人工智慧（AI）在各個產業百花齊放，
SEO優化
，醫療影像在機器學習、深度學習等方法透過ImageNet影像辨識技術，
網路行銷
，輔助臨床醫師減少誤診外，
關鍵字如何操作
，更有提升識別效率和降低成本的優勢，
網路代銷公司
，台灣也陸續有醫院推出AI的門診，
專業社群行銷 台北
，輔助醫師在診間進行醫療影像的判讀。美國國家衛生研究院（NIH）、北美放射學會（RSNA）、美國放射學院（ACR）等醫療影像研究機構提出，
網路代銷
，從醫療影像取得、數據處理及深度學習演算法到可解釋的AI等階段，醫療影像從研究階段加速轉進為臨床實證，並提出三個未來計劃方向。相關的政策與醫療法規亦需同步進行討論與規劃。 提升數據共享及可用性• 臨床醫療影像具有高分辨率、包含文字、圖像、影片或動作等多種形態交互存在、3D或4D等不同特性的圖像類型，用於建構內含人體生理學、解剖學和病理學等知識的人工智慧醫療影像模型。• 由於資料隱私問題阻礙數據的收集，而單一的訓練數據來源或數據量不足，都會導致模型缺乏多樣化的訓練，結果也可能會受到限制，因此開發新的學習方法，結合多機構的數據集進行的機器學習，除要高品質、已標記及去識別化等要求，更須依循科學數據管理的原則，符合影像數據標準，達到可查找，可訪問，可相互操作且可重覆運用的四項共享數據的標準。強化深度學習• AI在醫療影像通常是決策支援的工具之一，提供臨床醫師可操作的建議，所以醫療影像的機器學習著重確認是否存在疾病狀態的分類、正常組織與異常組織的識別、異常組織偵測、定位、計算距離等功能，協助臨床醫生框出異常組織的輪廓。• 為將原始數據更有效的重建圖像，醫療影像從機器學習訓練系統進化到深度學習的學習系統，可以有效提高臨床醫學影像的訓練效率，整合臨床影像大量訓練資料，進行圖像分割，重建和增強等更複雜的訓練模型，有助臨床醫師進行掃描成像時，使用較小劑量的靜脈造影材料，較低輻射劑量及較短時間掃描和重建高品質影像。研發可解釋的AI• 除醫療法規目前缺乏對演算法的規範，AI要能結合到臨床醫學的工作流程，還有障礙要克服，對於機器學習的模型，會因為歷史的訓練資料偏誤而產生誤判，不具解釋力的模型很難發現是否產生偏差，臨床中也無法確認演算法所輸出的結果，缺乏解釋能力的模型較難在臨床醫學中實踐。• 可解釋的人工智慧(Explainable AI)具有模型的解釋能力，除可為深度學習的黑箱模型提出解釋，在模型輸出決策時，也會描述模型局部行為輸出決策背後的解釋，提供給臨床醫師AI的決策判斷說明，如果模型、類神經架構或參數等產生錯誤，醫師亦能同步修正進行調整。（作者是國家實驗研究院科技政策研究與資訊中心研究員），