【生成式AI醫級戰場6】晶片發展影響AI準確度專家籲專業人員仍不可取代

解析▪新創技術

2024-10-21

上一則

下一則

返回列表

｜

生成式AI（Generative AI）是一種機器學習的架構，運用人工智慧生成文本、圖像、音樂或影片等。生成式AI在OpenAI推出ChatGPT後大鳴大放，但在生醫領域應用的發展又是如何呢？
生策中心專訪目前在廣達電腦負責策略規劃與投資的市場研究部謝耀方博士，以科技業觀點，提出生成式AI現在及未來可能在生醫領域的應用，訪談以第一人稱呈現：

生成式AI作為深度學習（Deep Learning）的分支，與前一波深度學習技術相比，更加注重文字生成與理解前後文脈絡的能力。近年來，生成式AI技術發展迅猛，不僅限於文字生成，還逐漸應用於影像領域。例如，一些醫療機構已開始嘗試將生成式AI應用於醫療影像判讀，利用生成類似影像作為樣本的特性，減少人力標註的需求，進而提高影像判讀的準確性和效率。

目前生成式AI的應用以文字處理為主，微軟正將其用於醫療病歷記錄與簡化醫療行政管理。例如，在遠距醫療中生成式AI已經顯現潛力，以往的聊天機器人回答較為死板、制式化，或者一定要配一位護理師24小時on call；而如今，透過生成式AI技術，能讓回應變得更貼近使用者需求。然而，這些生成的回答仍需透過持續的訓練與引導，以確保其生成內容的準確性與合適性，避免「鬼打牆」的情況發生。

生成式AI的應用潛力與挑戰

1. 專業性挑戰：生成式AI仍依賴引導與專業知識

生成式AI的局限之一在於其無法深入理解過於複雜的問題，因此需要專業的指引（guideline）才能生成出符合使用者需求的回答。這說明了醫師和護理人員的領域知識（domain knowledge）仍然不可取代，因為生成式AI目前難以獨立判斷資訊的正確性，無法處理高度專業性的問題。因此，在醫療應用中將專業領域知識整合進AI的訓練，能夠進一步提升AI的準確性與實用性。

另外所謂的「鬼打牆」情況，指的是生成式AI在面對複雜問題時常常無法給出直觀的答案，而是反覆產生不相關或重複的內容。這種情況進一步顯示了現有技術的局限，也突顯出專業人員在醫療決策中扮演重要角色。

2. 文本生成挑戰：內容合理性與演算法限制

生成式AI生成的文本越長，其合理性就越容易受到挑戰。這一現象類似於影片生成—生成15秒的影片相對容易且合理性高，但如果生成5分鐘的影片，劇情連貫性和合理性就可能出現問題，這是目前演算法的瓶頸之一。生成式AI雖然在文字領域表現優異，但生成長文本時，仍面臨語義連貫性與邏輯合理性的難題。

3. 晶片技術發展：提升運算效能是關鍵

生成式AI的運行效率很大程度上取決於底層硬體，如晶片技術。以GPT-3為例，其擁有96層神經網路和1750億個參數，若使用較早期的晶片進行運算，即便擁有最先進、世界上最好的癌症模型演算法，運行時間可能要跑3天3夜才能得出結果；等它跑完，醫師早就判斷完了。因此，AI運算晶片的發展，特別是針對醫療應用的晶片優化，將是未來推動生成式AI技術進步的重要因素之一。

4. 醫療影像的應用探索：深度學習與生成式AI的比較

目前尚無法確定生成式AI在影像處理上能否超越深度學習技術，但其在文字處理方面的優勢已經顯而易見。深度學習在生成報告方面的表現通常不及生成式AI，因為深度學習要運用自然語言處理（Natural Language Processing，縮寫 NLP）去找詞彙的前後關係，很難生成報告或做得很差；可是現在生成式AI出來，這一塊就做得非常好，能更自然地生成報告，提升文字處理的效率和準確度，這為醫療文本自動生成提供了強大的工具。

生成式AI在醫療領域的四大應用方向

生成式AI對於醫療領域的應用潛力廣泛，但目前的發展還處於探索階段。針對這一技術的實際效果，建議首先觀察以下四個面向的應用情況：電子病歷生成與醫院行政流程簡化、保險理賠管理、遠距醫療的改進、臨床試驗的加速。如果在這些領域的應用反饋良好，未來生成式AI的大規模導入或許指日可待；反之，如果用起來評價不是很好，則顯示該技術仍需更多時間與完善來達到實用化標準。

一、電子病歷生成與醫院行政管理

微軟和國外的公司已經在開發生成式AI應用於電子病歷生成和醫療行政管理的技術，主要在自動生成病歷紀錄，簡化醫療系統中的繁瑣文書工作。這一技術能幫助醫療機構提高運作效率，減少醫療人員的工作壓力。

二、保險理賠與核保

國外部分保險公司已經開始使用生成式AI進行核保與理賠管理。透過生成式AI系統，保險公司能自動分析客戶的核保資料，採用生成式AI歸納，判斷它有沒有詐騙，並根據分析結果決定客戶的理賠金額。此外，生成式AI還可以用來設計新的保單方案，提升保險產品的靈活性與個人化的保險分析內容。

三、遠距醫療的升級

生成式AI技術可以提升遠距醫療的應用效能，特別是在患者的初步診斷和查詢回應中，能提供更靈活、更準確的回答，減少醫療人員的負擔。然而，這仍需要不斷優化技術，確保生成的回答符合患者的實際需求，避免誤導性的內容。

四、協助藥物開發優化臨床試驗流程

在藥物開發中，生成式AI也展示了加速臨床試驗的潛力。過去，實驗組和對照組都需要招募大量病患，這往往成本高昂且耗時。現今運用生成式AI，能根據患者資料識別合適的患者群體，提高受試者招募效率，進而加快試驗過程、降低臨床試驗的時間與成本。另外，還可協助識別臨床試驗風險，協助優化臨床設計，以提供臨床試驗成功率。

總結來說，生成式AI雖然在醫療領域的應用尚處於早期探索階段，但隨著演算法的進步與硬體技術的提升，未來5到10年內，該技術有望為醫療產業帶來顯著的變革。然而，在這一過程中，生成式AI需要與醫療專業人員的知識結合，確保應用的準確性與可靠性，以實現更好的應用效果。隨著AI技術的不斷演進，生成式AI將在生醫領域產生更深遠的影響，並持續引領數位健康科技的發展。

※系列報導：