人工智慧醫療器材設計開發與商品化挑戰

黃柏森、王冠中、蔡怡青、王舜民、陳芃婷*

        人工智慧包含了機器學習（Machine Learning, ML）、深度學習（Deep Learning, DL）和自然語言處理（Natural Language Processing, NLP）等概念，通過識別大量輸入的訊息，可以模擬人類的學習、預測、分析和結論推斷的能力，以完成特定任務。醫療保健期盼透過AI的應用，有效地減少醫療資源的浪費，並降低龐大的醫療支出，故亦將AI廣泛應用於整理、歸納、理解和分析複雜的醫療數據，進一步推動了醫療保健領域的技術創新與突破1。GlobalData的報告中顯示AI將在 2023 年成為醫療器材創新的主要驅動力，並強調AI在醫療上的應用會持續增長；報告中亦指出AI於 2023 年市場規模將達到 930 億美元，比 2022 年增長 12%2。全球各國亦陸續針對AI醫療器材之相關應用增列相關的指引與監管制度，以加速醫療智慧化的發展3。

       在AI醫材設計開發方面，美國FDA相較於各國AI應用於醫療器材之規範相對成熟，USFDA於2019及2021年提出「使用人工智慧/機器學習演算法之醫療器材軟體變更之管理架構-討論文件」(Proposed Regulatory Framework for Modifications to Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD)-Discussion Paper and Request for Feedback)4以及「人工智慧/機器學習行動計畫」(Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD)-Action Plan)5，針對AI醫療軟體的開發研擬並精進相關監管措施，FDA根據目前醫療器材相關指引及專屬軟體(SaMD)規範將需要自學習或持續學習的軟體進一步審查批准，並將AI演算法作為持續修正的目標。針對這些AI應用之醫療器材的高迭代率，自主性和自適應性質提出總產品生命週期(total product lifecycle, TPLC)的監管架構(圖1)，使AI醫療器械在受到監管的同時義能持續改良相關規範。

圖1、FDA對於AI監管架構流程之TPLC策略

(成大生醫科技商品化研究室整理自USFDA醫療器材應用之人工智能/機器學習的監管框架，2021)

        FDA提出的管理原則包含製造商需對醫療軟體產品建立符合標準之「優良機器學習規範」(Good Machine Learning Practices)，並以健全的組織制度與文化品質為基礎提出上市前審查，評估醫療軟體產品之安全有效性。在產品整體生命週期中，持續管理醫療軟體產品對使用者可能潛在風險。製造商也應以風險管理標準對開發之醫療軟體產品進行監控，包含以SaMD預定規格(SaMD Pre-Specifications)及演算法變更協定(Algorithm Change Protocol)等管理方法作為其監控標準。最後，製造商需提交產品上市後「真實世界使用之功能表現監控報告」(Real-World Performance Monitoring Report)，以持續進行醫療軟體產品性能風險追蹤評估。此外，公部門等AI醫療器材管理或發展相關單位亦發表許多的報告提供了AI醫療器材的開發各方面的指引與應對方針，如歐盟(EU)聯合研究中心(Joint Research Centre, JRC)針對AI發展提出的評測文件”AI Watch: Artificial Intelligence Standardisation Landscape Update”6，AI醫療器材開發公司RETINA-AI Health也提供了風險管理指導文件” Risk Management of AI/ML Software as a Medical Device(SaMD): On ISO 14971 & Related Standards & Guidances”7。可望更進一步的加強AI醫療器材的發展效益與能力，致使AI醫療器材得以更安全廣泛的應用於生活中。

        隨著監管單位與投入與設計開發業者的積極與努力，監管制度亦日益優化。2020年1月以前，FDA核准的AI類醫療器材的總數為213筆，集中於8個臨床科別(圖2)8，至2023年3月為止，FDA核准AI類醫療器材的總數到達521筆。隨著AI技術發展與突破，投入AI醫療器材開發的業者日益增加，然而成功取得上市許可並取得預期獲利的案例有限。

圖2、2020年1月以前，FDA批准的AI醫療器材種類分布

(圖片來源: Benjamens, S., Dhunnoo, P., & Meskó, B. (2020). The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database.)

      AI醫材之設計開發，除了需要釐清使用者的需求與相關法律規範外，亦須同步考量其商品化可能面臨之挑戰，以有效率地進行產品開發與資源配置。目前AI醫療器材商品化之相關困境主要包含：1. 數據收集與品質；2. 演算法經度與穩定度；3. 跨域法律合規問題；4. 臨床配合與適應性；5. 獲利模式之建構 (圖3)。

圖3、AI醫療器材商品化之困境

1. 數據收集與品質：AI醫療數據在取得與應用方面亦存在爭議，研究指出AI數據處理須考量五個道德性指標，包含隱私權、知情同意、數據安全、客觀性以及數據擁有者身分等面向9，這些道德也挑戰影響了AI醫療軟體開發的設計思維與應用。

2. 演算法精度與穩定度： AI醫療器材需要進行醫療數據的判讀，因此所取得之醫療影像數據須經由具豐富經驗與專業能力的臨床醫師進行評估，更影響AI演算法的精確度與穩定度，明確的定義將呈現的醫療信息歸類並剔除不確定性的數據來源10。若醫生判讀能力不足將會使不正確的數據結果影響整體系統判讀造成誤差，造成AI醫療器材的失效與危害。

