Regina Barzilay:與AI合作,讓醫療裝置變得更聰明

撰文記者 李虎門
日期2017-08-21
EnglishFrenchGermanItalianPortugueseRussianSpanish
Regina Barzilay/麻省理工學院資訊與電機工程學系 台達講座教授

Regina Barzilay的研究領域主要著重於自然語言處理(Natural Language Processing, NLP),希望藉由各種自然語言模型的開發,解決真實世界語言運的問題。

她於2003年以NewsBlaster的開發研究取得哥倫比亞大學電腦科學博士,現為麻省理工學院電腦暨人工智慧實驗室(MIT CSAIL)研究員。NewsBlaster能從不同的新聞報導中,辨識出相同的故事主題,並且能將重點整合後產生摘要。

不僅如此,Barzilay在這領域的貢獻也獲得眾多獎項肯定,包括國家科學基金會生涯獎(NSF Career-Award)、麻省科技評論(MITTechnologyReview)TR-35獎、微軟學者與自然語言處理年會最佳論文獎。除了在研究領域上突出的表現,Barzilay在教育上的貢獻也相當傑出,曾在2016年榮獲Jamieson教育獎。

今年6月,她受時代基金會邀請,來臺參加「數位醫療國際論壇」。

我來自以色列,大學和研究所畢業於以色列班古里恩大學(Ben Gurion University),後來到美國攻讀哥倫比亞大學(Columbia University)電腦科學博士學位。

或許,正是因為母語是古老的希伯來文,讓我對於解碼失傳語言特別有興趣,也是我真正踏入自然語言處理(Natural Language Processing, NLP)的研究起點。簡單來說,就是教電腦聽說讀寫人類的語言。

也因此,我在撰寫博士論文時,開發了自動生成新聞摘要的軟體NewsBlaster。這套軟體能蒐集不同新聞媒體對同一題目的報導,將所有新聞報導分析出重要內容並產生摘要。

後來,到了麻省理工學院教授機器學習相關課程,也持續投入自然語言處理的開發,並且繼續著手開發AI系統,讓其能有自主瀏覽網頁,進行知識填補的能力。

癌症逆襲 改變研究領域

然而,在43歲那一年,研究方向有著明顯的變化。我從機器學習的領域,一腳踩進數位醫療。

3年前,我被診斷出乳癌。由於我本身乳房組織密度較高,屬於乳癌高危險群,因此每半年做一次乳房攝影檢查,為期兩年的檢查周期最後一次,卻發現了惡性腫瘤。

事後,我內心中一直有疑問,第一,「為何是我?」,因為我的家族並沒有相關病史。第二個問題是,這兩年的檢查當中,難道無法從影像醫學的細微變化,看出我的乳房組織可能進化成癌細胞?

由於現在「治療」癌症病人的方式,都有「人為」的因素在裡面。無論是做超音波還是病理切片,都是交由「人」來判讀,並且將病情做出分類。不過,這些醫學影像不是直接交給醫師判斷,而是由受過訓練的專業技師去判讀。

當專業技師在做判讀的時候,會用他們所依循的「項目」去分類罹患病症的患者。過程中,當我們把複雜的病理,利用簡單的原則作為分類指標時,我們將會錯失很多訊息。

這也意味著現行蒐集、分析數據的高科技,仍未真正被應用在醫療領域。因此,在我開始接受治療之後,我決定改變這件事。

當下,利用我在AI領域多年的研究經驗,尋找醫師群合作。尤其,我瞭解到被譽為全球最好的麻省總醫院(MGH),正在發展一些癌症治療方式,我想這是我的任務以及內心的期盼。

AI系統輔助 預防治療不是口號

機器可以做到、人類做不到的就是,同時看數百萬張醫學影像,然後做出人類無法提出的精準預測。

以乳癌為例,根據醫學影像以及切片病理報告,一張極為複雜的器官影像,在技師判讀後,可能直接被簡化成幾種數據、幾行判讀文字。甚至在一份研究指出,高危險群乳癌患者在照出腫瘤後,無法確定是良性還惡性,多半都會同意直接開刀切除,但最終其實有87%的病理切片是良性的。

因此,這些問題出在哪裡。我認為,這是圖形運算可以幫助醫師的地方。

以MGH為例,無法確診良性或惡性的腫瘤,進手術房的比例是100%,透過我們團隊所開發的這套系統分析,至少可以在術前判讀出30%的良性組織,大幅減少侵入式醫療的機率。

這套軟體也可以分辨哪些乳房組織比較可能發展成癌細胞,藉此提高醫師投藥的劑量與準確度。而且機器學習和數據運算也可以應用在製藥,透過化學物與患者醫療史的交叉運算,組合出製作成本低、效用更好的藥品。

未來,半年一次的醫學影像,或甚至過去十年的病歷記錄也許也能夠用交叉運算,機器可能比人眼更早發現生理組織病變,屆時,預防和提早治療就不會只是口號了。

擁抱新科技 讓治療量身訂做

我認為,開發醫療運算法不是要來取代影像醫學判讀的技師,而是找出人眼無法判讀的病變,讓機器協助醫護人員執行更準確的治療。

當然,機器偶爾也有可能會出錯,譬如判讀的準確率為95%,還是有5%的誤差值。這也是為什麼,我們實驗室非常努力的在更新模型(model),因為我們知道,如果要讓醫師有信心使用這些科技進行預測,就必須降低誤差值。

另外,提供這項工具也可以改變醫療護理人員的分工。在很多醫療體系中,患者真正缺乏的就是從醫療照護提供者這邊,獲得「個人化」的集中照顧。

這也是我認為機器永遠不能取代醫師、護理師的原因,因為AI系統的運用,除了讓治療能朝精準化之外,重點是減輕醫療人員的負擔。如此,醫師就會有更多時間和患者一起,就治療方案相互配合,讓癌症治療能「量身訂做」。

採訪整理/李虎門、蔡立勳

>>本文刊登於《環球生技月刊》Vol. 46

更多台灣生醫康產業報導,請鎖定環球生技: https://news.gbimonthly.com