人工智慧/機器學習在藥物開發的監管與展望

人工智慧/機器學習（Artificial Intelligence/Machine Learning, 本報告簡稱 AI/ML）在新藥開發以及生醫商品的應用在臺灣的學術界、製藥、生技產業是近幾年快速成長的領域。同時也發展出許多產學合作，結合大學學術研究機構、生技產業公司的研究製藥技術、以及AI公司的數據處理及分析專長，共同研發生醫產品。篩選適合的分子、蛋白質作為新藥物的瞄準標的一直都是藥物開發充滿挑戰的領域。尋找合宜的具有藥物特性的化合物、爬梳上千上萬筆文獻找尋符合的候選化合物、設計藥物、實驗藥物對人體目標器官的功效、招募適合的臨床試驗者、分析藥物對個別試驗者的療效等每一個新藥開發的步驟都仰賴大量的經驗、時間與人力。AI可以處理大量資料、發現資料中的型態、並依據資料作出有效的預測的能力，能大幅縮短上述藥物開發的過程。AI/ML在生技製藥產業預期帶來的產業創新能量，以及臺灣在AI運算能力及醫療數據的發展，使得生技藥受到相當的期望成為繼半導體業臺灣下個重點發展產業。

臺灣市場使用AI/ML於藥物開發實例

臺灣的AI生醫產業及智慧醫療產業在近幾年蓬勃發展，目前廠商應用AI在許多的新藥開發過程，例如歸選癌症治劑「嵌合抗原受體T細胞免疫療法 」（CAR-T, Chimeric Antigen Receptor T-Cell Immunotherapy），其可治療腫瘤與自體免疫等疾病。其原理為抽血並分離病人自身的免疫T細胞，藉由基因工程改造技術，讓T細胞嵌合可擊殺癌細胞的抗原受體。而決定T細胞要攻擊的靶點需要分析大量的資料，而AI可以有效協助分析並找尋合宜的靶點，加速此藥物開發的進程。

臺灣生技藥廠與大學研究單位的產學合作也日漸增加，例如華安醫學與臺灣大學和嚴慶齡工業發展基金會合作，於2023年7月設立工業研究中心，並簽訂技術合約，將應用AI在抗發炎藥物及神經退化性疾病（如巴金森氏症、阿茲海默症）等藥物的研究。在2023年中於高雄亞灣區成立的生成式AI醫療產業聚落，由私人資金成立的研究中心 – 臺灣人工智慧實驗室 (Taiwan AI Labs)，結盟四間高雄的醫學中心，包括高雄醫學大學附設醫院、高雄長庚醫院、高雄榮民總醫院及義大醫院，發展智慧醫療及精準醫療。

以人工智慧研發藥物而聞名的美國生技公司英矽智能 (Insilico Medicine) 在2018年成立台灣子公司，以及亞洲第一座AI研發基地，突顯臺灣在AI用於新藥開發領域的治理的迫切需求。隨著各國政府對AI/ML在醫藥產業的應用的重視，臺灣政府於2021年修訂，並於2022年實施的新版《生技醫藥及精準健康產業發展條例》生技醫藥條例，納入精準、再生、數位醫療等領域為適用範圍。給予通過資格審核定之生技醫藥公司研發、人才及營利事業股東投資抵減等租稅優惠，以促進產業發展。

AI使用於醫療與藥物開發倫理討論

AI/ML在醫藥產業的規範在法規層面的需求日益提升，但各國對於AI/ML規範的討論仍尚未有明確的定論。因此，本短評整理美國及歐洲政府提出相關的討論報告，提取其中的重點給予臺灣建議與參考。

美國人工智慧的研究、資料取得與標準化的監管建議

美國政府責任署 （Government Accountability Office, GAO) 與美國國家醫學會 (National Academy of Medicine）於2019年共同發表一份針對人工智慧在醫療照顧應用的技術評估報告（Artificial Intelligence in Health Care），報告中對於AI在新藥開發應用的監管提出六大方向給予立法者參考。六大方向包括研究（research）、資料取得 （data access） 、標準化 （standardization）、人力資本 （human capital） 、規範明確性 （regulatory certainty） 、現狀 （status quo），附表一整理歸納六大方向對應的政策建議、現行AI使用遭遇的挑戰以及機會。