3. 跨域法律合規問題：AI醫療應用在道德法律和社會影響的討論與聲明從各國政府、相關專業人員及組織中不斷湧現11，不同的國家間對於AI醫療器材的態度與規範都可能存在顯著的差別，相關利害關係人雖然在發展過程了對AI醫療應用的潛在優勢感到興奮，卻仍擔心潛在的危害和風險。許多文獻與研究針對AI醫療數據使用提出了質疑與評論，包含AI醫療數據的使用、存儲、公共利益與私人商業化，開放式個人資料數據對於隱私及醫療應用的正反面評估12與患者醫療記錄於商業行為的濫用與公平性問題13。這也致使醫療數據安全與倫理道德考量將成為各國政府、相關單位及利害關係人在AI醫療應用上不可忽視的議題。

4. 臨床配合與適應性：為了對診斷或預測性AI醫療器材的性能進行臨床確認並通過其對患者結果的影響(效益與風險)來證明其價值，這都需要通過完善的臨床試驗或精心設計的觀察結果研究來實現，並在有效的數據判讀取得與臨床驗證完成後，還需進行嚴謹的統計分析，以排建立完善的訓練模型以確實應用在臨床評估與診斷任務中 14,15。

5. 獲利模式之建構：儘管AI技術正在快速發展，但它仍處於市場認可的早期階段，對於產品的技術商業模式、銷售渠道的建立、不同技術及公司的協同合作關係、產品競爭力評估及投資戰略等商品化考量都是為AI醫療產品開發者與企業需要面對的重大挑戰16,17。

參考文獻

1. Noorbakhsh-Sabet, N., Zand, R., Zhang, Y., & Abedi, V. (2019). Artificial intelligence transforms the future of health care.  https://pubmed.ncbi.nlm.nih.gov/30710543/
2. (2)GlobalData (2023). Medical devices industry headed towards AI and machine learning in 2023. https://www.globaldata.com/media/medical-devices/medical-devices-industry-headed-towards-ai-machine-learning-2023-says-globaldata/
3. Pesapane, F., Codari, M., & Sardanelli, F. (2018). Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine. https://pubmed.ncbi.nlm.nih.gov/30353365/
4. US Food and Drug Administration. (2019). Artificial intelligence and machine learning in software as a medical device. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-software-medical-device
5. Joshi, G., & Bhandari, M. (2022). FDA approved Artificial Intelligence and Machine Learning (AI/ML)-Enabled Medical Devices: An updated 2022 landscape. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices
6. Josep, S. G., Songul, T. O. L. A. N., Isabelle, H. T., David, F. L., Vasiliki, C. H. A. R. I. S. I., Emilia, G. G., ... & Cecilia, P. A. N. I. G. U. T. T. I. (2023). AI Watch: Artificial Intelligence Standardisation Landscape Update (No. JRC131155). Joint Research Centre (Seville site). https://futurium.ec.europa.eu/en/european-ai-alliance/document/ai-watch-artificial-intelligence-standardisation-landscape-update
7. Odaibo, S. G. (2021). Risk Management of AI/ML Software as a Medical Device (SaMD): On ISO 14971 and Related Standards and Guidances. https://arxiv.org/abs/2109.07905
8. Benjamens, S., Dhunnoo, P., & Meskó, B. (2020). The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database. https://pubmed.ncbi.nlm.nih.gov/32984550/
9. Kohli, M., & Geis, R. (2018). Ethics, artificial intelligence, and radiology. https://www.researchgate.net/publication/326410774_Ethics_Artificial_Intelligence_and_Radiology
10. Gore, J. C. (2019). Artificial intelligence in medical imaging. https://pubmed.ncbi.nlm.nih.gov/31857130/
11. Carter Jr, R. A., Rice, M., Yang, S., & Jackson, H. A. (2020). Self-regulated learning in online learning environments: strategies for remote learning. https://www.researchgate.net/publication/342474634_Self-regulated_learning_in_online_learning_environments_strategies_for_remote_learning
12. Culnane, C., Rubinstein, B. I., & Teague, V. (2017). Health data in an open world. https://www.researchgate.net/publication/321873477_Health_Data_in_an_Open_World
13. Cohen, I. G., & Mello, M. M. (2019). Big data, big tech, and protecting patient privacy. https://pubmed.ncbi.nlm.nih.gov/31397838/
14. Park, S. H., & Han, K. (2018). Methodologic guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction. https://pubmed.ncbi.nlm.nih.gov/29309734/
15. Parmar, C., Barry, J. D., Hosny, A., Quackenbush, J., & Aerts, H. J. (2018). Data analysis strategies in medical imaging. https://pubmed.ncbi.nlm.nih.gov/29309734/
16. Anokhin, S., Wincent, J., & Frishammar, J. (2011). A conceptual framework for misfit technology commercialization. https://www.sciencedirect.com/science/article/pii/S0040162511000023
17. Alexander, A., McGill, M., Tarasova, A., Ferreira, C., & Zurkiya, D. (2019). Scanning the Future of Medical Imaging. https://pubmed.ncbi.nlm.nih.gov/30522844/

作者資訊