AI Labs號召成立臺灣醫療聯合學習AI聯盟，六大指標醫院、衛福部、國發會都加入

「我們要讓世界知道，臺灣也開始發展聯合學習了！」臺灣人工智慧實驗室（AI Labs）創辦人杜奕瑾說道。本月4日，AI Labs宣布成立臺灣聯合學習醫療AI聯盟，聯手六大指標醫院包括臺大醫院、三軍總醫院、臺北榮總、北醫附醫、臺北慈濟醫院、中國附醫，要藉聯合學習（Federated Learning）來打破醫療小數據瓶頸，讓各醫療機構以共享模型來取代共享資料，跨過資料隱私對醫療AI發展的限制。這次聯盟宣示還吸引了衛福部、國發會、科技部等政府部會的加入，就連前副總統陳建仁和流行病學權威張上淳都親臨會場，他們究竟看上聯合學習的什麼？

共享模型取代共享資料，聯合學習突破小數據痛點

杜奕瑾指出，AI大浪興起數年，近來國際AI趨勢逐漸由中心化，演變為去中心化，資料使用模式也漸從集中轉為共享，「聯合學習就在這股潮流下順勢而生。」科技部次長林敏聰也直指，聯合學習去中心化、共享的概念，是AI必然的趨勢。

也就是說，有別於集中式機器學習、需收集大量使用者資料，聯合學習不須集中資料，就能獲得與大數據相仿的訓練效果。它靠的是各端點各自訓練一套模型，再將訓練好的模型參數上傳至中央伺服器來優化，接著把優化過的參數下放到各端點，進行一下一輪訓練，如此反覆直到模型收斂。

如此一來，各端點不必上傳任何敏感個資，只靠各端點參數就能優化模型，繞過資料隱私障礙來達到集中式機器學習的訓練效果。

比如，Google在2017年發表的研究成果，就是聯合學習的經典案例。當時，Google為改善手機虛擬鍵盤輸入程式Gboard的選字建議，但又不想收集每位用戶的使用資料，於是設計一套分散式機器學習方法，讓每支手機從中央主機下載一套模型，在用戶端依使用者行為，來訓練Local端模型。

訓練好後，用戶手機會上傳模型權重至中央主機，中央主機收集一定數量的權重後，就會聚合（Aggregation），計算出一個優化過的權重，再回放到用戶端手機，進行下一輪訓練。後來，Google就將這套多次優化的模型，部署到數百萬支Android手機上。

負責臺灣醫療影像去識別化作業的國發會，也看好聯合學習。國發會副主任委員高仙桂指出，「聯合學習是未來精準醫療的關鍵。」因為，聯合學習發揮共享模型效益，等於間接共享醫療影像，打破過去醫療影像是敏感個資的藩籬。

指標醫院押寶聯合學習，要擴大AI訓練陣容

這次聯盟押寶聯合學習，就是看上這個不需大數據就能達到同等訓練成效的優勢，要來突破醫界深受資料隱私規範的限制。

身為聯盟成員之一的三總，近年開發不少AI應用，比如以心電圖來判斷血鉀濃度的AI、以眼底鏡來辨識視網膜病變的AI。三總院長王智弘直言，他們要藉這次聯盟經驗，將聯合學習技術擴大應用至全臺14家國軍醫院，也就是將14家國軍醫院納入來AI訓練陣容，來開發更多AI。

不只如此，北醫附醫院長陳瑞杰指出，今年3月，北醫附醫透過聯合學習與臺大醫院發展武漢肺炎X光片判讀AI，而後也擴展到其他國家。這次經驗，讓北醫附醫期望以聯合學習，來推動更多醫療AI應用，甚至包括遠距醫療。

臺北慈濟醫院副院長鄭敬楓也表示，今年初，臺北慈濟發展為以病人為中心的防疫醫療計畫，整合民眾門診、急診、檢查檢驗等資料來開發醫療應用。他期望未來藉聯合學習，來擴大醫療AI的訓練與應用。

醫療聯合學習大爆發，從Nvidia跨國醫療、李飛飛AIoT居家照護計畫到臺灣抗疫都靠它

聯合學習在國際上的應用，更是一波接一波。去年，英國倫敦國王學院就與Nvidia聯手，要透過Nvidia Clara聯合學習平臺，來聯合英國數家醫學中心打造12種臨床AI模型。