報告中值得注意的是對於研究、資料取得、標準化三大方向的建議。在研究方面，因為藥物開發中科學研究及生物技術發展扮演相當關鍵的角色，理解藥物研發所面臨的痛點及挑戰，還有使用AI/ML的時機與使用方式，是規劃後續管理的重點。此外，AI的模型訓練需要高品質、能包涵多元不同背景組成的人群資料，但訓練所需的資料時常會被不同的公私部門持有。例如醫院端持有病人的住院、門診病歷等臨床資料、衛生福利部擁有國人健保使用的資料、學術單位有科學實驗數據，這些資料的持有方要分享資料可能會面臨法律、權益、各自利益的碰撞。

技術層面上也需要考慮資料分享的網路安全 (cybersecurity) 問題。如何在體制上給予誘因，讓不同的利害關係人能合作，而同時能保障資料、隱私的安全，是一大挑戰。另一方面，蒐集的資料的格式與型式的標準化也能增加不同資料來源的統一與可比較性。用不同方法蒐的資料，時常無法類比，也無法做品質比較跟研究結果的類比。同時，若演算法保有可解釋性以及透明度，可以協助資料科學家制定資料的衡量基準。

歐盟人工智慧法Artificial  Intelligence Act）的分層管理

歐盟議會於2024年3月13日通過《人工智慧法》Artificial  Intelligence Act，簡稱AI法案）。此法案為全球首部特別針對AI系統提出的全面性監管架構，其目標為確保人民基本權、民主、法治和環境可永續性不受AI的侵害下，促進人工智慧的創新發展。此法則預計於2025年實施。此法規的應用層面不只在醫療、藥物開發，其依照AI使用俱有的潛在風險高低和對社會的衝擊，分成四個等級進行分層管理。應用於醫療保健商品的AI系統，例如新藥開發或臨床試驗使用的AI系統被分類於「高風險AI系統」。

對於「高風險AI系統」歐盟議會提出的監管模式包括建立適用於產品週期的風險管理系統 （risk management system）、執行資料監管，確保資料的訓練、核實還有測驗能充分具群體代表性、無錯誤，以及能有效達成目標。提供技術文件 （technical document），展示AI系統如何監管風險，並且提供監管單位評估監管方式的必要資訊。AI系統開發及使用者必需自動存取以及保存AI的使用記錄，並且提供下游使用者使用方式，確保監管措施可以被落實。

此外，必需要有人類的監控，並且AI系統要被設計成為能達到適合程度的正確、堅實、且安全的程度，而系統也必需有品質管理的系統確保AI系統的表現都有在監管範圍內。歐盟將成立「人工智能辦公室」（AI Office）執行AI法案的監督協調工作，每個歐盟成員國也會成立監督機構給予輔助。法案也會採漸進方式進行，在法案生效後六個月內淘汰「禁止使用的AI系統」、生效後一年，低風險AI系統的管理開始執行、生效後兩年達成高風險AI系統的管理。

臺灣現行AI/ML於生技產業發展的政府規範討論

AI/ML應用於醫療與藥物開發也漸漸獲得重視與討論，在2023年11月，臺灣醫學會、臺灣人工智慧實驗室以及臺灣臨床試驗聯盟簽署合作備忘錄 （memorandum of understandin, MOU），提出三大合作方向，包含：建立AI醫學倫理準則、運用AI完善醫療系統、開放AI演算法典範。第一步建立AI醫學倫理準則的目標為建立共同的AI使用倫理準則， 目標為建立多中心的資料管理，制定永續經營的指標，建立可以共同交流使用的AI模型與資料交換協議。第二步為建立以人為本的生成式科技使用場域，利用AI科技提升醫療品質，協助醫療決策及降低醫療風險。第三步則開放AI演算法的典範，使其應用在基因、影像、精準健康、藥物開發等研究及臨床服務領域。

