對AI產業來說，數碼醫療可以快速發展，尤其是醫療影像的數碼學習以及醫療影像的分享，計算機斷層、核磁共振、腹部超音波的影像跨院信息分享等。

以心臟超音波(echocardiography)為例，一個典型的研究需要70筆左右從各個視角(viewpoint)拍攝的影片，而且這些影片的拍攝視角往往沒有注記(label)。要做心臟超音波的機器學習，大概會做下列幾件事：1.建立自動化計算機視覺流線(automated computer vision pipeline)以自動下載超音波影片及其元數據(metadata)。2.以卷積神經網絡(CNN)機器學習辨識視角。3.以卷積神經網絡在圖像中識別物件(image segmentation)，譬如左心房。4.心房、心室結構和功能之量化。5.以噴出比(ejection fraction)和全域縱向應變(global longitudinal strain)－上一步驟所獲得的量化數據－判斷心臟功能。6.建立心臟疾病模型，壁如心肌肥厚或淀粉樣變性(amyloidosis，一種類似阿滋海默氏癥因蛋白質錯誤摺疊所形成的心臟疾病)等。

我講的這個例子不是過去既有的知識，而是剛在arXiv上1月公開的文章(https://arxiv.org/abs/1706.07342)，正在送到期刊審核、發表，這是學術研究的前沿，但是也有立即轉化成應用的潛力。

目前醫療、AI界也有類似的合作計劃，進展也相若。但是資料流通架構，以及從其中累積的大數據在AI領域這已經成了常識：數據的多寡比算法的優異與否更重要，而且通常領先者全拿，像Google的查找引擎。以上述研究為例，使用的資料僅是從3個個別資料庫取出的4000筆心臟超音波影片。

針對醫療行為本身的使用，這個架構如果要能夠提供數碼醫療機器學習使用還需要至少幾方面的基礎建設：

1. 高性能計算能力(HPC：High Performance Computing)。人工智能所需的GPU及類似芯片，有一部已可穩定運行，另外還要涵蓋資安、帶寬等考量，這是人工智能主要計劃之一。

2. 一個類似Google File System或Colossus的系統?，F在各醫療院所分散式的儲存醫療資料需要能夠讓AI計算機從遠程自動、流線式的讀取經核可的選定檔案。

3. 醫療資料的規格及醫師的注記。以前述的心臟超音波為例，雖然都是用醫療數碼影像傳輸協定(DICOM；Digital Imaging and Communications in Medicine）在醫學影像存檔與通信系統（PACS；Picture Archiving and Communication System）下運行，但是離機器學習的方便、有效使用還有相當距離。

AI醫療的開展進一步會回饋到整個醫療體系，以前述的心臟超音波研究為例，提供遠距、快速、高質量、低費用的醫療診斷以及疾病預防！