透過大數據分析，達到精準醫療已是醫界趨勢，但如何讓系統串聯各院所的資訊，又不侵犯到個人隱私，杜奕瑾推動的「聯合學習」AI革命，或許正是解答。
現今，各行各業無不積極發展人工智慧（AI），而這都需要大數據（big data）支撐。但對醫界來說，最難過的關卡，是「數據共享」與「患者隱私」間的拉扯。
然而，被封為「PTT創世神」的杜奕瑾，他創立的台灣人工智慧實驗室（AILabs）端出最新關鍵技術「聯合學習」，已為這項困境帶來一線曙光。
2020年，AILabs在短短半年間，所陸續開發的多款「防疫神器」，就是善用「聯合學習」技術。
以「新冠肺炎Ｘ光檢測系統」為例，該系統在建立之初，原先只擁有台大醫院的肺部影像資料庫，但在AILabs聯合學習技術的協助下，短短一個多月，便先後串起國際開放資料庫，學習超過四萬張的胸部X光片。
該系統去年5月正式推出後，在健保署長李伯璋的協助下，還得以使用健保影像資料庫進行加強訓練，等同運用全台灣肺部影像數據為該系統加持。後續更迅速獲得全球各地醫師青睞，各國醫師都可以透過上傳胸部X光影像，獲得檢測結果。
靠一套AI系統，一口氣學習全國，甚至是全球數據庫，在醫學界並不多見。因為醫療數據具有高度敏感性，光是國內的院際合作就已十分困難，更遑論跨國共用一套AI系統。
長期參與AILabs聯合學習計畫的臺大醫學院內科部醫師王宗道指出，過去醫師若想投入AI研究，數據來源多半只能仰賴自身服務單位。
若想透過跨院合作，提升AI預測的精準度，難如登天。因為醫院在未經病患許可前，無權分享病患數據；若要逐一徵詢病患同意，曠日廢時。
「模型共享」取代「數據共享」
而「聯合學習」如何讓「共享」與「隱私」兼得？
杜奕瑾解釋，傳統訓練AI模型，必須要將所有數據集中在一台電腦中，才能進行訓練。
這就好比為了訓練一位醫師，將大量病人都送到同一所醫院，這對醫生來說或許方便，卻苦了需要舟車勞頓的病人。
而同樣是為了訓練AI模型，「聯合學習」正好相反，是先建立好一個模型，再讓該模型分頭進入各院所進行訓練，力求以「模型共享」，取代過去的「數據共享」。
如此一來，各院所不必貢獻病患資料，也能讓模型持續迭代，達到傳統集中式的訓練成果。
「就像是讓一位醫師輪調各家醫院，醫師同樣能看到所有病人，卻能讓病人們省去移動成本，」杜奕瑾生動比喻。
對此，北榮AI門診創辦人、臺北榮民放射線部神經放射科主任郭萬祐尤其有感。
早自2019年初，郭萬祐便在榮總骨科、神經外科、心臟科，導入協助醫師判讀腦瘤轉移的AI系統（DeepMets）。通過該系統判斷腦瘤轉移的時間，從20分鐘大幅縮短到30秒內，而且還能計算出腦瘤大小。
可惜的是，DeepMets推出初期，便受限於院際間的病人隱私問題，而無法針對北榮以外的影像資料進行學習。
郭萬祐解釋，各醫院處理影像的方式有許多細節上的差異。從醫師標註方式、影像系統、歸檔方式，都不甚相同，因此，即便DeepMets在北榮運作順利，也無法輕易導入其他院所。
幸好，隨著「聯合學習」在2020年的迅速成熟，讓DeepMets有了走出北榮的機會。
2020年中，看準「聯合學習」對AI模型的訓練方式，郭萬祐率先發起試驗，聯合AILabs、陽明大學、交通大學、瑞典哥德堡查理斯科大進行合作，成功驗證DeepMets透過「聯合學習」的訓練方式同樣有效。
今年3月，郭萬祐更聯合全國九所醫療院所，籌組「台灣腦瘤聯合學習起始會」，讓DeepMets從單一院所的AI模型，一舉成為有九家醫院數據訓練成果的「腦瘤判讀最強大腦」。
過去短短一年內，這陣「聯合學習」風潮，已經快速吹進全台醫療院所。2020年11月，由AILabs領銜，串聯全台11家醫學中心，正式成立「台灣聯合學習醫療聯盟」，力求加快探索「聯合學習」應用的各項可能。根據AILabs統計，該聯盟中，類似DeepMets的「醫療型最強大腦」，全台已有120個。
數據不洩隱私，迎向精準醫療
除了院際合作，未來個人也能透過「聯合學習」的機制，成為「腦細胞」的一份子。
今年2月中，部桃醫院重啟之際，為更加精準防疫，防疫中心推行使用「社交距離App」，正是「聯合學習」結合個人數據的絕佳示範。
杜奕瑾解釋，下載該款App後，只要曾與「確診者」接觸過，該App就會立刻發出通知。原理也採行「聯合學習」機制，App不會記錄關乎隱私的個人數據，僅記錄「去識別化裝置足跡」。
隨著精準健康逐漸成為趨勢，未來人工智慧勢必需要更多、更完整的個人數據，才有辦法給出精確的醫療判斷。
如何讓系統端串聯所有人健康資訊，而不侵犯到隱私，在杜奕瑾眼中，「聯合學習」也許就是答案。
這股未來潛力，政府也看到了。1月29日，由國發會主委龔明鑫發起，少見地共同串聯行政院底下四大部會：交通部、衛福部、經濟部、文化部，共同成立「台灣聯合學習產業大聯盟」，致力尋找AI在各行各業的全新可能。
接下來，「聯合學習」的AI革命才正要開始。