展望

以歐美政府單位在AI/ML於新藥開發治理的經驗與作法，有以下幾點可以參考：(1) 意見徵詢：無論是美國或是歐洲都尚未提出具體的AI/ML應用於新藥開發的規範框架，而是先提出討論報告，及科技評估，蒐集目前業界AI/ML於新藥開發的應用範圍，並以此報告匯集各方、不同角度的社會意見。歐美國家對於未知與不確定性高、具有高度專業性議題，採取意見徵求作為第一步的方式，可以提供臺灣政府參考，在面對諸多不確定性的AI/ML使用議題時能初步採取的措施；(2) 跨領域、跨部門、公私部門的合作，在美國發佈的技術報告中不斷強調AI/ML的使用俱有高度的跨領域、跨公私部門的性質，也會牽涉多重的利害關係人。有鑑於AI/ML與新藥開發皆是高度專業的領域，但其會影響的範圍廣泛至全民，也因此建立長期穩定且能互惠的溝通與合作模式，將是設計治理模式的重點；(3) 可參考歐盟將AI系統依照其對人類及社會的影展進行分層，提出不可被接受的AI應用，以及各分層的治理方式與法規落實時程。

短評使用之專有名詞中英文對照

• 人工智慧/機器學習 (本報告簡稱AI/ML；Artificial intelligence / machine learning)
• 美國政府責任署 (Government Accountability Office, GAO)
• 美國國家醫學會 (National Academy of Medicine)
• 風險管理系統 (Risk management system)
• 合作備忘錄 (Memorandum of understanding, MOU)

表一、AI在新藥開發應用的監管六大方向

方向	挑戰	機會	政策制定者可採取的行動建議
研究 (Research)	基礎研究是門需要長期投資且其潛在的益處較不明確。需要評估可取得的資源，並且需重新分配資源和優先順序。	增加高質量的科學與技術產出，並解決先前的技術挑戰。可促進製造更高品質的機器可以讀取的資料 (machine readable data)。	政策制定者可以鼓勵基礎研究者產出更多、更高品質的資料，增進AI/ML在新藥開發的了解。
資料取得 (Data access)	需要協調不同的利益關係人，其中需付出相關的行動成本。資料的分享或使用可能會觸及法律問題。網路安全危害 (Cybersecurity risks) 可能會增加，而必需耗費更多時間及資源降低危害。擁有更優質資料的組織可能不願意加入資料分享。	可能縮短藥物開發的時程並節省成本。幫助公司更快辨別不成功的藥物候選人以縮減不必要的開銷。	政策制定者可以創造機制或是誘因以增加公私部門分享高品質資料並且同時保護個人資料。
標準化 (Standardization)	過程可能曠日費時，並需要大量的人力資源，因為標準化的過程需要取得各方公私部門利害關係人的同意與共識。	使得研究則能合併更多不同來源的資料，並增進互相操作性 (interoperability) 。確保演算法保有可解釋性以及透明度，可以協助資料科學家制定資料的衡量基準。	政策制定者可以與相關利益關係人合作，建立統一的資料、演算法的審定標準。
人力資本 (Human capital)	俱有資料科學訓練的員工可能會離開制藥產業到更高報酬的產業任職。公司及相關組織需要決定己身所面對的機會與挑戰，以決定要投資什麼方向，或轉移哪些資源發展AI/ML。	可為公司、組織、部門創造俱AI/ML在藥物開發方面的知識的高技術員工。跨領域的團隊合作可以促進來自不同領域的員工之間的溝通。	政策制定者可以創造機會給予公私部門發展AI/ML相關的知識與技能。
規範明確性 (Regulatory certainty)	需要協調不同的單位以及利害關係人，聽取其想法，此動作需要耗費相當多的時間與人力成本。為頒布一新法規後伴隨的落實成本還有審定時間的投入。	可以增加AI/ML相關技術對大眾揭示的程度，並讓法規制定者還有大眾更了解AI/ML的使用。如果AI/ML技術能被審核，製藥公司可以更有效地使用AI/ML科技。	政策制定者可以與相關利害關係人合作以發展出明確且一致對於AI/ML在藥物開發使用的訊息與規範。
保持現狀 (Status quo)	目前所面對的AI/ML挑戰因技術或其他原因而無法突破。	對於已經使用AI/ML的公司，可能不需要政策制定者的介入以擴張它們對AI/ML的使用。製藥方目前所面對的挑戰可以非AI/ML的方法解決，可更省時省力。	法規制定者可以考慮保持現狀。