2019新型冠狀病毒引發的肺炎疫情，自去年年底爆發至今，臺灣各大報紙媒體皆報導運用AI分析大數據，用於預測疫情的新聞：

新聞指出，利用人工智慧分析大數據，可以同時收集官方以及非官方來源的資訊，分析與疾病相關的詞彙，比政府單位更快發現疫情。此外也可事先預測疾病蔓延的地點，甚至可以排名城市疫情危險的係數。

然而目前的AI實際協助疾病預測，仍有限制和必須克服的困難。我們邀請專家針對訓練AI的資料、預測模型等方面回應如下：

2020年3月14日
國立臺灣大學地理環境資源學系教授兼系主任／國家蚊媒傳染病防治研究中心 防疫研究專家 溫在弘

人工智慧技術需要仰賴大量的數據，才能找出重要的特徵來進行預測。例如，醫學影像辨識、人臉辨識、聊天機器人等領域大多累積足夠的資料，透過機器學習與電腦快速運算的特性，才能建立有效的預測模式。若將人工智慧技術的架構應用於疫情預測，目前尚有一些需克服的瓶頸：

1. 新興傳染病數據累積不易：我們能用累積足夠的資料，針對經常性的流行疫情發展預測模式，例如：流行性感冒、登革熱等，因為我們能逐漸掌握這些疫情的流行週期、嚴重度與危險因子等特性，所以預測模型的準確性足夠。然而，新興傳染病是由於自然環境與社會結構快速變遷，導致某些病原體開始對人類宿主有致病能力，故多數人都不具免疫能力，受感染地區可能因為人畜或人際之間互相傳染而大幅擴張，擴張速度及範圍的數據比經常性的疫情更難掌握。例如：2003年的SARS、2009年的新型流感（Influenza A/H1N1）和當前的肺炎疫情（COVID-19）等。相較於每年流行的流感或登革熱等疫情，由於大規模疫情爆發頻率較低，我們目前無法累積足夠的傳播途徑、感染效率等數據。因此在疫情爆發階段，大規模新興傳染病很難有足夠的訓練樣本，無法比較每年造成疫情流行的不同條件，故較難訓練人工智慧發展出合適的預測模型。

2. 人類行為的複雜性高，不易全面收集分析：疾病傳播會因為人群之間的互動型態（例如：接觸、飛沫或血液等不同途徑），造成病原體傳播過程不同。而且不同的交通工具（公車、捷運、開車等）與不同人口特徵（性別、年齡、職業等）造成人群間接觸頻率與接觸時間的差異，皆會影響疾病傳播。但很難完整收集這些數據並分析，因此我們尚未全面理解這些影響疾病傳播的重要參數和機制。若能透過物聯網與大數據的架構，可更細緻收集大量人類複雜行為的資料，有助於後續發展基礎的預測模型。另一困難在於個人隱私權的保護，涉及到誰可以收集或使用這些資料，需處理更複雜的資料隱私議題。

3. 深度學習架構複雜，不易找出預測關鍵：複雜的人工智慧神經網路在足夠的資料下，可以建立有效的預測模式。然而，深度學習往往就是許多輸入參數、模型建立，最後直接得出結果。在這過程中，我們依然很難理解這些參數如何相互影響，難以從這些複雜的模型外部，去了解神經網路內部的運算狀況。因此，即便對於同樣的疾病，例如這次的肺炎疫情，利用韓國疫情數據訓練出預測模型，同樣的參數可否延伸到預測歐美的案例，仍充滿不確定性。就算神經網路模式的疫情預測能力很精確，但若不瞭解不同參數效果，很難找出影響疫情走向的關鍵變數。

疫情擴散涉及生物系統與社會系統相互作用的複雜機制，若用人工智慧神經網路架構去預測疫情，目前我們無法清楚解釋AI預測的詳細機制，很難用預測結果來輔助發展合適的防疫策略。因此，我們應該理解運用人工智慧預測疫情的侷限性，以謹慎保守的態度看待模式預測的結果，避免過度詮釋預測的感染人數，造成不必要的社會恐慌。

版權聲明

本文歡迎媒體轉載使用，惟需附上資料來源，請註明新興科技媒體中心。
若有採訪需求或其他合作事宜，請聯絡媒體公關：

曾雨涵

haharain331@rsprc.ntu.edu.tw
02-3366-3366#55925