随着人工智能(AI)、机器学习(ML)的浪头涌向各个产业，市场上开始热烈讨论著哪些工作将被电脑取代，而这股热潮也无可避免地漫向医学界，近期甚至有报导建议，应停止放射科医师的培育，因为机器学习的能力在5年内就会超越该领域专业人员。不过，也有医学界人士提出不同看法，认为这些技术并不会取代医生或研究人员，而是会担任辅助角色，提升医学工作的效率。据Bioscience Technology网站报导，在临床前研究、肿瘤研究等医学领域中，研究人员往往肩负着庞大的数据搜集及分析重担，过去这类工作进行起来旷日费时，如今有了AI及机器学习的协助，便可在短时间内完成这些工作，而这无疑也为生命科学研究开辟了一条更宽广的道路。简单来说，只要拥有运算能力强大的电脑，再给予大量科学期刊的研究成果、患者病历数据等各类数据，就足以建构出AI网路，供研究人员在日常工作中使用，包括进行数据测试、合理性评估等，而原本像大海捞针的生物标记也能在AI的协助下快速完成。另外，AI也能为品质控制发挥助力，例如临床前**开发或试验过程中，便能集结来自各方的大量数据，让研究人员或医学社群可共享资讯及协作，并更有效率地进行数据探勘(Data Mining)。AI及机器学习还会用搜集的资讯或先前的错误来训练电脑，降低日后的错误率。随着医学进步，也累积了大量数据，且数据还在持续增加中，而云端技术的进步让这些数据得以全部储存下来，如今AI及机器学习的发展，终于让这些数据能更有效被运用。不过，目前的AI仍处在开发的早期阶段，因此目前仍存在着一些极限，例如在直觉智能(Intuitive Intelligence)的发展上，电脑仍无法取代一个经验丰富的研究人员。而尽管AI可大幅提升数据探勘的效率，执行时仍须仰赖人工的引导来完成相关设定、训练及使用系统等任务，以达到*佳成效。The New Yorker先前也有报导提及，机器或许可用来协助快速、有效率且精准地为研究问题找出答案，却无法解释问题的成因，但这才是研究当中*重要的部分，也是驱策医学进步的动力，故此层级的分析工作就需要仰赖专业人员来进行。再者是，AI也有可能会因过适(overfitting)训练，产生出不能确定或错误的资讯，例如自然(Nature)期刊网站就曾探讨过，AI演算法其实也可能被轻易骗过，因此研究人员对于系统所提供的资讯仍须审慎检视。总结来说，AI、机器学习或将以在目前系统背景里运行的形式，被整合进生命科学研究中，就算来日因相关技术渐趋成熟而改变了做研究的方式，也不会取代研究人员的位置，而会以辅佐的角色存在，届时将使研究人员工作起来如虎添翼。
公安机关备案号：
