WFU

2017年5月21日 星期日

淺論AI for healthcare的台灣機會






作者:林佳緯醫師



剛好早上跟 陳育群醫師聊到健保資料庫,大神貼給我李開復老師的專訪,沒想到過沒多久就看到這篇澄清文。


 

我對AI的理解還很粗淺,也覺得李老師說法跟我的觀察很類似:在七大黑洞公司面前,很難有其他新的挑戰者。在這個面向,我想林百里董事長的見解也是對的。

有跨國大企業,就沒有中小企業的舞台嗎?中小企業以往是怎麼獲利的呢?我覺得這問題與「台灣如何在AI競賽中不被淘汰」類似。搞清楚,台灣就是這麼小的市場,根本無法靠本地市場存活,也就不能套用美國、中國的思考模式,而是想辦法卡進大國的價值體系,或者靠靈活性做出大國難以做出的產品。當然目標市場必須在台灣之外。

IBM CEO Ginni Rometty說,big data是最新的natural resource。(影片)台灣天然資源也缺乏,那我們這麼些年怎麼活下來的?


如果今天要解決的問題是癌症治療,用數據找出最適合某病人的治療方式,我覺得台灣絕對不是 Google Deepmind Health 的對手,台灣做的model、FDA絕對會要求你做白種人的。反過來,不要正面對決,把台灣建立的模型與初步成果找Google、IBM Watson 合作、進入亞洲市場呢?大公司不用從零開始,而且可以用他們資源迅速scale up,我們從中獲取利潤,不也是一種模式?(前提:該產品是他們的缺口)

麻煩的是,建立model後,就算你的methodology可以申請專利,在大公司面前這門檻還不夠高,想要複製並非不可能。但若是 Full Stack solution呢?「全棧」的定義很多,我個人比較喜歡「從硬體、軟體、服務、到AI」,而且該項產品有高品質、可掌控的data產出、清楚的value proposition、直接面向美國、中國、日本、印度等級的大市場,迅速整合與高品質製造,這,就是台灣的專長了。

個人拙見,不能被市場大小迷惑,「要解決什麼問題」才是關鍵。AI只是工具之一,而GIGO(Gabage-in-Garbage-out)比想像中常見。


台灣可行的切入點


另外,台灣現在才在講穿戴式,但是穿戴式裝置的data必須產生「意義」才有價值,在這當中AI可以是一個重要工具。例如最近一則新聞,Apple watch收集到的血壓心跳data、拿來訓練AI做中風的早期偵測,就是一個可能的方向。若該演算法有效,醫療做早期介入預防、降低中風機率與醫療支出,這套系統簡直是疫苗,值多少錢?

資料分析大體上可以分作descriptive, predictive, 及prescriptive三個層次,當我們得到高品質的大量數據,先靠數據描繪分析事件(description),從數據的歷程做出預測(Prediction),再做出實際動作或調整(Prescription)。




數據/AI可以省去許多低階重複性的工作,資料分析後可以進一步預測、並做出許多跳脫框框的建議,就像AlphaGo下出許多人類無法理解的棋步。


小結


AI是一種工具,如何取代低階重複性耗時的工作、提昇healthcare的效率利用它產生有用的建議,藉此提高healthcare品質,打中某個特殊的需求,才是真正要關心的事。而在這方面,大家都才剛起步呢。



延伸閱讀:

Digital Health的商業模式

MEDxLIVE @NCKU充電心得

[Biodesign] Development planning