事實上，我在進行中期主題探索：「融入 AI 比較台灣全民健康保險法和越南健康保險法的差異」的過程並一直不很順利，主要原因是「軟硬體」的不足，軟體指的是我個人資訊程度尚不足，硬體指的是我所操作的電腦太過老舊，無法應付大語言模型對算力的要求。
在此同時，僅短短幾個月的時間 ，各種多模態人工智慧應用平台蜂湧而出，影像創作、語音辨識、文字生成、程式編碼… 可說是讓人眼花撩亂。為了擺脫免費版 GPT-3.5 和 其他類似 LLMs 平台的束縛，並且體驗多模態的威力，我嘗試開始訂閱、使用 GPT Plus，特別是運用 OpenAI 的 API 於各種開源模型，我這才真正體驗到人工智慧的強大之處。
隨著我學習、測試 GPT Plus 在多模態的表現，尤其是 Open AI 發表 GPT-4o 以後，我開始加入一些更接近我心目中和醫學相關的元素，例如醫學數據分析和醫學影像診斷以及建立 AI 醫學 GPTs (機器人/智能體)，這些測試結果都讓我感到非常經驗和震撼。
高一暑假期間我參加了成功大學和台灣大學的醫學營隊，隊輔學長姐分享了一篇台大醫學院吳明賢院長的臉書貼文，內容是吳院長參加美國內科醫學年會，聆聽醫療 AI 專家 Eric Topol 教授關於「AI 如何改變醫療」的開幕演講。
拜讀完吳院長的文章後，我隨即上網搜尋 Eric Topol 教授的學術背景和相關演講資料，那一剎那，我知道，「AI 如何改變醫療」完全契合我過去一年多時間的探索和實驗經驗，這正是我可以著手探討地的自主學習計畫主題。
在經歷一年多 AI 風潮的洗禮後，作為一名對醫學懷抱熱忱的高中生，我深感 AI 技術對未來醫療的深遠影響，選擇「人工智慧將如何改變醫學—探討與實作」作為自主學習主題，除了是基於對人工智慧交叉結合醫學領域的興趣，更希望透過本學習，能更深入探討 AI 在醫學實際應用中的挑戰與潛在機遇。
Al如何改變醫療 飛機早上5:30到波士頓機場，馬上趕到會議中心換裝 參加今年美國內科醫學會年會的開幕典禮，安排如此鐵 人行程主要是開幕演講的貴賓Eric Topol是鼎鼎大名的 醫療AI專家，他除了學術著作等身外，暢銷科普書籍「深層醫學」，更是被眾多想了解AI如何影響醫療的必 讀入門書。
沒有人會反對人機智慧協同會將醫療文化演進推到紀元，Topol教授此次演講著重在醫療診斷，因為每年因診斷錯誤造成死亡或永久傷害的美國人高達80萬人。 第一類unimodal supervised Al，需要人標註，但發展 出的影像診斷，不管是乳房攝影或大腸息肉的腫瘤判 讀，均有RCT （隨機控制試驗）証實優於普通醫師。更 令人驚嘆的是如此開發出來的機器眼（machine eye）可 以見人眼所未見。不管是眼底鏡像、心電圖、胸部X 光、甚至病理片，大大擴展範圍。光靠AI有所謂的 doctorless diagnosis,也衍生不少做human coaching 的新創公司。
第二類的multimodal selfsupervised Al,技術的進步 更是一日千里，這一類技術也包括大型語言模式(large language model,簡稱LLM)從一開始的在美國醫師執照 考試完勝師，最近的研究更進展到鑑別診斷、病歴摘要、臨床推理，均優於醫生。讓人驚訝的是連促進同理心(promote empathy),都比較好，原本我還以為There is no algorithm for empathy,看來我們人類醫生要加油了 ！
Al在病歴制作、初步篩檢所有影像、自動對非嚴重狀況的初步判斷、以及工作流程幫我們人類醫生省下來的 時間，可以讓我們醫生有更多時間接觸、關懷病友，以 促進醫關係合諧，從而改善療效。最後Topol也總結， 雖然醫療AI已經大幅提升能力，但是仍然存在不少推動的阻力，包括不願改變(resistance to change)，給付 (reimbursement),法規(regulatory),透明度 (transparency)，令人信服的臨床實證(compelling evidence),信任(trust),落地(implementation )，是目 前Al在醫療運用叫好不叫座的原因。