未來的藥物測試將不只是眾數的統計值，對哪幾類基因型有統計上意義，而是必須抽絲剝繭到每一個人的基因型、藥物反應和生化數值，更重要的是個人數據背後必須有精確的機器思考。
過去的醫療是「類比」，取個近似值，可能療效達到30%，剩下部分就靠自體的免疫系統；現在的醫療已經進入「數位化」，最大的優點就是「精準」，藥物與標的結合非常精準，在正確的病人條件下，療效可能必須在80%以上；當然，相對來看，能適用的病人將會作嚴格的篩選。未來的醫療將不是把更多病人被藥物拒絕，而是透過AI介入的醫療做更好的藥物選擇，而這個未來式，相信會越來越快實現。
從學術的角度來看，「個人化」、「精準」凸顯兩個層面的問題，一是人，二是結構。
對生物醫療來說，藉由機器深度學習，AI是很好的工具，可以學習很多生物學的知識，經過修正，日趨完善。許多人以為這會取代醫生嗎？當然不是。我們都看過病，都希望看診時的號碼前面一點，私心感覺醫生精神會比較好，判斷比較準確。癌症通常在三、四期開始投藥，但無論化療或標靶，每一個時期的藥物的搭配不會只有一種，如何給藥除了醫療指引作為依據，也必須仰賴醫生豐富的經驗。人會累、經驗會不同，AI帶來的生物醫療不是取代醫生，而是給病人最好的治療，讓醫生擁有更強的信心，因為有個很好的夥伴可以一同診斷。
AI醫療不能沒有學術界。臨床投藥來自於台灣或是美國食品藥物管理局（U.S. Food and Drug Administration, FDA）的規範，哪種症狀該用哪種藥完全由目前的臨床試驗成果決定。問題是，假設目前大數據規則源頭是FDA，萬一這個源頭因為研究知識的受限而排除了一些可能性呢？曾經FDA規定大腸癌某個基因突變不能用某種標靶藥物，但後續研究發現只要做不同藥物搭配仍舊可行，所以規範又改了，那以前的病人怎麼辦？沒辦法，規範就是如此。類似的例子屢見不鮮。再舉一個例子，如果醫生看到一個症狀，若看了最新的研究，發現不能依賴現今的規範，或許他仍不能違背規範，但會有不同的見解，採取不同的治療策略。
科學的演進需要學術研究的突破，FDA規範很重要，因為醫療必須有依據，否則會有更多醫療糾紛，但規範是隨著醫療知識進步而更動的，未來AI醫療加速結合臨床和學術，受益者就是病人。
無論從人，或是結構的層面，把「個人化」、「精準」作為AI醫療的主軸，我們就會看到東海的優勢，並和醫院積極合作，慢慢找出願意和我們一起教育這顆AI「腦」的醫界，學術界和產業界夥伴。
理學院是基礎科學，和產業的連結會比較慢；過去擁有醫學院的大學在醫療領域佔有絕對的優勢。但是，時代不同了，AI時代、5G時代的來臨，大學、產業、醫院的合作模式必然出現變化。我覺得這是一個改變理學院的機會，借重東海強大的資訊能力，我們開始學習建立一套有用的系統，增強醫院和產業的鏈結。
當中有一個最重要的環節，人才；不是單純的產學合作，而是培育人才的長期合作。不久前我和業界談一個觀念，獲得普遍的認同。東海是以教育為目標的大學，我們在執行AI計畫，希望能藉由新的事物或思維改變傳統的教育，教育就是培育人才。
當學術研究、教育課程和醫院、業界達到人才的雙向交流，整個「AI智慧醫療火箭」的引擎才能發揮最大推力，推力越大，病人福祉就越好，也才能做到AI醫療真正的實踐；東海、醫院、業界未來將密切合作，從校內到校外也希望做更多合作整合，初期需要先花時間培養更多AI醫療領域的跨域人才，未來醫療火箭才能飛得更遠，這也是「人才+」最重要的精神。
註：趙偉廷，〈讓生物智能與人工智慧一起打造未來！〉，2019.3.21。
● 讀後留言使用指南
|
近期迴響