对台湾医疗界来说，刚结束的2020年是特别的一年。2020年初，COVID-19疫情暴发，台湾人工智能实验室（AI Labs）联手台大医院、医保局、疾管局，以联合学习（Federated Learning）开发肺炎病症检测模型，随后，台北荣总也发布了以国产AI超级计算机验证联合学习可行性的成果，更成立全脑联盟，联手数家医学中心进行脑部联合学习项目。此后，即便历经疫情间各行业的沉寂，联合学习趋势不减反增，还实现更多里程碑，“从此打开台湾联合学习的时代，”AI Labs创办人杜奕瑾直言。
联合学习解决医疗AI小数据瓶颈
AI是场资料竞赛，资料量越大、种类越多，AI的预测能力越好。但对医疗来说，先天的高度资料隐私特性，导致训练资料取得不易。在小数据的限制下，医院要开发够强够准确的AI，可谓难上加难。
因此近年来，国际兴起一种分布式机器学习方法──联合学习。它的核心概念是，以模型共享取代资料共享，在顾及资料隐私的前提下，解决训练资料不足的问题。它的机制是，分散各地的端点将各自的模型参数，上传至中央服务器，再通过服务器聚合（Aggregate）这些模型参数，经优化后再回放到各端点，进行下一轮模型训练，不断重复直到模型收敛。如此，各端点不必贡献资料，也能享有集中式机器学习的效果。
这个源自Google为了训练手机键盘App的做法，立刻引起苦于个人信息隐私瓶颈的金融圈、医疗界的重视，比如，微众银行发起一个跨国合作的联合学习框架，要来打造信用卡防欺诈模型，或是英特尔联手宾州大学医学院，与29家跨国医疗机构开发脑瘤侦测AI算法，又或是Nvidia携手全球20家医疗机构，以联合学习打造COVID-19肺炎病情恶化预警模型。
在屈指可数的联合学习框架上，还出现了专门用于医疗的联合学习框架Nvidia Clara以及国产的Harmonia，使医疗业在联合学习发展上，成了领头产业代表。
AI Labs助力、北荣验证，揭开台湾医疗联合学习序幕
台湾在2020年也跟上了这股医疗联合学习的新浪潮。国际疫情急剧升温时，催生了台湾第一套开放全球使用的医疗联合学习模型。当时，AI Labs联手台大医院和医保局，以自家医疗图片平台TAIMedimg的联合学习架构，开发出SARS-CoV-2检测模型平台，用来侦测肺炎病灶。这套模型能在无症状疑似个案的核酸检验报告出来前几天，协助医生从X光片判断肺炎病症，只要20秒就能完成，准确率达90%以上。
当时，行政院还主导将这套AI模型部署至医保局，只要医院上传胸部X光片，就会启动模型检测，如呈高风险，便会自动通报疾管局。这不仅是台湾第一个获政府采用的联合学习模型，还是第一套开放给全球医学专家使用的联合学习模型。
同样在2020年初，也出现了台湾医院自主发起的联合学习应用试验性研究，掀起医院主导联合学习的开端。这场试验发起人为开发脑瘤侦测AI DeepMets的关键人物，也就是台北荣总放射线部主任郭万佑。他找来擅长AI研究的瑞典查尔摩斯理工大学交换生Lukas Nyström，利用国网中心台湾杉二号的云计算虚拟环境，构建5个代表不同医院的节点（Node），来测试联合学习训练方法。
在这场试验后，他也启动全脑联盟，联手台大医院、三军总医院、林口长庚医院等医学中心，来进行脑部联合学习项目。至此，台湾联合学习时代在医疗业揭开序幕。
台湾也有自产联合学习开源框架，本土联合学习力量渐强
紧接着，7月，AI Labs开源了自家联合学习框架Harmonia，开放Harmonia-operator SDK和差分隐私（Differential Privacy）函数库下载。AI Labs开源Harmonia的目的，是要让联合学习“Made easy”，让用户轻松训练、部署联合学习模型。
此前，台湾一直是联合学习后进者，没有太多技术掌控力和话语权。但Harmonia的开源，让这一情况有了新的转变。一般常见的联合学习框架有Google的Tensorflow Federated、脸书的PySyft、Nvidia的Clara、百度的Paddle Federated Learning（PFL），以及中国纯网银微众银行的FATE，但前两者只限于模拟，无法用来部署。
而Harmonia的加入，不仅让联合学习工具的选择更多样，还可实际部署，提高实用性。它采用工程师熟悉的环境和语言，如热门的开源工具Kubernetes、Git Large File Storage和GitOps等。此外，Harmonia也具差分隐私函数库，专门用来防止有心人窃取模型参数，从中推导出特定个人信息。
台湾联合学习医疗联盟成立，生态系统俨然成形
11月，台湾医疗联合学习迎来值得纪念的里程碑。当时，AI Labs号召六大指标医院和政府机关，包括台大医院、三军总医院、台北荣总、北医附医、台北慈济医院、中国附医，以及掌握医保大数据的医保局、负责制定医材法规的食药店，还有推动医疗AI政策的科技部和国发会，来共同成立台湾联合学习医疗联盟。
联盟的运行，会由各领域专家提出联合学习协议，先行训练出一套联合学习样板AI模型后，再邀请有意愿的医疗单位加入，以各自的资料在端点训练模型。联盟一成立，便获得不少医院询问，关键推手杜奕瑾举例，不只台湾各地医学中心表明入盟意愿，就连规模较小的区域医院和地区医院，也对入会有着浓厚兴趣。目前，联盟进行的联合学习题目，已涵盖医疗图片、医疗数据、多组位基因、个人生理资料等领域。
杜奕瑾指明，联盟目标不只要提供医院构建联合学习系统的资源，还要以台湾为示范场景创建平台机制，来降低入门门槛。重要的是，联盟还将提供联合学习临床验证成果与相关法规认证的对接资源。
不只如此，台湾联合学习经验在2020年也获得不少国际注目。比如，由OECD国家倡议成立的国际指标性AI组织人工智能全球伙伴联盟（GPAI），就邀请台湾分享医疗防疫联合学与资料治理经验，作为AI发展所需解决的跨机构资料共享难题参考。此外，多个国家也找上AI Labs，来签订联合学习项目协议，像是全球基因组学与健康联盟（GA4GH）。
东风已来，台湾医疗FL模式成产业AI协助示范
至此，台湾医疗联合学习发展走过试验落地、开发工具自产、产官联盟正式成立的阶段，加乘了医疗联合学习的发展能量，生态系统俨然成形。
更大的意义是，这一套联合学习框架、工具和实务发展经验，不只适用于医疗产业，只要有小数据或资料隐私考量，又需要大数据来训练AI模型的场景，也可以借鉴医界结盟的做法和经验，来发展出其他产业或集团式的联合学习实践，甚至是用来尝试更多过去受限资料不足无法展开的AI应用创新。杜奕瑾更透露，AI Labs正将医疗联合学习模式，推广到智慧城市和人机应用领域，将陆续提出相关计划。
联合学习东风已来，先行乘风起飞的台湾医疗业，成为AI协助开发的产业代表，可以成为其他产业发展AI小数据的参考范例。