今年，為加強武漢肺炎疫情期間，對長者的健康照護，由李飛飛帶領的史丹佛大學人本AI學院，就研究以聯合學習方法，透過長者配戴的IoT裝置數據來訓練健康預警模型。

同時間，Nvidia更發起對抗武漢肺炎疫情的聯合學習計畫EXAM，聯手跨歐美亞三洲共20家醫療機構，來打造武漢肺炎病情惡化模型，預測未來數小時至數天內，患者是否需要氧氣治療。特別的是，臺灣醫學中心三總、臺灣大學醫學影像與數據人工智慧（MeDA）實驗室和臺灣健保署，都是計畫成員之一。

不只如此，臺灣本土也出現聯合學習先鋒案例。今年疫情爆發期間，臺大醫院就透過AI Labs自行開發的聯合學習平臺Harmonia與健保署資料，來優化原有的肺炎X光片判讀模型，作為武漢肺炎病灶判讀AI，準確率達9成以上。之後，臺大醫院也與北醫附醫採聯合學習，來共享、優化模型。

流行病學專家、中央流行疫情指揮中心專家諮詢小組召集人張上淳就指出，這種以聯合學習跨組織進行的科技防疫，就是臺灣控制疫情一個範例，他看好聯合學習集眾人之力的潛力，來發展跨組織甚至跨國應用。

其他醫療聯合學習案例，還包括由臺大醫院發起的遺傳疾病檢測平臺、帕金森氏症風險預測AI，以及由國內8家醫學中心發起的心血管影像資料庫建置和AI模型開發，都靠聯合學習打破醫療資料難以共享的壁壘。

不過，這類醫療影像判讀AI還是得接受法規規範，在臺灣負責醫材法規管理的就是衛福部食藥署。身為聯盟成員，衛福部食藥署出席代表主秘李明鑫指出，食藥署除了確保醫療器材的安全效能和品質外，也扮演AI醫材輔導角色。在法規佈局上，繼3年前發布了醫療器材軟體確效指引，食藥署在今年1月正式發布醫材專法，9月也發佈「人工智慧／機器學習技術之醫療器材軟體查驗登記技術指引」；明年5月醫材專法正式實施前，食藥署也將觀察產業狀況，來完成所有子法制定。

對聯盟來說，未來藉聯合學習開發的醫療AI軟體，就能與食藥署來諮詢、討論驗證事宜。

AI Labs自建開源聯合學習平臺Harmonia，成為臺灣聯合學習代表性工具

其實，臺灣醫療界之所以能順利以聯合學習訓練AI模型，一大關鍵就是支撐訓練和部署工作的聯合學習平臺Harmonia。這套平臺由AI Labs開發，有別於常見的聯合學習框架Tensorflow Federated和PySyft，Harmonia可真正部署聯合學習模型，更在今年6月開源釋出第一版，是臺灣聯合學習的代表性工具。

在平臺正式發表前，臺北榮總放射線部主任郭萬祐就已搶先試用了。早在今年初，他就以Harmonia和國網中心的超級電腦臺灣杉二號，來驗證醫療影像AI的聯合學習可行性。

他先將2年前與AI Labs打造的腦轉移瘤辨識AI：DeepMets，以健保大數據資料來優化，並將優化過的最終版DeepMets Plus，當作集中式機器學習代表。之後，他與一名瑞典交換生Lukas Nyström，在國產超級電腦的雲平臺環境中，建置5個節點，作為5家虛擬醫院，來模擬聯合學習訓練情境。

結果發現，光是迭代一輪，其模型相似係數DICE值就達0.77，甚至在一些領域如複雜的腫瘤形狀、大小，以及對不同廠牌、掃描參數的辨識率表現也特別好。就在前幾天，團隊也把DeepMets的程式碼與資料集都在GitHub上開源，提供下載。

除了先導應用，AI Labs本身也利用該平臺，來投入全球基因組與健康聯盟（GA4GH）、推動國際基因醫療研究。杜奕瑾期望，聯盟成員能透過該工具來跨組織發展醫療AI，甚至走出臺灣，在國際上打響臺灣醫療AI的名聲。最後，他也表示，「聯合學習聯盟不只是研究醫療問題，而是要縱向聯合醫療產業，最終要成為國家數位經濟的代表。」文◎王若樸